L'IA di Google DeepMind ha dato alla Giamaica un giorno in più per prepararsi a un uragano di categoria 5

Punti chiave

• Il modello WeatherNext di Google DeepMind ha previsto che l'uragano Melissa avrebbe colpito la Giamaica come tempesta di categoria 5 cinque giorni prima dello sbarco, con l'80 percento di sicurezza.
• In media, WeatherNext fornisce ai previsori un intero giorno in più di avvertimento accurato rispetto ai modelli esistenti, secondo un articolo pubblicato su Nature giovedì.
• Il modello ha generato 1.000 possibili scenari di tempeste contemporaneamente, un volume che l'informatica tradizionale non può raggiungere.
• DeepMind sta rilasciando i modelli WeatherNext come software open-source in modo che i ricercatori indipendenti possano studiarli e migliorarli.
• Nemmeno gli sviluppatori del modello riescono a spiegare completamente come raggiunge la sua precisione utilizzando dati di input di qualità inferiore rispetto a quelli richiesti dalle previsioni tradizionali.

A ottobre 2025, una tempesta si è formata silenziosamente nei Caraibi. I modelli meteorologici tradizionali non erano d'accordo: sarebbe rimasta debole e si sarebbe diretta verso Haiti, oppure si sarebbe rafforzata e avrebbe virato verso la Giamaica? WeatherNext, un sistema di previsione basato sull'IA costruito dalle divisioni Google DeepMind e Google Research, si è schierato fermamente con la seconda opzione. Cinque giorni prima che la tempesta toccasse terra, ha segnalato un'80 percento di probabilità di un uragano di categoria 5, la classe più distruttiva, che colpisse la Giamaica.

Aveva ragione. L'uragano Melissa ha portato inondazioni e frane in tutta l'isola. Ma l'avvertimento precoce ha significato che le comunità avevano più tempo per prepararsi.

Cosa rende questo diverso dalle previsioni meteorologiche ordinarie?

WeatherNext offre ai previsori circa un giorno in più di avvertimento affidabile. Questo significa che la sua previsione a tre giorni è circa altrettanto accurata di quella dei modelli più vecchi a due giorni. Storicamente, dicono i ricercatori, guadagnare quel singolo giorno avrebbe richiesto un decennio di lavoro scientifico incrementale.

Mike Brennan, direttore del National Hurricane Center degli Stati Uniti, l'ha messo semplicemente: "Il tempo è davvero prezioso quando si tratta di questi tipi di decisioni."

Organizzare evacuazioni e spostare forniture sono lavori sensibili al tempo. Sbagliarli costa vite. Un giorno in più è enormemente importante.

Perché gli uragani sono così difficili da prevedere in primo luogo?

Due cose devono essere previste contemporaneamente e richiedono tipi molto diversi di dati. Tracciare la direzione in cui si muove una tempesta richiede dati meteorologici globali di ampio respiro: posizioni di fronti freddi, schemi di vento su interi bacini oceanici. Prevedere la forza che la tempesta acquisirà richiede dati locali dettagliati sulla temperatura oceanica e sull'atmosfera direttamente sopra la tempesta. I modelli di IA precedenti gestivano il tracciamento ragionevolmente bene. L'intensità, dice Kate Musgrave, responsabile del gruppo sui cicloni tropicali presso il Cooperative Institute for Research in the Atmosphere e coautrice dell'articolo, "non potevano fare bene affatto."

Il team di DeepMind ha risolto parte di questo addestrando WeatherNext su enormi volumi di dati meteorologici generali insieme all'insieme molto più piccolo di record storici sui cicloni. Il modello ha imparato prima gli schemi atmosferici ampi, poi ha applicato quella conoscenza alle tempeste.

La piega più strana: il sistema utilizza dati di input a risoluzione inferiore di quanto i modelli tradizionali considerano necessario per le previsioni di intensità, eppure superano comunque le loro prestazioni. Quando il team ha detto agli altri scienziati questo, "sono rimasti scioccati," dice Ferran Alet, ricercatore presso Google DeepMind e autore principale dell'articolo. Qualcosa nei dati più grossolani contiene un segnale più utile di quanto chiunque avrebbe sospettato in precedenza. Nessuno sa ancora cosa.

"È una scatola nera alla fine della giornata," riconosce Alet.

Cosa succede dopo?

DeepMind sta rendendo open-source i modelli WeatherNext in modo che i ricercatori indipendenti possano esaminarli e, potenzialmente, scoprire cosa l'IA ha notato che i fisici umani hanno perso.

Il modello ora genera 1.000 possibili scenari di tempeste per ogni uragano in sviluppo, rispetto ai 50 dell'anno scorso. I modelli numerici tradizionali, che eseguono equazioni di fisica passo dopo passo, non possono avvicinarsi nemmeno lontanamente a quel numero con la potenza di calcolo disponibile.

Brennan è chiaro sugli altri limiti. Nessun modello singolo è garantito per avere le migliori prestazioni in ogni stagione futura. Gli esperti umani continuano a tradurre le previsioni grezze in valutazioni di impatto, la parte che in ultima analisi determina come le comunità rispondono. "Sono gli impatti che uccidono le persone," dice.

WeatherNext è uno strumento più affilato in un ampio kit di strumenti. Non è un sostituto per le persone che lo usano.