DeepMind: L’IA prevede uragani prima di tutti gli altri

Ottobre 2025, Mar dei Caraibi, un uragano in formazione. Mentre i modelli meteorologici tradizionali divergevano sulla sua traiettoria, il modello di intelligenza artificiale WeatherNext, sviluppato da Google DeepMind e Google Research, aveva una certezza: l’uragano avrebbe colpito la Giamaica. Cinque giorni prima dell’evento, prevedeva con l’80% di confidenza che il sistema si sarebbe abbattuto sull’isola come uragano di Categoria 5. L’uragano Melissa fu catastrofico, con inondazioni e frane diffuse, ma il modello AI consentì ai meteorologi di emettere un allarme precoce, permettendo alle comunità di prepararsi meglio.

Un nuovo studio pubblicato giovedì sulla rivista Nature rivela che il modello AI WeatherNext è in grado di prevedere i cicloni con un’accuratezza senza precedenti. In media, offre ai meteorologi un giorno in più di preavviso rispetto ai modelli esistenti, il che significa che le sue previsioni a tre giorni di distanza sono accurate quanto quelle che i modelli precedenti fornivano a due giorni. Sul campo, quel giorno in più può fare la differenza.

“Anche poche ore possono fare la differenza”, afferma Mike Brennan, direttore dell’US National Hurricane Center. L’organizzazione delle evacuazioni, la predisposizione delle scorte e lo spostamento delle risorse per rispondere a un rischio di uragano sono tutte attività urgenti, e prendere la decisione sbagliata può avere conseguenze enormi. “Il tempo è davvero prezioso quando si tratta di questo tipo di decisioni, quindi la capacità di anticipare l’accuratezza delle previsioni di un giorno rispetto a quanto eravamo in grado di fare in precedenza è estremamente utile”, aggiunge. Storicamente, guadagnare un giorno nelle previsioni avrebbe richiesto un decennio di lavoro, sottolineano i ricercatori.

La modellazione di eventi estremi può essere impegnativa per l’intelligenza artificiale. Il machine learning richiede ampi dati di addestramento per fare previsioni future, ma gli eventi estremi sono per loro natura rari. “Non abbiamo molti dati sui cicloni, ma abbiamo molti dati meteorologici”, spiega Ferran Alet, scienziato di Google DeepMind e uno degli autori principali dello studio. “Quindi quello che abbiamo fatto è stato addestrare un modello ad essere bravo sia nel meteo generale che nei cicloni specifici.”

Gli uragani sono particolarmente difficili da prevedere perché operano su più scale spaziali, afferma Kate Musgrave, responsabile del gruppo sui cicloni tropicali presso il Cooperative Institute for Research in the Atmosphere e co-autrice dello studio. Prevedere la traiettoria di una tempesta richiede dati sul clima su scala globale, includendo informazioni come la posizione dei fronti freddi e i venti prevalenti. Prevedere l’intensità di una tempesta, tuttavia, richiede dati su scala molto più piccola, focalizzati specificamente sulle condizioni atmosferiche e oceaniche locali.

“È qualcosa che semplicemente non otteniamo da questi modelli globali”, dice Musgrave. Mentre i primi modelli AI si sono dimostrati efficaci nel prevedere la traiettoria di una tempesta, “non erano affatto in grado di prevedere bene l’intensità”. È fondamentale prevedere entrambi: un cambiamento nell’intensità può significare la differenza tra una tempesta relativamente debole e un uragano di grandi proporzioni. A volte – come nel caso dell’uragano Melissa – un sistema tempestoso può intensificarsi rapidamente, trasformandosi in una situazione di emergenza durante la notte. Melissa ha segnato la prima volta che il National Hurricane Center è riuscito a prevedere un uragano di Categoria 5 quando la tempesta era ancora allo stadio di Categoria 1.

Prima che il modello WeatherNext fosse utilizzato nelle previsioni in tempo reale, i ricercatori lo hanno testato su dati retrospettivi. “I risultati erano così buoni che eravamo scettici sul fatto che avremmo effettivamente visto questo nella dimostrazione in tempo reale”, racconta Musgrave. Ma quando i meteorologi hanno iniziato ad adottare il modello nelle loro operazioni, queste prestazioni si sono confermate. “Penso che tutti siano rimasti sorpresi da quanto bene abbia funzionato”, aggiunge Musgrave.

Persino i ricercatori di DeepMind che lavorano al modello non comprendono appieno come l’AI produca previsioni così accurate, dato che utilizza dati atmosferici a risoluzione molto più bassa di quanto richiesto dai modelli tradizionali per prevedere l’intensità delle tempeste. “Quando abbiamo detto alla comunità che il nostro modello utilizzava solo una risoluzione relativamente grossolana, sono rimasti scioccati, perché ciò significa che gli input a bassa risoluzione catturano più segnali su ciò che accadrà di quanto si credesse in precedenza”, conclude Alet.