Dự báo thời tiết đã trở nên đáng tin cậy đáng kể trong khoảng thời gian ngắn: các mô hình ngày nay có độ chính xác cao trong khoảng hai tuần và các dự báo khí hậu tầm xa cũng đang dần được cải thiện. Tuy nhiên, giữa hai thang thời gian đó có một điểm mù cứng đầu. Các dự báo trong khoảng thời gian từ hai đến sáu tuần - được gọi là dự báo theo mùa - vẫn không đáng tin cậy, mặc dù đó chính xác là phạm vi quan trọng để quyết định thời điểm trồng cây, cách phân bổ nước và năng lượng cũng như cách chuẩn bị cho cháy rừng.

Microsoft Research và mạng lưới cộng tác viên bên ngoài cho biết họ đã tìm ra cách thu hẹp khoảng cách đó, không phải bằng cách xây dựng một mô hình dự báo khác mà bằng cách dạy phần mềm sửa chữa những sai lầm có thể dự đoán được của các mô hình đã tồn tại. Cách tiếp cận này, được gọi là Hiệu chỉnh sai lệch xác suất (PBC), được trình bày chi tiết trong một bài báo đăng trên tạp chí khoa học Nature và được mô tả trong một bài đăng trên blog của Microsoft xuất bản trong tuần này. Đây là một trong những mục thực tế lặng lẽ hơn trong làn sóng nghiên cứu AI ứng dụng được đề cập trong số những phát triển AI mới nhất, vì nó nâng cấp các hệ thống mà các nhà khí tượng học đã dựa vào thay vì yêu cầu họ chuyển sang thứ gì đó mới.

Tại sao khoảng thời gian từ hai đến sáu tuần lại thách thức dự báo

Các mô hình dựa trên vật lý mô phỏng bầu khí quyển và đại dương bằng các phương trình khoa học, trong khi các mô hình AI mới hơn huấn luyện dựa trên kho lưu trữ khổng lồ dữ liệu thời tiết quan sát được. Theo Microsoft, cả hai dòng đều hoạt động tốt trong khoảng mười ngày. Ngoài điểm đó, các sai sót nhỏ ban đầu cộng lại và các tương tác phức tạp giữa khí quyển, đại dương và bề mặt đất lấn át cả hai phương pháp tiếp cận, đó là lý do tại sao triển vọng từ hai đến sáu tuần từ lâu đã tụt hậu so với phần còn lại của dự báo.

Thay vì tham gia vào một lĩnh vực đông đúc gồm các mô hình cạnh tranh, nhóm do Microsoft dẫn đầu đã tập trung vào một mục tiêu khác: các lỗi có tính hệ thống, có thể lặp lại mà các mô hình mắc phải trong phạm vi này. Công ty giải thích trong bài đăng trên blog của mình: "Quy trình mới của chúng tôi (PBC) lấy mô hình yêu thích của bạn làm đầu vào và tìm hiểu xem mô hình đó có xu hướng mắc lỗi theo những cách nào. Sau đó, nó sẽ sửa những lỗi đó, mang lại dự báo sản lượng tốt hơn cho phạm vi phụ mùa vụ".

Lớp nhẹ trên các mẫu hiện có

Về mặt kỹ thuật, PBC là một hệ thống máy học nhẹ, nghiên cứu kho lưu trữ dự báo lịch sử của bất kỳ mô hình cụ thể nào để tìm hiểu xem nó bị sai lệch hệ thống ở đâu và như thế nào. Sau khi học được các mẫu đó, hệ thống sẽ điều chỉnh đầu ra xác suất của mô hình để bù đắp. Trong các đánh giá được mô tả trên tạp chí Nature, Microsoft báo cáo rằng PBC đã cải thiện hiệu suất của mô hình hoạt động dưới mùa không có sai lệch hàng đầu thế giới, do Trung tâm Dự báo Thời tiết Trung bình Châu Âu (ECMWF) vận hành.

Kết quả được giữ vững trong cuộc thi trực tiếp, không chỉ trong các bài kiểm tra hồi cứu. ECMWF đã phát động Nhiệm vụ thời tiết AI vào tháng 8 năm 2025, một cuộc thi thời gian thực được thiết kế để nâng cao khả năng dự báo theo xác suất theo mùa. Một nhóm có tên MicroEnsemble, bao gồm các nhà nghiên cứu của Microsoft và cộng tác viên bên ngoài, đã giành được vinh dự cao nhất với bài dự thi có tên MicroDuet, ứng dụng PBC cho mô hình động lực hàng đầu trong ngành của ECMWF.

Tiến sĩ Joshua Talib, nhà khoa học về dự báo phụ theo mùa tại ECMWF, cho biết: “Nhiệm vụ thời tiết AI cung cấp nền tảng đo điểm chuẩn thời gian thực độc đáo cho các dự báo dưới mùa”. "Những đóng góp của Team MicroEnsemble đã nêu bật cách học máy có thể nâng cao kỹ năng của các hệ thống dự báo động lực truyền thống thông qua quá trình xử lý hậu kỳ."

Từ điểm chuẩn đến phi công trong thế giới thực ở Đông Phi

Kỹ thuật này đã vượt xa các tiêu chuẩn. Ở Kenya, các nhà dự báo đang chuẩn bị thử nghiệm PBC khi một trong hai mùa mưa của nước này đang diễn ra. Nỗ lực này có sự tham gia của Cơ quan Dịch vụ Khí tượng Kenya (KMSA) và các nhà khoa học tại Trung tâm Nguy hiểm Khí hậu tại Đại học California, Santa Barbara, với sự tư vấn của Genevieve Flaspohler, người điều hành Rhiza Research, một tổ chức phi lợi nhuận tập trung vào việc cải thiện dự báo thời tiết do AI cung cấp.

Flaspohler lập luận rằng giá trị của một dự báo phụ thuộc vào việc đến kịp thời để hành động theo nó. Bà nói: “Dự báo thời tiết tốt, được đưa ra vào đúng thời điểm, đúng kênh liên lạc, có thể là yếu tố khác biệt lớn đối với kết quả nông nghiệp”, đồng thời lưu ý rằng Đông Phi đang dao động giữa những năm khô hạn kỷ lục và những năm ẩm ướt nhất từ ​​trước đến nay. Ở một khu vực mà các trang trại phần lớn thiếu hệ thống tưới tiêu và các quyết định về trồng trọt, bón phân cũng như mua hạt giống đều dựa trên triển vọng, thì một dự báo cận mùa khéo léo hơn không phải là một cải tiến trừu tượng.

Flaspohler nói: “Bởi vì chúng ta đang ở giữa đợt El Niño ấm nhất từng được ghi nhận, nên các chính phủ và cộng đồng khoa học khí hậu rất lo sợ về điều đó sẽ biểu hiện như thế nào”. “Có nhu cầu rất lớn về các phương pháp dự báo đơn giản và hoạt động hiệu quả.”

Lập luận về hiệu quả trong kỷ nguyên của các mô hình lớn hơn

Điều khiến PBC trở nên đáng chú ý trong nghiên cứu AI là tính kinh tế của nó. Trong khi phần lớn lĩnh vực này chạy đua để đào tạo các mô hình dự báo toàn diện ngày càng lớn hơn, PBC là một hệ thống tương đối nhỏ vay mượn hầu hết kỹ năng từ các mô hình hoạt động mà nó điều chỉnh. Điều đó làm cho việc vận hành rẻ hơn và các cơ quan khí tượng dễ dàng áp dụng hơn vì họ có thể giữ nguyên cơ sở hạ tầng hiện có và chỉ cần thêm một lớp hiệu chỉnh.

Nó cũng phản ánh một mô hình rộng hơn trong học máy được áp dụng: quá trình xử lý hậu kỳ và hiệu chỉnh thường mang lại những lợi ích mà lẽ ra phải làm lại mô hình đầy đủ. Đối với các dịch vụ thời tiết cân nhắc xem nên chi tiêu ngân sách hạn chế ở đâu, một phương pháp cải thiện rõ rệt phạm vi dự báo khó nhất — được xác thực cả trong Tự nhiên và trong cuộc thi ECMWF trực tiếp — có thể sẽ thu hút sự chú ý.

Điều gì sẽ xảy ra tiếp theo cho AI phụ theo mùa

Bài đăng trên blog của Microsoft không công bố một sản phẩm đang hoạt động và công ty chưa cho biết liệu PBC có được tích hợp vào các dịch vụ dự báo thương mại hay không. Thử nghiệm ngắn hạn là liệu các dịch vụ thời tiết quốc gia có bắt đầu áp dụng các lớp hiệu chỉnh sai lệch như PBC cho các triển vọng dưới mùa của họ hay không và liệu phương pháp này có phù hợp với các mô hình dự báo AI hiện đang được sử dụng hay không.

Nếu đúng như vậy, khoảng thời gian từ hai đến sáu tuần - khoảng thời gian mà nông dân, người vận hành lưới điện và các nhà lập kế hoạch thảm họa trước đây ít phải làm việc nhất - cuối cùng có thể bắt đầu đóng lại. Đối với một lĩnh vực đã mất hàng thập kỷ để theo đuổi những lợi ích cận biên về kỹ năng, việc để một hệ thống máy học nhỏ dọn dẹp các lỗi hệ thống của các mô hình vật lý khổng lồ là một loại tiến bộ thực dụng.

---

Đi trước AI

Nhận tin tức, phân tích và đột phá mới nhất về AI — tất cả ở cùng một nơi.

Đọc thêm tin tức về AI →