Una tempesta si forma sopra i Caraibi. I modelli meteorologici non concordano sulla sua direzione e sulla forza che raggiungerà. Cinque giorni prima dell’impatto sulla terraferma, un modello di IA prevede, con l’80 percento di probabilità, che il sistema colpirà la Giamaica come uragano di Categoria 5. Quella previsione si rivela corretta. La tempesta, l’uragano Melissa, provoca ampie inondazioni e frane, ma le comunità ricevono avvisi molto prima di quanto sarebbe stato possibile con gli strumenti di previsione tradizionali. Questo non è uno scenario ipotetico. È ciò che è accaduto nell’ottobre del 2025 e segna una svolta nel modo in cui l’intelligenza artificiale viene applicata a uno dei problemi predittivi più importanti della scienza.
Il vantaggio di un giorno che ha richiesto un decennio per essere conquistato
Il modello WeatherNext, sviluppato da Google DeepMind e Google Research, fornisce previsioni sui cicloni con un anticipo che è, in media, di un giorno intero rispetto ai modelli esistenti. Per mettere le cose in prospettiva: le sue previsioni a tre giorni sono accurate quanto quelle a due giorni dei modelli precedenti. Quel singolo giorno di preavviso aggiuntivo non è un piccolo miglioramento tecnico. Storicamente, far avanzare l’accuratezza delle previsioni di un giorno avrebbe richiesto circa un decennio di lavoro scientifico incrementale, secondo i ricercatori che hanno creato il modello.
Mike Brennan, direttore del US National Hurricane Center, delinea chiaramente la posta in gioco. Le evacuazioni devono essere organizzate. Le scorte devono essere predisposte. Le risorse devono essere posizionate. Ognuno di questi compiti è legato al fattore tempo, e agire sulla base di una previsione errata comporta conseguenze gravi. “Il tempo è davvero prezioso quando si tratta di questo tipo di decisioni”, ha affermato Brennan. Un giorno in più non si limita a migliorare un numero su un grafico delle prestazioni. Cambia ciò che è operativamente possibile per le persone responsabili della protezione delle vite umane.
Il problema dell’intensità che ha messo in crisi i modelli precedenti
La previsione della traiettoria, ovvero la direzione in cui si sposta una tempesta, è stata per qualche tempo un punto di forza relativo dei modelli meteorologici basati sull’IA. La previsione dell’intensità è una questione completamente diversa. Gli uragani operano simultaneamente su più scale spaziali. Prevedere il percorso di una tempesta richiede dati atmosferici su scala globale: fronti freddi, venti dominanti, sistemi di pressione su larga scala. Prevedere quanto diventerà forte una tempesta richiede dati locali dettagliati sulle condizioni atmosferiche e oceaniche nel nucleo della tempesta.
I precedenti modelli di IA gestivano la traiettoria in modo ragionevole. L’intensità, come afferma Kate Musgrave, responsabile del gruppo sui cicloni tropicali presso il Cooperative Institute for Research in the Atmosphere e co-autrice della ricerca, “non riuscivano proprio a gestirla”. Questa distinzione è estremamente importante nella pratica. Una tempesta che appare gestibile come Categoria 1 può intensificarsi rapidamente durante la notte trasformandosi in un’emergenza di Categoria 5. L’uragano Melissa ha illustrato esattamente questo scenario e ha segnato la prima volta in cui il National Hurricane Center è stato in grado di prevedere un uragano di Categoria 5 mentre la tempesta era ancora all’intensità di Categoria 1.
ciò che rende le prestazioni di WeatherNext sull’intensità particolarmente sconcertanti per i ricercatori è che raggiunge questa precisione utilizzando dati atmosferici a risoluzione inferiore rispetto a quelli richiesti dai modelli tradizionali. Quando la comunità scientifica più ampia lo ha scoperto, la reazione è stata di sorpresa. L’ipotesi era che la previsione dell’intensità ad alta risoluzione richiedesse dati di input ad alta risoluzione. WeatherNext sembra estrarre segnali significativi da input più grossolani in modi non ancora compresi. “In fin dei conti è una scatola nera”, afferma Ferran Alet, ricercatore presso Google DeepMind e uno degli autori principali della ricerca, “ma questo offre ai fisici il segnale che sta accadendo qualcosa che prima non era stato compreso”.
Cosa insegna una scatola nera alla scienza
È qui che la storia diventa interessante al di là della meteorologia. Il modello WeatherNext non produce una singola previsione. Genera una gamma di scenari potenziali per ogni tempesta in evoluzione, cogliendo la sensibilità di sistemi complessi a piccole variazioni iniziali. L’anno scorso ha prodotto 50 scenari per tempesta. Ora ne genera 1.000. Quel volume di output probabilistico non è semplicemente ottenibile con la modellazione numerica convenzionale, visti gli attuali limiti di calcolo.
L’opacità del modello è sia un limite che, inaspettatamente, uno strumento scientifico. I ricercatori non comprendono appieno il motivo per cui funzioni così bene. Ma il fatto che funzioni, utilizzando input che la comunità scientifica considerava insufficienti, è di per sé istruttivo. Suggerisce che i dati a risoluzione inferiore contengano più segnali predittivi sull’intensità delle tempeste di quanto ritenuto in precedenza. Questa è un’ipotesi che vale la pena indagare, ed è una di quelle che non sarebbero emerse senza le prestazioni anomale del modello di IA.
Google DeepMind ha annunciato che renderà open source i modelli WeatherNext utilizzati durante la stagione degli uragani. L’intento è consentire alla comunità di ricerca più ampia di esaminarli, utilizzarli e svilupparli ulteriormente. Alet ha espresso la speranza che questa apertura possa generare nuove intuizioni scientifiche sul comportamento dei cicloni, e non solo previsioni migliori.
Le riflessioni di Brennan meritano di essere tenute a mente. Il modello è un nuovo e potente strumento, ma è uno strumento tra i tanti. Nessun singolo modello garantisce prestazioni superiori per ogni tempesta o ogni stagione. L’esperienza umana rimane essenziale, non perché l’IA non possa elaborare i dati, ma perché tradurre una previsione di traiettoria e intensità in valutazioni d’impatto attuabili richiede un giudizio che va oltre il semplice riconoscimento di pattern. “Sono gli impatti che uccidono le persone”, osserva Brennan. Quel lavoro di traduzione spetta agli esperti.
In breve
WeatherNext dimostra che l’IA può colmare una lacuna di lunga data nelle previsioni sugli uragani, in particolare la difficoltà di prevedere rapidi cambiamenti di intensità, operando al contempo su input di dati che la scienza convenzionale considerava inadeguati. Il miglioramento di un giorno nei tempi di preavviso è significativo in termini umani: amplia la finestra per l’evacuazione, la logistica e la preparazione. La precisione inspiegabile del modello punta anche a qualcosa di più ampio. Quando un sistema di IA supera le aspettative utilizzando metodi che gli scienziati non comprendono ancora, la scatola nera diventa un oggetto di ricerca. L’obiettivo non è solo avere previsioni migliori. È ottenere nuove conoscenze su come funzionano le tempeste.
Basato su un articolo di Ars Technica.