O Google DeepMind e o Google Research lançaram o WeatherNext 3 na quinta-feira, descrevendo-o como o modelo de IA meteorológica global mais avançado e preciso que a empresa já construiu. O novo sistema produz uma nova previsão a cada hora, em vez de a cada seis, e resolve variáveis-chave da superfície, como temperatura e umidade, em uma grade de 5 quilômetros – uma imagem que o Google diz ser cerca de cinco vezes mais nítida que seu antecessor, o WeatherNext 2.
Ao contrário da maioria dos lançamentos de modelos, este já está presente em produtos usados por bilhões. De acordo com o Google, o WeatherNext 3 agora fornece resultados meteorológicos no Search, Gemini, Maps, Google Maps Platform e Google Cloud. Para os seguidores das últimas notícias e pesquisas sobre IA, a previsão do tempo tornou-se silenciosamente uma das fronteiras de maior sucesso comercial do aprendizado de máquina – um domínio onde os sistemas de IA não são mais demonstrações de pesquisa, mas o mecanismo padrão por trás das respostas cotidianas.
Um salto cinco vezes maior na resolução
A utilidade de uma previsão muitas vezes se resume aos detalhes: com que precisão um modelo resolve o espaço e o tempo. WeatherNext 3 gera previsões de hora em hora em múltiplas resoluções espaciais. A temperatura e a humidade da superfície são apresentadas a 5 quilómetros, outras variáveis da superfície a 10 quilómetros e variáveis atmosféricas, como a velocidade do vento, a 25 quilómetros.
O WeatherNext 2, em comparação, produziu previsões em uma grade de 25 quilômetros em incrementos de 6 horas. Numa comparação publicada juntamente com o anúncio, a previsão de temperatura de 2 metros do novo modelo sobre o Reino Unido resolveu a intrincada topografia local, evitando as representações térmicas pixelizadas e excessivamente suavizadas que a grelha mais antiga produzia.
Aprendendo com satélites ao vivo, não apenas com simulações
A mudança mais profunda é o que o modelo aprende. A maioria dos modelos meteorológicos de IA, incluindo o WeatherNext 2, são treinados em resultados de previsão numérica do tempo (NWP) – as simulações físicas conduzidas por supercomputadores que ancoraram a meteorologia operacional por décadas. Essas simulações apresentam um atraso de dados de seis horas, o que introduz distorções em variáveis que mudam rapidamente, como chuva e temperatura da superfície.
WeatherNext 3 segue um caminho diferente. Ele ingere um mosaico ao vivo de imagens de satélite geoestacionários globais atualizadas a cada hora, juntamente com a análise histórica tradicional, e alimenta ambos em uma única Rede Gerativa Funcional (FGN) - uma arquitetura de transformador de malha que produz campos de grade densos, trilhas discretas de ciclones e previsões em nível de estação nativamente. Como cada previsão horária se baseia nas mais recentes observações de satélite, o Google afirma que o modelo pode acompanhar as mudanças climáticas rápidas com muito maior precisão, com alguns dos maiores ganhos em precipitação – as previsões de chuva e neve que as pessoas realmente planejam seus dias.
Das células da grade às trilhas do ciclone
Os resultados do FGN são notavelmente diversos para um único modelo. Além dos campos gradeados, ele emite trilhas discretas de ciclones e coordenadas esparsas no nível da estação como previsões de primeira classe, em vez de complementos pós-processados. Isso é importante para os meteorologistas que monitoram furacões e tufões, onde os erros de rastreamento se traduzem diretamente em decisões de evacuação. A geração anterior do WeatherNext do Google chamou a atenção em agosto por um avanço na previsão de ciclones tropicais, e a nova arquitetura amplia essa linha de trabalho.
Onde as previsões aparecerão
O Google está lançando o WeatherNext 3 no Search, Gemini, Maps, Google Maps Platform e Cloud. A empresa também destacou duas adições destinadas a usuários profissionais: previsões de precipitação mais precisas e novas variáveis de energia limpa, resultados projetados para o setor de energia renovável, onde os operadores eólicos e solares planejam mudanças atmosféricas de hora em hora.
As empresas podem integrar as previsões através do Google Cloud, que posiciona o WeatherNext 3 não apenas como um recurso para o consumidor, mas como um produto de dados – um produto que empresas agrícolas, empresas de logística e operadores de rede podem desenvolver diretamente.
Como a afirmação de precisão foi medida
A afirmação do Google de que o WeatherNext 3 é o modelo meteorológico global mais preciso até o momento não se baseia apenas em testes internos, mas em avaliações independentes ao vivo conduzidas pela Brightband, uma empresa de IA meteorológica que executa benchmarks contínuos de sistemas de previsão. Convidar a avaliação de terceiros está se tornando um padrão para os modelos científicos do Google e aborda uma crítica de longa data de que os documentos meteorológicos de IA relatam resultados em conjuntos históricos selecionados, em vez de condições reais.
Por que isso é importante além do aplicativo abrangente
O anúncio do Google enquadra o clima como um contributo para decisões em todas as escalas – desde pegar um guarda-chuva até gerir ondas de calor e secas que se propagam pela agricultura, cadeias de abastecimento globais, produção de energia limpa e economias nacionais. Nos últimos anos, os analistas de IA conquistaram seu lugar nesse pipeline, gerando previsões mais rapidamente do que os métodos tradicionais e, ao mesmo tempo, igualando ou superando sua precisão, de acordo com o Google.
O cenário competitivo também está esquentando. Agências meteorológicas e empresas de tecnologia lançaram sistemas de previsão de IA nos últimos anos, e as previsões horárias por satélite elevam o nível para todos eles. A questão para o próximo ano é se os serviços meteorológicos nacionais começarão a tratar modelos como o WeatherNext 3 como fontes primárias em vez de suplementos experimentais - e se a cadência horária do Google se tornará a nova base da indústria.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
