O modelo aprende do histórico do planeta inteiro pra reconhecer um furacão que nunca viu

Em 3 de setembro de 2026 o Google DeepMind lançou o WeatherNext 3, a terceira geração do seu modelo de previsão do tempo por inteligência artificial. A diferença central que a empresa alega: em vez de rodar equações de física da atmosfera num supercomputador a cada seis horas, o modelo aprende padrões estatísticos direto de dados históricos e de observação em tempo real — satélite, estação meteorológica no chão — e atualiza a previsão a cada hora. O ganho que interessa não é a promessa genérica de previsão melhor. É que o modelo aprende do histórico inteiro do planeta de uma vez, e por isso reconhece um padrão de furacão se formando mesmo sem nunca ter visto aquela tempestade exata antes. Previsão de chuva e temperatura entra direto em decisão de plantio, colheita e geração de energia — e nenhuma das fontes fala do Brasil especificamente.

O que foi dito

O vídeo oficial do Google DeepMind, publicado no mesmo 3 de setembro, descreve o WeatherNext 3 como um modelo que aprende direto de observação real: transmissão de satélite ao vivo e dado de estação meteorológica no chão, diferente de modelos anteriores baseados só numa análise — uma estimativa consolidada do estado da atmosfera num momento. A atualização passa a ser de hora em hora, em relação às seis horas dos modelos tradicionais. O modelo entrega três resoluções nativas na mesma passada: 25 km pra atmosfera em escala mais ampla, 9 km pra variáveis de superfície como vento e pressão, e 5 km pra temperatura e umidade — resolução espacial, aqui, é o tamanho da menor área que o modelo consegue diferenciar. Entram também variáveis voltadas a energia: vento a 100 metros de altura, a altura típica de uma turbina eólica, e cobertura de nuvem e radiação, pra prever geração solar. A previsão já está disponível via Google Search, Gemini e Google Maps. A própria DeepMind se descreve como o primeiro modelo operacional global com previsão nova a cada hora, resolução de até 5 km e desempenho de ponta na maioria das variáveis — autoavaliação do fornecedor, sem avaliação independente citada.

Peter Battaglia, diretor sênior de pesquisa do Google DeepMind, explicou o método numa entrevista a Hannah Fry publicada em 9 de setembro. Modelo numérico tradicional resolve equação de física da atmosfera num supercomputador e obriga a escolher entre alta resolução numa região ou resolução mais baixa no globo todo. A linhagem de IA da DeepMind — GraphCast, depois GenCast, depois WeatherNext — aprende um padrão estatístico a partir de décadas de dado histórico, incluindo a base do ECMWF, o Centro Europeu de Previsão do Tempo a Médio Prazo, e extrapola esse padrão pro futuro. Segundo Battaglia, o GraphCast já superava a previsão determinística tradicional, a que dá um resultado único, e o GenCast, por volta de 2023, a melhor previsão probabilística, a que dá uma faixa de cenários com chance associada. O WeatherNext 3 vai além: recebe imagem de satélite bruta como entrada e prevê direto a leitura de uma estação meteorológica — um aeroporto, por exemplo — juntando etapas que antes eram feitas em três ou quatro estágios separados.

O caso que Battaglia cita é o furacão Melissa, categoria 5, que atingiu a Jamaica e outros países do Caribe em outubro de 2025. Cerca de uma semana antes de a tempestade chegar à terra, o modelo já mostrava confiança crescente de que ela viraria categoria 5 — segundo ele, a previsão de categoria 5 feita a partir da menor intensidade inicial já registrada pelo National Hurricane Center, da agência americana NOAA. Os meteorologistas de lá relataram à equipe da DeepMind que a confiança do modelo aumentou a confiança da previsão oficial deles. Battaglia fala de memória e coloca a ressalva ele mesmo: as cerca de 95 mortes e os ventos de até 190 milhas por hora (306 km/h) que menciona são aproximações.

Battaglia evita alegar superioridade única, e isso importa pra quem decide com a previsão: o modelo não é uniformemente melhor que os outros em toda variável, toda região e todo horizonte de tempo. Ele reconhece menos trabalho feito em onda de calor extremo, frio extremo e tornado — o modelo parece se sair melhor em ciclone tropical, mas ele não estende a alegação a todo tipo de evento extremo. Também admite que ainda falta explicação completa de por que o modelo prevê evento extremo que nunca viu daquela forma; a hipótese dele é que ele generaliza padrão local visto em outra parte do globo.

O que vale

O que se sustenta nas duas fontes ao mesmo tempo é a mudança de método: aprender de observação bruta em vez de rodar só a física aproximada, e atualizar a previsão a cada hora em vez de a cada seis. Os dois pontos aparecem tanto no vídeo de lançamento quanto na explicação técnica de Battaglia.

No meu fluxo, antes de aceitar uma alegação de acurácia de um modelo de IA eu pergunto que mecanismo produz aquele número, e a pergunta certa aqui não é se o WeatherNext 3 é mais preciso — é preciso em quê, comparado a quê, segundo quem. O próprio Battaglia dá parte da resposta: modelo estatístico, quando erra, tende a regredir pra média. O preço de aprender padrão em vez de resolver física é ficar mais confiável no padrão comum e mais incerto exatamente no evento raro e extremo que mais importa prever bem.

Os números de resolução — 5 km, 9 km, 25 km — e a atualização de hora em hora são concretos e conferíveis. Os do furacão Melissa vêm da memória do entrevistado e merecem o cuidado que ele mesmo tem com eles.

O que ignorar

Todo enquadramento de mais preciso, estado da arte ou primeiro a fazer isso vem do próprio Google DeepMind. As duas fontes usadas aqui são da própria empresa — o vídeo de lançamento e a entrevista com um pesquisador da casa —, e nenhuma cita avaliação independente confirmando essas alegações. Isso não invalida o dado técnico, como resolução e frequência de atualização; invalida a alegação de superioridade.

A ideia solta de que a IA vai resolver a previsão do tempo não se sustenta nem na fala de quem construiu o modelo. Battaglia diz que o método não se afasta da física, só a aproxima de outra forma, e reconhece que ainda faltam anos de trabalho em calor, frio e tornado.

Qualquer afirmação de disponibilidade, cobertura ou previsão específica pro Brasil também não se sustenta — nenhuma das fontes fala nisso. E o número de que o clima afeta cerca de um terço da economia, citado por Battaglia com a própria ressalva de incerteza, é uma estimativa geral, não um cálculo de quanto o WeatherNext 3 ajuda.

O que fazer com isso

Quem toma decisão que depende de previsão do tempo — energia, agricultura, logística — e já usa Google Search, Gemini ou Maps pode conferir se a previsão do WeatherNext 3 aparece pra sua região, e comparar por uma ou duas semanas contra a fonte que já usa hoje antes de trocar com base só no anúncio global. A comparação vale sobretudo pra decisão de curto prazo — dias, não meses; as fontes não fazem alegação sobre previsão sazonal.