A Google DeepMind liberou o código-fonte e os pesos dos modelos WeatherNext 2 e WeatherNext Cyclones, especializados em previsão meteorológica. O sistema consegue antecipar a trajetória e a intensidade de ciclones tropicais com uma precisão média 24 horas superior aos métodos tradicionais.
Antecipação de desastres e precisão
Conforme apurado pelo AI Weekly, a previsão de 3 dias gerada pelo WeatherNext apresenta o mesmo nível de acerto que as previsões de 2 dias dos modelos convencionais. Esse ganho de tempo equivale a cerca de uma década de progresso meteorológico em um único lançamento. Durante o furacão Melissa em 2025, a IA indicou 80% de confiança para um impacto de categoria 5 na Jamaica com 5 dias de antecedência, subindo para quase 100% no terceiro dia.
Segundo o veículo sul-coreano DigitalToday, o WeatherNext Cyclones foi projetado para resolver dois problemas simultaneamente: a trajetória, influenciada pela circulação atmosférica global, e a intensidade, que depende de mudanças termodinâmicas locais. O modelo foi treinado com 20 terabytes de dados atmosféricos e registros de aproximadamente 5000 tempestades históricas, permitindo gerar previsões para até 15 dias.
Eficiência técnica e acesso global
A arquitetura do modelo permite que ele opere com dados de entrada em uma grade de 28 quilômetros, uma resolução cerca de 100 vezes mais grossa que a de modelos físicos tradicionais. De acordo com o AI Weekly, a IA consegue gerar 1000 cenários probabilísticos em menos de um minuto utilizando unidades de processamento tensorial (TPU). Essa eficiência transforma a previsão de ciclones, antes dependente de supercomputadores caros, em uma tarefa acessível para serviços meteorológicos nacionais de menor porte.
O DigitalToday informou que a ferramenta já foi utilizada como referência pelo Centro Nacional de Furacões dos Estados Unidos e está sendo testada por agências nas Filipinas, Taiwan, Indonésia e Vietnã. Com a abertura do código no GitHub, pesquisadores agora podem validar os resultados e desenvolver modelos derivados.
O que ainda não foi divulgado
- O Google ainda não explicou o mecanismo exato que permite à IA extrair previsões precisas de intensidade a partir de dados de baixa resolução.
- Não foram fornecidos dados sobre o desempenho do modelo em eventos climáticos extremos que estejam fora da distribuição dos padrões históricos usados no treinamento.
- Não há orientações claras sobre como meteorologistas devem priorizar os resultados caso a IA e os modelos físicos tradicionais apresentem divergências críticas.
