L’ultima iniziativa di Google sui modelli meteorologici si basa su una premessa semplice: le previsioni migliorano quando il modello osserva l’atmosfera più vicino al tempo reale. WeatherNext 3, che ora alimenta le previsioni in Search, Maps e Gemini, porta il sistema di IA di Google da aggiornamenti ogni sei ore a previsioni orarie, acquisendo osservazioni satellitari.¹

L’azienda afferma che questo cambiamento offre un quadro globale cinque volte più nitido rispetto a WeatherNext 2, con alcune variabili mappate a una risoluzione fino a 5 chilometri anziché su una griglia di 25 chilometri. Samier Merchant, ingegnere di ricerca di Google, ha detto che la chiave era l’accesso a «set di dati osservativi più freschi e ricchi».¹ Google afferma che le previsioni delle precipitazioni possono essere fino al 50% più accurate con almeno un giorno di anticipo, in particolare per sistemi di pioggia e neve in rapida evoluzione e nelle regioni con meno pluviometri al suolo.¹

Il responsabile di DeepMind Demis Hassabis ha rilanciato il lancio, descrivendo WeatherNext 3 come una «svolta importante» che apprende da «osservazioni del mondo reale, in tempo reale» per produrre più rapidamente previsioni più localizzate.Demis Hassabis (demishassabis)² Google presenta inoltre il modello come uno strumento per l’energia, includendo previsioni della velocità del vento all’altezza delle turbine, mentre l’azienda sottolinea il valore della produzione rinnovabile in un contesto di crescente domanda dei data center.¹

Ma una lettura più attenta dei risultati tecnici ridimensiona i toni trionfalistici. Una valutazione indipendente ha rilevato un miglioramento di circa il 5% nell’accuratezza dell’alta atmosfera rispetto a WeatherNext 2 — equivalente, secondo Google, a circa sei ore aggiuntive di anticipo affidabile — e un incremento fino al 30% nell’accuratezza della temperatura superficiale specifica per località.³

La stessa valutazione ha individuato una scomoda eccezione nelle previsioni iniziali: per diverse variabili, WeatherNext 3 ha inizialmente ottenuto risultati peggiori dei modelli di confronto, prima di passare in vantaggio più avanti nelle sue previsioni a 15 giorni. Ha inoltre segnalato schemi di precipitazione dall’aspetto esagonale e ensemble di temperatura globale che possono deviare verso valori troppo caldi o troppo freddi — anomalie senza spiegazione nell’articolo.³

Questa è la tensione centrale. L’IA può operare a costi molto inferiori e con frequenza maggiore rispetto ai tradizionali modelli numerici, ma resta in gran parte una scatola nera basata sull’apprendimento di schemi. Google stessa addestra ancora WeatherNext 3 su dati di modelli basati sulla fisica, mentre i meteorologi in genere confrontano diversi modelli prima di emettere allerte.¹