Google Ra Mắt Mô Hình Thời Tiết AI Mới Với Dự Đoán Nhanh Hơn, Chính Xác Hơn

Tóm lại

• WeatherNext 2 tạo ra hàng trăm dự báo toàn cầu trong chưa đầy một phút, cho phép cập nhật kịch bản thường xuyên hơn so với các mô hình truyền thống.
• Google đã sử dụng hệ thống này trên Search, Gemini, Pixel Weather và Maps, với kế hoạch triển khai rộng rãi hơn.
• Một phương pháp mô hình mới, Mạng sinh điều kiện chức năng, đã tăng độ chính xác trên các chỉ số chính, bao gồm theo dõi gió cực và xoáy thuận.

Trung tâm Nghệ thuật, Thời trang và Giải trí của Decrypt.

Khám phá SCENE

Google DeepMind đã giới thiệu một hệ thống dự đoán thời tiết mới sử dụng trí tuệ nhân tạo vào thứ Hai, có khả năng tạo ra dự đoán thời tiết toàn cầu nhanh gấp tám lần so với các công cụ truyền thống, công ty cho biết.

Được gọi là WeatherNext 2, hệ thống này được định vị như một công cụ để giúp các cơ quan chuẩn bị cho các điều kiện khắc nghiệt nhanh hơn, khi thế giới tiếp tục phải đối mặt với các thảm họa thiên nhiên thường xuyên do khí hậu ngày càng ấm lên.

Để làm điều này, nó tạo ra hàng trăm kịch bản có thể từ một điểm khởi đầu duy nhất, mỗi kịch bản được tính toán trong chưa đầy một phút trên một Bộ xử lý Tensor, một con chip chuyên dụng được phát triển bởi Google để tăng tốc độ xử lý máy học và khối lượng công việc AI.

“Chúng tôi dựa vào dự đoán thời tiết chính xác cho các quyết định quan trọng - từ chuỗi cung ứng đến lưới điện đến kế hoạch trồng trọt,” nhà khoa học nghiên cứu của Google DeepMind, Peter Battaglia, viết trên X. “AI đang chuyển mình cách chúng ta dự báo thời tiết.”

Thời tiết ảnh hưởng đến mọi thứ và mọi người. Mô hình AI mới nhất của chúng tôi được phát triển cùng @GoogleResearch đang giúp chúng tôi dự đoán tốt hơn.

WeatherNext 2 là hệ thống tiên tiến nhất của chúng tôi cho đến nay, có khả năng tạo ra các dự báo toàn cầu chính xác hơn và có độ phân giải cao hơn. Dưới đây là những gì nó có thể làm - và lý do tại sao… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 tháng 11, 2025

<br>

Triển khai trên các sản phẩm của Google

Dự báo WeatherNext 2 đã được triển khai trong Tìm kiếm, Gemini, Pixel Weather và API Thời tiết của Google Maps, với sự hỗ trợ rộng rãi hơn sẽ đến vào một ngày sau.

“Chúng tôi đang làm việc với các đội ngũ của Google để tích hợp WeatherNext vào hệ thống dự báo của chúng tôi,” quản lý sản phẩm WeatherNext 2, Akib Uddin, cho biết trong một tuyên bố. “Dù bạn đang trên tìm kiếm, Android, hay Google Maps, thời tiết ảnh hưởng đến mọi người, và bằng cách đưa ra những dự đoán thời tiết tốt hơn, chúng tôi có thể giúp mọi người.”

Các mô hình thông thường có thể mất hàng giờ, giới hạn tần suất làm mới các kịch bản, DeepMind cho biết. Bằng cách sử dụng AI tiên tiến, WeatherNext 2 đã vượt trội hơn mô hình hoạt động trước đó của nó, WeatherNext Gen, công ty tuyên bố.

“Nó nhanh gấp khoảng tám lần so với mô hình xác suất trước đó mà chúng tôi phát hành vào năm ngoái, và về độ phân giải, nó cao gấp sáu lần,” Battaglia nói trong một tuyên bố. “Vì vậy, thay vì thực hiện các bước sáu giờ, nó thực hiện các bước một giờ. Nó vượt trội hơn thế hệ thời tiết trước đó trên 99,9% các biến mà chúng tôi đã kiểm tra.”

Về mặt thực tiễn, điều đó có nghĩa là hệ thống mới đã cung cấp những dự báo chính xác hơn về nhiệt độ, gió, độ ẩm và áp suất gần như ở khắp mọi nơi và ở hầu hết mọi điểm trong khoảng thời gian 15 ngày.

DeepMind đã cho rằng những cải tiến này là nhờ vào một phương pháp mô hình hóa mới được mô tả trong một bài báo nghiên cứu vào tháng Sáu về Mạng sinh tạo chức năng, hay FGN, thay đổi cách mà hệ thống thể hiện sự bất định và tạo ra các biến thể dự đoán.

Một phương pháp mô hình hóa mới

FGN chỉ được đào tạo trên các dự báo một biến, hay “marginals,” chẳng hạn như nhiệt độ, gió hoặc độ ẩm tại một vị trí cụ thể, theo Google.

Tuy nhiên, mô hình học cách mà các biến đó tương tác, cho phép nó dự đoán các mẫu rộng hơn, có liên kết, chẳng hạn như các sự kiện nóng khu vực và hành vi của cơn bão.

Google cho biết FGN đã khớp GenCast về dự báo nhiệt độ cực đoan ở độ cao hai mét và vượt qua nó về dự báo gió cực đoan ở độ cao mười mét, tùy thuộc vào biến số.

Mô hình cũng cho thấy sự hiệu chỉnh mạnh mẽ hơn qua các khoảng thời gian và hiệu suất tốt hơn khi các dự đoán được đánh giá trên các khu vực lớn hơn thay vì các điểm riêng lẻ.

Sử dụng Điểm số Xác suất Xếp hạng Liên tục—một chỉ số độ chính xác tiêu chuẩn kiểm tra mức độ gần gũi của toàn bộ dải các kết quả dự đoán của một mô hình với những gì thực sự xảy ra—bài báo báo cáo sự cải thiện trung bình là 8,7% cho CRPS trung bình và 7,5% cho CRPS tối đa so với GenCast.

Hiệu suất dự báo bão

FGN cũng đã cải thiện dự báo bão nhiệt đới.

So với các dữ liệu lịch sử từ Kho lưu trữ Lộ trình Tốt nhất Quốc tế cho Quản lý Khí hậu, các dự đoán trung bình của tập hợp đã giảm lỗi vị trí khoảng 24 giờ dự báo giữa các dự báo từ ba đến năm ngày.

Một phiên bản của FGN chạy ở bước thời gian 12 giờ cho thấy sai số cao hơn phiên bản sáu giờ nhưng vẫn vượt trội hơn GenCast ở các khoảng thời gian dẫn dài hơn hai ngày.

Dự báo xác suất theo dõi cho thấy Giá trị Kinh tế Tương đối cao hơn trên hầu hết các tỷ lệ chi phí-thua lỗ và thời gian dẫn.

DeepMind cho biết các công cụ dự đoán bão thử nghiệm được xây dựng bằng công nghệ này đã được chia sẻ với các cơ quan khí tượng.

“Bạn nhận được những dự đoán chính xác hơn, và bạn nhận chúng nhanh hơn, điều đó giúp mọi người đưa ra quyết định đúng đắn, đặc biệt khi chúng ta bắt đầu thấy nhiều hiện tượng thời tiết cực đoan hơn,” Uddin nói. “Tôi nghĩ có một loạt các ứng dụng cho việc dự đoán thời tiết tốt hơn.”