Google DeepMind publicou resultados revisados por pares na Nature para WeatherNext Cyclones, um modelo de IA de clima que alcança precisão estado-da-arte na previsão de trajetória de ciclone tropical, intensidade e estrutura de vento. Em ciclones de 2023–2025, o modelo fornece vantagem de tempo líder médio de um dia completo em relação aos modelos operacionais líder (ECMWF-ENS, HWRF)—significando que previsões de três dias rivalizam com o que sistemas anteriores forneciam em dois dias. O modelo executa um ensemble de 1.000 membros em um único TPU em menos de um minuto, gerando mapas de risco probabilísticos para eventos raros de intensificação. Google agora está abrindo três variantes: WeatherNext Cyclones (versão que rodou durante a estação de furacaões 2025), WeatherNext 2 e WeatherNext 2-mini (versão compacta para Colab gratuito).
O modelo unifica um dilema de previsão secular: modelos globais se destacam em trajetória (para onde o ciclone vai) mas falham em intensidade (como forte fica), enquanto modelos locais de alta resolução fazem o oposto. WeatherNext une ambos aprendendo de um conjunto de dados de modalidade dual: 20 terabytes de reanálise atmosférica global mais base de dados histórica IBTrACS de 5.000 ciclones. Diferentemente de modelos baseados em física, requer apenas resolução de entrada 28x28km (100x mais grosseira do que modelos regionais tradicionais), alcançando isso através de Redes Generativas Funcionais que capturam eficientemente incerteza aleatória. Em uso operacional durante 2025, ajudou o Centro Nacional de Furacaões dos EUA a emitir alertas antecipados para intensificação rápida do Furacão Melissa na Jamaica.
Para meteorologistas, gerentes de emergência e setores dependentes de clima (agricultura, seguros, energia renovável), a liberação aberta importa mais do que o artigo da Nature: uma década de progresso meteorológico comprimido em pesos gratuitos e baixáveis. O tempo líder de um dia corresponde a decisões crítícas de evacuação e mobilização de recursos. Meteorologistas agora podem explorar 1.000 cenários alternativos por ciclone, deslocando previsão de determinística para risco probabilístico. Impacto prático: comunidades ganham ~24h mais tempo para se preparar para impactos ameaçadores à vida, margem que meteorologistas descrevem como transformadora. Para praticantes de IA, o resultado revela que alta resolução não é pré-requisito para modelagem de clima extremo quando treinado end-to-end em grandes conjuntos de dados especializados.