Nell’ottobre del 2025, un sistema tempestoso in formazione sui Caraibi avrebbe potuto seguire due rotte molto diverse. I modelli meteorologici tradizionali erano in disaccordo. Il modello IA di Google DeepMind, WeatherNext, non ha esitato: cinque giorni prima dell’impatto a terra, ha previsto con l’80% di probabilità che la tempesta avrebbe colpito la Giamaica come uragano di Categoria 5. Aveva ragione. L’uragano Melissa ha causato diffuse inondazioni e frane in tutta l’isola, ma le comunità hanno ricevuto avvisi con un anticipo maggiore di quanto sarebbe stato altrimenti possibile. Questo vantaggio deriva da un sistema che, secondo una ricerca pubblicata su Nature, può offrire ai meteorologi in media un giorno intero di preavviso in più rispetto ai modelli esistenti.
Un giorno extra sembra poco. Nelle previsioni degli uragani, non lo è.
Il Divario tra Traiettoria e Intensità
Per anni, i modelli meteorologici basati sull’IA hanno mostrato una reale promessa nel prevedere la traiettoria di una tempesta, ovvero la direzione probabile del suo percorso. Quella parte del problema è relativamente gestibile: sfrutta dati atmosferici su larga scala, il tipo di dati che i modelli globali gestiscono bene. Fronti freddi, venti dominanti e ampi sistemi di pressione lasciano tutti segnali chiari nei dati.
L’intensità è un problema completamente diverso. Prevedere quanto diventerà forte una tempesta richiede la comprensione delle condizioni su una scala spaziale molto più piccola: temperature oceaniche locali, dinamiche atmosferiche vicine al nucleo della tempesta e sottili interazioni che i modelli globali tendono a smussare. Come spiega Kate Musgrave, responsabile del gruppo sui cicloni tropicali presso il Cooperative Institute for Research in the Atmosphere e coautrice dell’articolo su Nature, l’intensità è qualcosa che i precedenti modelli IA “non riuscivano affatto a fare bene”.
È questo che rende notevoli le prestazioni di WeatherNext. Il modello gestisce sia la traiettoria che l’intensità, e lo fa utilizzando dati atmosferici a risoluzione inferiore rispetto a quelli che i modelli numerici tradizionali richiedono tipicamente per la previsione dell’intensità. Quando il team di ricerca ha rivelato questo alla comunità meteorologica più ampia, la reazione è stata di sorpresa. L’assunto era che gli input a risoluzione grossolana semplicemente non potessero trasportare abbastanza segnale per prevedere in modo affidabile l’intensità della tempesta. WeatherNext suggerisce che tale assunto fosse errato, sebbene i ricercatori stessi non sappiano ancora spiegare il perché. Ferran Alet, ricercatore scientifico presso Google DeepMind e uno dei principali autori dell’articolo, descrive il modello in modo chiaro: “In fin dei conti è una scatola nera”. Qualcosa nei dati a risoluzione inferiore risulta informativo in modi precedentemente non compresi. Cosa sia esattamente questo “qualcosa” rimane una questione aperta.
Mille Scenari Anziché Uno
Parte di ciò che rende il modello operativamente utile non è solo la sua accuratezza su una singola previsione, ma la gamma di possibilità che genera. Piuttosto che produrre una sola previsione, WeatherNext restituisce molteplici scenari potenziali per una tempesta in sviluppo, cogliendo ciò che Alet descrive come l‘“effetto farfalla”: piccole deviazioni iniziali che possono sommarsi portando a risultati drammaticamente diversi. L’anno scorso, il modello generava 50 scenari per tempesta. Ora ne genera 1.000. Quel volume di previsioni d’insieme è computazionalmente irraggiungibile per i modelli numerici tradizionali.
L’uragano Melissa ha anche segnato un traguardo specifico: è stata la prima volta che il National Hurricane Center è riuscito a prevedere un uragano di Categoria 5 mentre la tempesta era ancora all’intensità di Categoria 1. Quel tipo di previsione dell’intensità nelle fasi iniziali è proprio ciò che il modello è stato progettato per migliorare.
Le prestazioni hanno retto in condizioni reali, il che non era garantito. Prima che WeatherNext venisse utilizzato nelle previsioni in tempo reale, i ricercatori lo avevano testato su dati storici. I risultati erano stati così forti che il team era scettico sul fatto che si sarebbero replicati in tempo reale. Lo hanno fatto. “Penso che tutti siano rimasti sorpresi da quanto bene abbia funzionato”, ha detto Musgrave.
Perché un Giorno Cambia Tutto sul Campo
La portata di un giorno extra di preavviso non è astratta. Mike Brennan, direttore del National Hurricane Center degli Stati Uniti, descrive chiaramente la posta in gioco pratica: organizzare evacuazioni, posizionare rifornimenti e spostare risorse di emergenza sono tutte operazioni sensibili al tempo in cui una mossa errata comporta conseguenze gravi. Storicamente, far progredire l’accuratezza delle previsioni di un solo giorno avrebbe richiesto circa un decennio di lavoro incrementale nella modellazione tradizionale. WeatherNext ha compresso quella tempesta temporale.
È qui che il significato più ampio della tecnologia diventa visibile. L’IA non sta sostituendo i meteorologi che interpretano questi modelli o i gestori delle emergenze che agiscono di conseguenza. Brennan è esplicito su questo punto: una previsione di uragano non è solo una traiettoria o un numero di intensità. Tradurre quei dati nella comprensione degli impatti nel mondo reale, quel tipo di giudizio che determina come le comunità si preparano e rispondono, richiede ancora competenza umana. Il modello è uno strrumento all’interno di un sistema più ampio, e uno potente, ma lo strato umano rimane essenziale.
Google DeepMind ha annunciato che renderà open-source i modelli WeatherNext utilizzati durante la stagione degli uragani, mettendoli a disposizione della comunità di ricerca più ampia. Alet inquadra questo non solo come un’opportunità per previsioni migliori, ma per la scoperta scientifica. Un modello che trova un segnale in dati dove i fisici non si aspettavano di trovarlo potrebbe, una volta esaminato più da vicino, rivelare qualcosa di veramente nuovo su come funzionano i cicloni.
In Breve
WeatherNext offre ai meteorologi degli uragani in media un giorno extra di preavviso accurato, un guadagno che storicamente avrebbe richiesto un decennio per essere raggiunto con metodi convenzionali. Lo fa gestendo sia la traiettoria che l’intensità della tempesta, utilizzando dati a risoluzione inferiore rispetto a quanto gli esperti ritenessero possibile. Il modello genera 1.000 scenari per tempesta, catturando l’incertezza in modi che il calcolo tradizionale non può eguagliare. Ciò che non può ancora fare è spiegare se stesso: il meccanismo alla base della sua accuratezza rimane sconosciuto, il che è di per sé un segnale scientifico degno di essere indagato. I meteorologi umani che ne interpretano gli output rimangono indispensabili.
Basato su un articolo di Wired.