O Google DeepMind publicou resultados revisados por pares mostrando que seu modelo meteorológico WeatherNext AI atinge precisão de última geração na previsão de ciclones tropicais, ganhando em média um dia inteiro ou mais de tempo de previsão em relação aos principais sistemas de previsão operacional. A pesquisa foi publicada na revista Nature em 6 de agosto de 2026, e o Google está abrindo o código-fonte dos modelos junto com a publicação.
A descoberta chega num momento de intensificação da cobertura da indústria da IA, onde a inteligência artificial está a ser cada vez mais aplicada a problemas científicos e de segurança pública de alto risco. Os ciclones tropicais causaram mais de 700.000 mortes e 1,4 biliões de dólares em perdas económicas nos últimos 50 anos, de acordo com números citados no anúncio da DeepMind, fazendo com que mesmo ganhos modestos no tempo de espera previsto tenham consequências para a evacuação e resposta a desastres.
Um dia de lead time compactado em um sistema
O resultado principal é o prazo de entrega. Nos ciclones de 2023 a 2025, as previsões de trajetória, intensidade e estrutura do vento do WeatherNext trazem uma média de um dia ou mais de vantagem sobre os principais modelos operacionais. Em termos práticos, a sua previsão de três dias corresponde ao que os sistemas anteriores entregaram em dois dias. Os investigadores descrevem a melhoria como comparável a cerca de uma década de progresso meteorológico operacional comprimido num único sistema de IA.
Na previsão de ciclones, onde as ordens de evacuação, a preparação do abastecimento e as declarações de emergência dependem de horas, essa margem é a métrica que mais importa. O artigo apresenta WeatherNext Cyclones, um modelo de IA que produz previsões conjuntas da trajetória, intensidade e tamanho de um ciclone tropical até 15 dias antes.
Como funciona o modelo
Os dados de treinamento combinaram a análise atmosférica global com o banco de dados IBTrACS de quase 5.000 tempestades históricas. O modelo usa Redes Gerativas Funcionais para produzir distribuições de probabilidade em vez de previsões de ponto único, e é dimensionado para conjuntos de 1.000 membros — vinte vezes as execuções de 50 membros do sistema anterior. Conjuntos maiores capturam melhor eventos raros, mas de grandes consequências, como a rápida intensificação, o fenômeno perigoso em que a velocidade do vento de uma tempestade aumenta repentinamente.
Uma descoberta se destaca pelo que desafia. A alta resolução espacial tem sido considerada o preço de previsões precisas de intensidade. O WeatherNext Cyclones funciona com entradas de 28 por 28 quilômetros, aproximadamente 100 vezes mais grosseiros do que os modelos regionais tradicionais, e uma variante compacta chamada WeatherNext 2-mini opera a 111 por 111 quilômetros e ainda tem um bom desempenho. O artigo afirma que a alta resolução não é um pré-requisito estrito para a previsão de intensidade de última geração, e os pesquisadores sinalizam como uma questão em aberto como o modelo extrai o sinal de intensidade de dados mais grosseiros.
Testado durante a temporada de furacões de 2025
A avaliação não foi puramente retrospectiva. Durante a temporada de furacões no Atlântico de 2025, o modelo funcionou junto com o fluxo de trabalho operacional do Centro Nacional de Furacões e ajudou os meteorologistas a antecipar a rápida intensificação e chegada do furacão Melissa na Jamaica com antecedência suficiente para apoiar um alerta precoce. O relatório de verificação de 2025 do NHC documenta o desempenho previsto para a temporada. Este ano, o sistema está a gerar 1.000 cenários possíveis por ciclone para apoiar a tomada de decisões dos previsores.
O trabalho foi uma colaboração entre cientistas do Google DeepMind e do Google Research e meteorologistas operacionais do National Hurricane Center, do Instituto Cooperativo para Pesquisa na Atmosfera (CIRA) e do Met Office do Reino Unido, vários dos quais são coautores do artigo da Nature.
Três variantes de código aberto lançadas
A versão de código aberto cobre três variantes de modelo:
- WeatherNext Cyclones — a versão que funcionou durante a temporada de furacões de 2025 e cujos resultados aparecem no jornal
- WeatherNext 2 — a atualização posterior que o Google operacionalizou em outubro de 2025
- WeatherNext 2-mini — uma versão compacta que roda em uma única TPU em um notebook gratuito do Google Colab
O código e os pesos dos três estão disponíveis no GitHub. Uma única previsão de 15 dias leva menos de um minuto em uma TPU, o que significa que a restrição à adoção agora é conhecimento e integração, não computação.
As previsões também podem ser exploradas no Weather Lab, que o Google expandiu do rastreamento de ciclones para previsões globais completas que abrangem temperatura, precipitação e velocidade do vento. Tanto os modelos quanto o Weather Lab fazem parte do Google Earth AI, o esforço guarda-chuva da empresa para aplicar o aprendizado de máquina aos desafios climáticos e geoespaciais.
Por que é importante
O resultado reforça uma tendência mais ampla: os modelos meteorológicos baseados em IA estão a passar de demonstrações de investigação para ferramentas operacionais mais rapidamente do que muitos meteorologistas esperavam. Ao abrir o código-fonte dos pesos e publicá-los em um periódico de primeira linha, o Google está posicionando o WeatherNext como um sistema de referência no qual agências meteorológicas nacionais e pesquisadores de todo o mundo podem se basear.
Para as comunidades em regiões propensas a ciclones, um dia extra de alerta pode ser a diferença entre uma evacuação ordenada e uma evacuação caótica. À medida que os modelos meteorológicos de IA continuam a amadurecer, a questão competitiva passa da precisão apenas para quem consegue traduzir as previsões em ações mais rapidamente.
Fique à frente da IA
Para saber mais sobre como a inteligência artificial está transformando a ciência, a infraestrutura e a vida diária, acompanhe nossa cobertura notícias de última hora sobre IA. Rastreamos a pesquisa, as empresas e as políticas que moldam o campo em tempo real.
Leia mais notícias sobre IA →
