Em 12 de novembro de 1970, o ciclone Bhola bateu na costa do que period então o Paquistão Oriental. A tempestade trouxe velocidades máximas sustentadas de vento de 130 milhas por hora (205 quilômetros por hora) e uma tempestade de 35 pés (10,5 metros), matando cerca de 300.000 a 500.000 pessoas.
Hoje, o ciclone Bhola continua a ser a tempestade tropical mais mortal já registada. Mas se tivesse acontecido uma década depois, poderia não ter sido tão devastador. Previsão do tempo mudado dramaticamente na década de 1970, quando os meteorologistas adotaram modelos computacionais baseados na física que melhoraram a previsão de tempestades. Com a ascensão da IA, as previsões estão a evoluir novamente – mas desta vez, os especialistas temem que os novos modelos possam ser menos fiáveis quando se trata de prever eventos meteorológicos sem precedentes.
Os pesquisadores estão chamando isso de problema do “cisne cinza”. Os extremos climáticos do cisne cinzento são fisicamente plausíveis, mas tão raros que são mal representados nos conjuntos de dados de treinamento. O problema é que as alterações climáticas estão a conduzir a mais extremos climáticos inéditos. Pense: a onda de calor de 2021 no Noroeste do Pacífico. Este evento foi tão grave que teria estive praticamente impossível sem as alterações climáticas.
Modelos de previsão física pode simular eventos de cisne cinzento, como a onda de calor do noroeste do Pacífico, embora sejam considerados extremamente raros. Eles podem fazer isso porque são construídos com base nas leis da física. Os modelos de IA são treinados com base em dados meteorológicos anteriores, onde os cisnes cinzentos são praticamente inexistentes.
“Eles falham nos cisnes cinzentos”, disse Pedram Hassanzadeh, professor associado de ciências geofísicas da Universidade de Chicago, ao Gizmodo. Ele e seus colegas publicado um estudo em abril passado que removeu todos os furacões de categoria 3 a 5 do conjunto de dados de treinamento de um modelo de IA e depois o testou em tempestades de categoria 5. Os resultados mostraram que os modelos de IA não conseguem prever com precisão eventos anteriormente não vistos, pois isso exigiria extrapolação.
“A preocupação não são os erros ocasionais. É que os modelos de IA podem errar silenciosamente, produzindo previsões confiáveis de condições climáticas normais enquanto um evento recorde está acontecendo”, disse Rose Yu, professora associada de ciência da computação e engenharia da Universidade da Califórnia em San Diego, ao Gizmodo por e-mail.
“Outros riscos também são importantes”, disse ela. “Os modelos de IA podem violar as leis de conservação de maneiras sutis que não aparecem nas métricas padrão. Quando eles quebram uma previsão, é mais difícil diagnosticar o motivo. Eles dependem de sistemas de observação estáveis, o que é uma preocupação actual, dada a pressão atual sobre os programas de satélite. E institucionalmente, se consolidarmos em torno da IA muito rapidamente e deixarmos a infraestrutura baseada na física atrofiar, perderemos a redundância que atualmente detecta as falhas da IA.”
O caso da previsão de IA
Apesar dessas armadilhas, os meteorologistas estão adotando rapidamente modelos de previsão de IA e é realmente fácil entender por quê. Eles são mais rápidos, mais baratos e exigem muito menos infraestrutura computacional que os modelos físicos. Quando se trata de prever padrões e eventos climáticos típicos (não cisnes cinzentos), sua precisão é comparável e está melhorando rapidamente.
“A taxa típica de progresso para a maioria dos modelos físicos de última geração tem sido algo como um dia mais preciso por década, o que não parece muito, mas tem consequências”, disse Andrew Charlton-Perez, professor de meteorologia e chefe da Escola de Ciências Matemáticas, Físicas e Computacionais da Universidade de Studying, ao Gizmodo.
“A taxa de crescimento da precisão dos modelos de aprendizado de máquina excedeu amplamente isso”, disse ele. “Eles agora são competitivos e, há dois ou três anos, nem estavam no mesmo patamar.”
Durante a temporada de furacões no Atlântico de 2025, por exemplo, o modelo do Google DeepMind superou quase todos os modelos físicos em termos de trajetória e intensidade de tempestades. Na verdade, desde 2023, os principais modelos de IA, como GraphCast, Pangu-Climate e AIFS do ECMWF, igualaram ou superaram os melhores modelos físicos em métricas de previsão de médio alcance, de acordo com Yu.
Os modelos de IA estão a revelar-se especialmente valiosos em partes do mundo que carecem de recursos tradicionais de previsão – regiões que estão frequentemente na linha da frente das alterações climáticas. Hassanzadeh codirigido uma iniciativa que forneceu a 38 milhões de agricultores em toda a Índia previsões de monções baseadas em IA, dando-lhes um aviso prévio de até quatro semanas sobre o início da estação chuvosa.
“Muitos países ficaram para trás naquela primeira revolução da previsão do tempo, porque [traditional] a previsão do tempo requer um supercomputador, centenas de milhões de dólares, vários campos, força de trabalho e especialistas”, explicou Hassanzadeh. Os modelos de IA, em comparação, são muito mais acessíveis aos países de rendimentos mais baixos.
Preenchendo as lacunas de conhecimento
Ainda assim, a adopção rápida destes modelos sem abordar os riscos seria perigosa, especialmente em partes do mundo altamente vulneráveis aos impactos das alterações climáticas. Shruti Nath, pesquisadora associada de pós-doutorado na Universidade de Oxford, recentemente em coautoria um editorial pedindo testes mais rigorosos dos modelos de previsão de IA antes que as agências públicas os adotem amplamente.
“Ainda há muito trabalho a ser feito para entender os limites desses modelos, além de onde eles poderiam complementar os modelos físicos e por quê”, disse ela ao Gizmodo por e-mail.
O editorial de Nath descreve uma estrutura para testar modelos de previsão de IA que ocultariam deliberadamente um conjunto designado de eventos extremos “icônicos” (como a onda de calor do noroeste do Pacífico, por exemplo) do conjunto de dados de treinamento. Estes eventos seriam reservados apenas para testes, a fim de avaliar a capacidade dos modelos de extrapolar extremos climáticos sem precedentes, ou cisnes cinzentos.
Na verdade, a implementação deste protocolo de Retreinamento de IA sem Eventos Icônicos (AIRWIE) “exigiria que a comunidade meteorológica concordasse sobre quais eventos de alto impacto constituem uma referência rigorosa”, afirma o editorial. Seria um grande empreendimento, mas Nath acredita que a maioria dos investigadores concorda que existe uma necessidade urgente deste tipo de testes.
“No entanto, precisamos de ser um pouco mais organizados para garantir que os protocolos adequados possam ser seguidos e que salvaguardas robustas sejam implementadas e mantidas pela comunidade”, disse Nath. “Isso é difícil quando as coisas estão em uma fase tão agitada e ninguém quer perder o movimento.”
Outros pesquisadores, como Hassanzadeh, estão desenvolvendo maneiras de ensinar modelos de previsão de IA para prever cisnes cinzentos. Ele e os seus colegas estão a investigar se a combinação de sistemas de IA com métodos de “amostragem relevante” – que lhes permitem gerar amostras de eventos de cisnes cinzentos – pode melhorar a capacidade dos modelos de extrapolar extremos sem precedentes.
Os esforços para compreender e abordar as limitações da previsão da IA serão críticos, porque não há como voltar atrás agora. A IA já está a remodelar a forma como prevemos o tempo e, à medida que o clima se torna cada vez mais volátil, os meteorologistas precisarão que todas as ferramentas do seu arsenal sejam precisas e fiáveis. Apesar das suas limitações actuais, há muito a ganhar se continuarmos a impulsionar estes sistemas e descobrirmos a melhor forma de os integrar com a previsão física.
“A agenda de pesquisa consiste em tornar os modelos de IA fisicamente consistentes, bem calibrados e robustos para mudanças na distribuição”, disse Yu. “Abandonar esta abordagem por causa do problema do cisne cinzento significa desistir da maior melhoria nas previsões numa geração.”
