Un giorno di vantaggio: come l'AI di DeepMind ha cambiato la previsione degli uragani

Ci sono progressi tecnologici che si misurano in punti percentuali su un benchmark, e altri che si misurano in vite. Quello di cui parliamo oggi appartiene alla seconda categoria: un modello di intelligenza artificiale che regala ai meteorologi un giorno intero di preavviso in più su dove andrà un ciclone e quanto diventerà violento.

Il modello si chiama WeatherNext, è nato dalla collaborazione tra Google DeepMind e Google Research, ed è protagonista di uno studio pubblicato su Nature. Il dato sintetico è questo: le sue previsioni a tre giorni sono accurate quanto quelle a due giorni dei modelli precedenti. Detto così sembra poco. Nel mondo della meteorologia operativa è un salto che, storicamente, avrebbe richiesto un decennio di lavoro incrementale.

Il caso Melissa, ovvero quando il modello ha avuto ragione

Ottobre 2025, Mar dei Caraibi. Un sistema temporalesco si forma e i modelli non vanno d'accordo tra loro: qualcuno lo vede debole, diretto verso Haiti; qualcun altro lo vede rinforzarsi puntando sulla Giamaica. WeatherNext sceglie la seconda ipotesi e lo fa con una sicurezza scomoda: cinque giorni prima dell'impatto, assegna l'80% di probabilità a un arrivo in Giamaica come uragano di categoria 5.

Melissa è stata devastante — alluvioni, frane, danni enormi. Ma quel margine di anticipo ha permesso al National Hurricane Center statunitense di allertare prima le comunità sulla traiettoria. È stata, raccontano i ricercatori, la prima volta che l'NHC è riuscito a prevedere un uragano di categoria 5 mentre la tempesta era ancora ferma alla categoria 1.

Mike Brennan, direttore dell'NHC, mette la questione in termini molto concreti: organizzare evacuazioni, spostare risorse, posizionare le scorte sono tutte operazioni con il cronometro in mano. "Anche poche ore possono fare la differenza", dice a Wired. Un giorno in più è un altro campionato.

Perché prevedere l'intensità era il problema difficile

Qui sta la parte tecnicamente interessante. Un ciclone vive su due scale spaziali completamente diverse. La traiettoria dipende da correnti atmosferiche globali: fronti freddi, venti dominanti, dinamiche che si osservano su migliaia di chilometri. L'intensità, invece, nasce da processi termodinamici concentrati attorno all'occhio della tempesta, roba di piccola scala, condizioni locali di atmosfera e oceano.

Risultato: finora servivano due famiglie di modelli diversi, una grossolana e globale per il percorso, una ad altissima risoluzione e locale per la forza. I precedenti modelli AI se la cavavano bene sulla traiettoria e malissimo sull'intensità, come conferma Kate Musgrave del CIRA, coautrice dello studio.

WeatherNext fa entrambe le cose con un solo modello. Il trucco sta nell'addestramento incrociato: quasi 20 terabyte di dati atmosferici globali più il database storico IBTrACS, con circa 5.000 tempeste documentate. Come spiega Ferran Alet di DeepMind, i dati sui cicloni sono pochi per definizione — sono eventi rari — ma i dati meteo generali abbondano. Insegni al modello il meteo, e i cicloni li impara meglio.

La sorpresa vera, però, è un'altra: WeatherNext lavora con una risoluzione di 28x28 km, cento volte più grossolana di quella dei modelli tradizionali usati per l'intensità. Una versione ridotta, WeatherNext 2-mini, se la cava bene addirittura a 111x111 km. Nessuno sa esattamente perché funzioni. Alet lo ammette senza giri di parole: è una scatola nera, ma è una scatola nera che segnala ai fisici l'esistenza di un segnale nei dati a bassa risoluzione che nessuno aveva ipotizzato.

È un punto che merita attenzione. Di solito l'opacità dei modelli AI viene raccontata come un difetto. Qui diventa un indizio scientifico: se una rete neurale estrae informazione utile da dati che ritenevamo insufficienti, la nostra teoria su quali dati servano era sbagliata. L'AI non sostituisce la fisica, le fa una domanda.

Mille scenari al minuto

WeatherNext non produce una previsione singola ma un ventaglio di scenari possibili, grazie a un'architettura basata su Functional Generative Networks. L'anno scorso ne generava 50 per tempesta, allineandosi ai modelli fisici globali. Oggi arriva a 1.000, e produce una previsione a 15 giorni in meno di un minuto su una TPU.

Musgrave lo dice chiaramente: con la potenza di calcolo disponibile, con i modelli numerici classici quel numero di simulazioni sarebbe impensabile. E servono, perché è proprio nella coda della distribuzione — gli eventi rari, le intensificazioni rapide — che si nascondono le catastrofi.

Google ha annunciato l'apertura del codice e dei pesi di WeatherNext 2 e WeatherNext Cyclones. Una mossa che ha una logica precisa: il valore commerciale di DeepMind non sta nel modello meteo, sta nell'infrastruttura e nella reputazione scientifica. Aprire qui costa poco e rende molto, in credibilità e in contributi esterni.

Cosa significa davvero

Per chi lavora con l'AI, questa è la dimostrazione che i domini scientifici con dati storici curati e ben strutturati restano il terreno più fertile per risultati concreti — molto più dei chatbot generalisti. I cicloni hanno causato oltre 700.000 morti e 1.400 miliardi di dollari di danni negli ultimi cinquant'anni: un modello che accorcia i tempi di allerta ha un ritorno sociale calcolabile.

Per le agenzie meteo, la lezione è di equilibrio. Brennan insiste su un punto che vale la pena ripetere: nessun modello è garantito migliore degli altri per la stagione successiva o per la prossima tempesta. E soprattutto, un uragano non è solo una traiettoria e un numero di categoria — serve un esperto umano che traduca quei dati in impatti sul territorio, perché sono gli impatti a uccidere.

La previsione probabile? Nel giro di un paio di stagioni vedremo modelli di questo tipo integrati come routine nei centri meteo nazionali, non come curiosità sperimentale. E vedremo la comunità scientifica accanirsi sulla domanda aperta più intrigante: cosa diavolo sta vedendo la rete, in quei pixel da 28 chilometri, che noi non avevamo mai notato.