O mais recente impulso do Google em modelos meteorológicos baseia-se em uma premissa simples: as previsões melhoram quando o modelo vê a atmosfera mais perto do tempo real. O WeatherNext 3, que agora alimenta previsões na Busca, no Maps e no Gemini, desloca o sistema de IA do Google de atualizações a cada seis horas para previsões horárias ao incorporar observações de satélite.¹

A empresa afirma que essa mudança oferece uma visão global cinco vezes mais nítida do que o WeatherNext 2, com algumas variáveis mapeadas em resolução de até 5 quilômetros, em vez de uma grade de 25 quilômetros. O engenheiro de pesquisa do Google Samier Merchant disse que a chave foi o acesso a “conjuntos de dados observacionais mais recentes e mais ricos”.¹ O Google afirma que as previsões de precipitação podem ser até 50% mais precisas com pelo menos um dia de antecedência, especialmente para sistemas de chuva e neve em rápida evolução e em regiões com menos pluviômetros.¹

O chefe do DeepMind, Demis Hassabis, ampliou a divulgação, descrevendo o WeatherNext 3 como um “grande avanço” que aprende com “observações do mundo real, em tempo real” para produzir previsões mais localizadas com mais rapidez.Demis Hassabis (demishassabis)² O Google também promove o modelo como uma ferramenta para o setor de energia, incluindo previsões da velocidade do vento na altura das turbinas, enquanto a empresa destaca o valor da geração renovável em meio à crescente demanda dos centros de dados.¹

Mas uma leitura mais atenta dos resultados técnicos modera a comemoração. Uma avaliação independente encontrou uma melhoria de cerca de 5% na precisão da alta atmosfera em relação ao WeatherNext 2 — equivalente, segundo o Google, a aproximadamente seis horas adicionais de antecedência confiável — e um ganho de até 30% na precisão da temperatura de superfície específica para cada local.³

A mesma avaliação identificou uma exceção incômoda nas previsões iniciais: para diversas variáveis, o WeatherNext 3 teve desempenho inicialmente pior do que os modelos de comparação antes de passar à frente mais tarde em sua projeção de 15 dias. Também apontou padrões de precipitação com aparência hexagonal e conjuntos globais de previsões de temperatura que podem desviar demais para o quente ou para o frio — anomalias sem explicação no artigo.³

Essa é a tensão central. A IA pode operar de forma muito mais barata e frequente do que os modelos numéricos tradicionais, mas continua sendo, em grande parte, uma caixa-preta de aprendizado de padrões. O próprio Google ainda treina o WeatherNext 3 com dados de modelos baseados em física, enquanto os meteorologistas normalmente comparam vários modelos antes de emitir alertas.¹