Em outubro de 2025, um sistema de tempestade se formando sobre o Caribe poderia ter seguido dois caminhos muito diferentes. Os modelos meteorológicos tradicionais discordavam. O modelo de IA WeatherNext, do Google DeepMind, não hesitou: cinco dias antes de atingir a costa, ele previu com 80% de confiança que a tempestade atingiria a Jamaica como um furacão de Categoria 5. Ele estava certo. O Furacão Melissa causou inundações generalizadas e deslizamentos de terra em toda a ilha, mas as comunidades receberam avisos mais cedo do que teria sido possível de outra forma. Essa vantagem veio de um sistema que, de acordo com pesquisas publicadas na Nature, pode dar aos meteorologistas uma média de um dia inteiro a mais de antecedência em relação aos modelos existentes.
Um dia extra parece modesto. Na previsão de furacões, não é.
A Lacuna Entre Trajetória e Intensidade
Durante anos, os modelos meteorológicos de IA mostraram um verdadeiro potencial na previsão da trajetória de uma tempestade, ou seja, a direção que ela provavelmente seguirá. Essa parte do problema é relativamente tratável: baseia-se em dados atmosféricos em grande escala, o tipo que os modelos globais lidam bem. Frentes frias, ventos dominantes e sistemas de pressão amplos deixam sinais claros nos dados.
A intensidade é um problema completamente diferente. Prever quão forte uma tempestade se tornará exige a compreensão das condições em uma escala espacial muito menor: temperaturas locais do oceano, dinâmica atmosférica próxima ao núcleo da tempestade e interações sutis que os modelos globais tendem a suavizar. Como Kate Musgrave, líder do grupo de ciclones tropicais no Cooperative Institute for Research in the Atmosphere e coautora do artigo da Nature, coloca, a intensidade é algo que os modelos de IA anteriores “não conseguiam fazer bem de jeito nenhum”.
É isso que torna o desempenho do WeatherNext notável. O modelo lida tanto com a trajetória quanto com a intensidade, e faz isso usando dados atmosféricos de resolução mais baixa do que os modelos numéricos tradicionais normalmente exigem para a previsão de intensidade. Quando a equipe de pesquisa divulgou isso para a comunidade meteorológica mais ampla, a reação foi de surpresa. A suposição era de que entradas de resolução grossa simplesmente não conseguiam carregar sinal suficiente para prever a intensidade da tempestade de forma confiável. O WeatherNext sugere que essa suposição estava errada, embora os próprios pesquisadores ainda não consigam explicar o porquê. Ferran Alet, cientista pesquisador do Google DeepMind e um dos principais autores do artigo, descreve o modelo francamente: “No fim das contas, é uma caixa preta.” Algo nos dados de resolução mais baixa é informativo de maneiras que não eram compreendidas anteriormente. O que exatamente é esse algo continua sendo uma questão em aberto.
Mil Cenários em Vez de Um
Parte do que torna o modelo operacionalmente útil não é apenas sua precisão em uma única previsão, mas a gama de possibilidades que ele gera. Em vez de produzir uma única previsão, o WeatherNext gera múltiplos cenários potenciais para uma tempestade em desenvolvimento, capturando o que Alet descreve como o “efeito borboleta”: pequenos desvios iniciais que podem se combinar em resultados dramaticamente diferentes. No ano passado, o modelo gerou 50 cenários por tempestade. Agora ele gera 1.000. Esse volume de previsão de conjuntos (ensemble forecasting) está computacionalmente fora do alcance dos modelos numéricos tradicionais.
O Furacão Melissa também marcou um marco específico: foi a primeira vez que o National Hurricane Center conseguiu prever um furacão de Categoria 5 enquanto a tempestade ainda estava na intensidade de Categoria 1. Esse tipo de previsão de intensidade em estágio inicial é justamente o que o modelo foi projetado para aprimorar.
O desempenho se manteve sob condições do mundo real, o que não era garantido. Antes de o WeatherNext ser usado em previsões ao vivo, os pesquisadores o testaram em dados históricos. Os resultados foram fortes o suficiente para que a equipe ficasse cética de que eles se replicariam em tempo real. Eles se replicaram. “Acho que todo mundo ficou surpreso com o quão bem ele se saiu”, disse Musgrave.
Por Que Um Dia Muda Tudo no Solo
A importância de um dia extra de antecedência não é abstrata. Mike Brennan, diretor do US National Hurricane Center, descreve as apostas práticas claramente: organizar evacuações, posicionar suprimentos e movimentar recursos de emergência são operações sensíveis ao tempo em que uma decisão errada traz consequências graves. Historicamente, avançar a precisão da previsão em um único dia exigiria cerca de uma década de trabalho incremental na modelagem tradicional. O WeatherNext comprimiu essa linha do tempo.
É aqui que o significado mais amplo da tecnologia se torna visível. A IA não está substituindo os meteorologistas que interpretam esses modelos ou os gerentes de emergência que agem com base neles. Brennan é explícito sobre este ponto: a previsão de um furacão não é apenas um número de trajetória ou intensidade. Traduzir esses dados em uma compreensão dos impactos no mundo real, o tipo de julgamento que determina como as comunidades se preparam e respondem, ainda exige expertise humana. O modelo é uma ferramenta em um sistema maior, e uma ferramenta poderosa, mas a camada humana continua sendo essencial.
O Google DeepMind anunciou que disponibilizará em código aberto (open-source) os modelos do WeatherNext usados durante a temporada de furacões, disponibilizando-os para a comunidade de pesquisa mais ampla. Alet enquadra isso como uma oportunidade não apenas para melhores previsões, mas para a descoberta científica. Um modelo que encontra sinal em dados onde os físicos não esperavam encontrar pode, uma vez examinado mais de perto, revelar algo genuinamente novo sobre como os ciclones funcionam.
Resumindo
O WeatherNext dá aos meteorologistas de furacões uma média de um dia extra de antecedência precisa, um ganho que historicamente levaria uma década para ser alcançado por métodos convencionais. Ele faz isso lidando tanto com a trajetória quanto com a intensidade da tempestade, usando dados de resolução mais baixa do que os especialistas acreditavam ser possível. O modelo gera 1.000 cenários por tempestade, capturando a incerteza de maneiras que a computação tradicional não consegue igualar. O que ele ainda não consegue fazer é explicar a si mesmo: o mecanismo por trás de sua precisão permanece desconhecido, o que por si só é um sinal científico que vale a pena investigar. Os meteorologistas humanos que interpretam seus resultados continuam indispensáveis.
Com base em reportagem de Wired.