A previsão do tempo está a mudar, silenciosamente. Mas como é que uma IA pode prever algo que nunca viu nos volumes de dados de eventos meteorológicos passados?
A inteligência artificial (IA) já começou a transformar a forma como se prevê o tempo, com as mesmas promessas que apresenta noutras áreas. A tecnologia que veio mudar o mundo para sempre garante ser capaz de fazer previsões mais rápidas, mais baratas e, em muitos casos, tão precisas como as dos sistemas meteorológicos tradicionais. Mas muitos investigadores alertam: há um grande “se” na “meteorologIA”.
A IA das previsões meteorológicas pode falhar precisamente quando mais importa, isto é, perante fenómenos meteorológicos extremos, raros e sem precedentes num clima cada vez mais instável.
A diferença é que os modelos tradicionais procuram simular a atmosfera a partir das leis da física, enquanto muitos modelos de IA aprendem padrões a partir de grandes volumes de dados meteorológicos passados. Ora, num mundo em aquecimento, aumentam cada vez mais as probabilidades de estarmos perante fenómenos inéditos.
Os cientistas chamam a este desafio o problema dos “cisnes cinzentos”. São acontecimentos fisicamente possíveis, mas tão raros que quase não aparecem nos conjuntos de dados usados para treinar os modelos.
Um exemplo é a vaga de calor que atingiu o Noroeste do Pacífico, em 2021, com temperaturas tão extremas que os estudos concluíram que teria sido praticamente impossível sem as alterações climáticas. Um modelo físico pode simular este tipo de evento, ainda que o classifique como extremamente improvável, porque assenta em equações que descrevem o comportamento da atmosfera. Já um modelo de IA teria provavelmente dificuldades em prever algo que nunca viu nos dados de treino.
Pedram Hassanzadeh, professor associado de ciências geofísicas na Universidade de Chicago, resume o problema muito diretamente: os modelos de IA “falham nos cisnes cinzentos”, escreveu num estudo publicado em maio de 2025, citado pelo Gizmodo, no qual a sua equipa retirou todos os furacões de categoria 3 a 5 do conjunto de treino de um modelo de IA e testou-o depois com tempestades de categoria 5.
O resultado da investigação mostrou que estes sistemas têm dificuldade em prever acontecimentos que não estiveram representados no treino, porque isso exige extrapolação — uma capacidade em que a IA continua aquém das expectativas.
A agravar este problema está o facto de os modelos artificiais poderem falhar sem ninguém se aperceber, com previsões confiantes de tempo aparentemente normal enquanto um evento extremo se está a formar, alerta ao portal Rose Yu, professora associada de ciência e engenharia de computadores na Universidade da Califórnia em San Diego.
Além disso, a IA pode violar leis de conservação física de formas subtis, difíceis de detetar com métricas padrão; quando erra, é mais difícil perceber porquê; depende de sistemas de observação estáveis, como satélites; e pode levar instituições a abandonarem demasiado depressa a infraestrutura dos modelos físicos.
Certo é que, no entanto, estes modelos IA estão a ser adotados a um ritmo alarmante. A IA é mais barata, mais rápida e exige muito menos capacidade computacional do que os modelos físicos tradicionais. E evoluíram muito mais depressa do que os modelos físicos de ponta que não contam com IA.
Na época de furacões do Atlântico de 2025, por exemplo, o modelo da Google DeepMind superou quase todos os modelos físicos na previsão da trajetória e intensidade das tempestades. Desde 2023, modelos como GraphCast, Pangu-Weather e o AIFS do ECMWF têm igualado ou ultrapassado os melhores modelos físicos em várias métricas de previsão de médio prazo.
A IA pode ser especialmente valiosa em países com poucos recursos meteorológicos, por exemplo. Mas os investigadores defendem que a adoção deve ser acompanhada de testes mais rigorosos, para perceber exatamente se a IA consegue extrapolar fenómenos sem precedentes.
Outros cientistas procuram ensinar a IA a lidar melhor com extremos raros, combinando modelos com métodos capazes de gerar amostras artificiais de “cisnes cinzentos”. A meta é tornar estes sistemas mais consistentes com a física, mais calibrados e mais resistentes a mudanças num clima em transformação.
(ZAP)