Google DeepMind cùng Google Research cho biết mô hình thời tiết AI WeatherNext đang cho thấy khả năng dự báo đường đi và cường độ bão chính xác hơn so với nhiều mô hình hiện có, qua đó kéo dài thời gian cảnh báo thêm khoảng một ngày.

Theo Ars Technica ngày 8/8/2026, nhóm nghiên cứu cho biết WeatherNext có thể giúp “mở rộng” thời gian dự báo trung bình thêm một ngày. Cụ thể, độ chính xác của mô hình ở mốc dự báo trước 3 ngày tương đương với mức mà các mô hình truyền thống thường chỉ đạt được ở mốc 2 ngày.

Kết quả này đã được công bố trên tạp chí Nature. Nhóm nghiên cứu nhận định WeatherNext đạt độ chính xác “chưa từng có” trong dự báo cyclone nhiệt đới. Trong thực tế, chênh lệch chỉ một ngày có thể tác động trực tiếp đến quyết định sơ tán, bố trí vật tư và điều động lực lượng ứng phó.

Mike Brennan, Giám đốc Trung tâm Bão Quốc gia Mỹ, cho biết chỉ cần chênh vài giờ cũng có thể làm thay đổi đáng kể phương án ứng phó. Theo ông, nếu một mô hình có thể đạt cùng mức độ chính xác sớm hơn một ngày, giá trị thực tế là rất lớn. Ông nhấn mạnh việc chậm ứng phó với bão có thể làm thiệt hại tăng mạnh, trong khi những quyết định sai cũng kéo theo chi phí rất lớn.

Năng lực của WeatherNext đặc biệt được chú ý qua trường hợp bão Melissa hình thành tại vùng Caribbean vào tháng 10/2025. Khi đó, các mô hình hiện có đưa ra những kịch bản trái chiều: một số dự báo bão suy yếu và hướng về Haiti, trong khi số khác cho rằng bão sẽ mạnh lên rồi tiến về Jamaica.

Theo nhóm nghiên cứu, WeatherNext đã đưa ra xác suất 80% từ trước 5 ngày rằng Melissa có thể mạnh lên cấp 5 và đổ bộ vào Jamaica. Cơn bão sau đó gây lũ lụt và sạt lở trên diện rộng tại Jamaica. Cảnh báo sớm hơn đã giúp các cộng đồng địa phương có thêm thời gian chuẩn bị.

Dự báo bão vẫn là bài toán khó ngay cả với AI, do các hiện tượng thời tiết cực đoan xuất hiện không nhiều và dữ liệu huấn luyện còn hạn chế. Ferran Alet, nhà nghiên cứu tại Google DeepMind, cho biết dữ liệu riêng về cyclone không lớn, nhưng dữ liệu thời tiết nói chung lại rất dồi dào. Vì vậy, nhóm đã huấn luyện mô hình theo hướng vừa xử lý tốt các bài toán thời tiết tổng quát, vừa cải thiện năng lực dự báo bão.

Theo ông, khó khăn lớn của dự báo bão là phải đồng thời ước tính chính xác cả quỹ đạo lẫn cường độ. Dự báo quỹ đạo đòi hỏi thông tin ở quy mô toàn cầu, như vị trí front lạnh hay các dòng gió chi phối. Trong khi đó, dự báo cường độ lại cần đánh giá chi tiết hơn nhiều về điều kiện khí quyển và đại dương ở phạm vi cục bộ.

Kate Musgrave, thuộc Viện Nghiên cứu Khí quyển Hợp tác, cho rằng các mô hình toàn cầu hiện nay thường không thu thập được đủ tín hiệu phục vụ bài toán dự báo cường độ. Theo bà, nhiều mô hình AI trước đây có thể dự báo quỹ đạo khá tốt nhưng lại cho kết quả kém ở phần cường độ.

WeatherNext cũng đạt kết quả cao trong các thử nghiệm hồi cứu trên dữ liệu lịch sử. Tuy nhiên, nhóm nghiên cứu cho biết ban đầu họ chưa chắc mô hình có thể duy trì hiệu quả đó trong môi trường vận hành thực tế hay không. Kate Musgrave nói kết quả tốt đến mức bà từng nghi ngờ khả năng tái lập trong dự báo thời gian thực, nhưng sau khi đưa vào quy trình dự báo, hiệu năng của mô hình vẫn được giữ nguyên. “Mọi người đều bất ngờ vì nó hoạt động tốt đến vậy”, bà nói.

Một điểm khác khiến giới nghiên cứu chú ý là WeatherNext vẫn dự báo khá chính xác cường độ bão dù chỉ sử dụng dữ liệu khí quyển đầu vào có độ phân giải thấp hơn các mô hình truyền thống. Ferran Alet cho biết cộng đồng nghiên cứu đã rất bất ngờ khi biết mức độ phân giải đầu vào này, qua đó cho thấy ngay cả dữ liệu độ phân giải thấp cũng có thể chứa những tín hiệu quan trọng từng bị đánh giá thấp.

Dù vậy, nhóm nghiên cứu thừa nhận họ vẫn chưa thể giải thích đầy đủ mô hình đang nhận diện chính xác những tín hiệu nào. Theo Ferran Alet, AI về bản chất vẫn là một “hộp đen”, nhưng nó có thể gợi mở cho các nhà vật lý những hiện tượng mà trước đây chưa được hiểu rõ.

WeatherNext không chỉ đưa ra một kết quả dự báo duy nhất mà tạo ra nhiều kịch bản song song, nhằm phản ánh khả năng chỉ một thay đổi nhỏ ban đầu cũng có thể dẫn đến khác biệt lớn theo thời gian. Các nhà dự báo vì vậy có thể đối chiếu kết quả này với những mô hình khác trước khi đưa ra đánh giá cuối cùng.

Nếu năm ngoái mô hình chỉ tạo 50 kịch bản cho mỗi cơn bão, hiện con số này đã tăng lên 1.000. Kate Musgrave cho biết với nguồn lực tính toán hiện tại, các mô hình dự báo số truyền thống khó có thể tạo được số lượng kịch bản ở quy mô như vậy.

Dù vậy, các chuyên gia nhấn mạnh AI không thay thế hoàn toàn vai trò của nhà dự báo. Mike Brennan đánh giá WeatherNext là một công cụ mới được bổ sung vào “hộp công cụ” của giới dự báo thời tiết. Tuy nhiên, ông cũng lưu ý rằng một mô hình hoạt động tốt trong một năm hoặc với một cơn bão cụ thể không đồng nghĩa sẽ luôn đạt hiệu quả cao nhất ở mùa bão tiếp theo hay với các cơn bão khác.

Theo ông, bão không chỉ là câu chuyện về quỹ đạo hay chỉ số cường độ. Việc các chuyên gia diễn giải những thiệt hại thực tế có thể xảy ra vẫn giữ vai trò đặc biệt quan trọng.

Google DeepMind cũng cho biết sẽ phát hành mã nguồn mở của mô hình WeatherNext được sử dụng trong mùa bão. Theo đó, các nhà nghiên cứu có thể trực tiếp khai thác và cải tiến mô hình để tìm thêm manh mối về cơ chế vận hành của cyclone nhiệt đới.