IA da Ai2 gera mapas de furacões e chuvas com resolução de 3 km por 300 vezes menos que um modelo físico
Mapas de furacões e chuvas com resolução de 3 km costumam ser calculados pelo modelo físico X-SHiELD em supercomputadores, e isso é caro. A Ai2 treinou uma IA: o ACE constrói um panorama grosseiro de 100 km, e o HiROv2 acrescenta os detalhes, como ocorre no upscale de uma foto. O resultado sai 300 vezes mais barato, e as estatísticas de tempestades raras divergem do X-SHiELD em no máximo 3%. Isso significa que é possível rodar dezenas de cenários, e não apenas um.
Processado por IA de Ai2 (Allen Institute); editado por Hamidun News
Para entender como vão mudar os furacões, as chuvas intensas e os ventos de tempestade, os climatologistas precisam de mapas meteorológicos detalhados para muitos anos à frente. «Detalhados», neste caso, significa com resolução de 3 km: num mapa assim é possível ver tempestades isoladas, o olho do furacão e as faixas de chuva. Normalmente esses dados são calculados pelo modelo físico da atmosfera X-SHiELD, que simula explicitamente as tempestades e outros processos de pequena escala, e cada execução dele custa muito caro. O Instituto Ai2 (Allen Institute for AI) apresentou o HiRO-ACEv2, um sistema de IA atualizado que gera dados semelhantes por cerca de 300 vezes menos.
Como o sistema funciona
A ideia é familiar para quem já viu uma rede neural melhorar a qualidade de uma foto: primeiro existe uma imagem borrada, depois os detalhes são reconstruídos a partir dela. O HiRO-ACE é formado por dois modelos. O ACE calcula o clima do planeta de forma grosseira, com resolução de cerca de 100 km. Em seguida, o HiRO pega esse panorama grosseiro e aumenta a resolução para 3 km.
O professor do sistema era o X-SHiELD: são os dados dele que o sistema aprende a reproduzir. Mas cada execução custa centenas de vezes menos do que um cálculo com o modelo físico.
A principal mudança na versão v2 é o novo modelo HiROv2. A primeira versão só sabia prever precipitação. Agora o modelo gera vários campos de uma vez: chuva, vento e pressão, o que permite observar muito mais tipos de clima extremo nos dados. Além disso, a equipe alterou o esquema de treinamento para que o modelo reproduza melhor os valores mais intensos, e não apenas os dias comuns.
Os resultados em números
Quando o HiROv2 recebe dados grosseiros do X-SHiELD, as estatísticas do seu resultado coincidem com a referência dentro de 3%. Isso vale até para eventos tão raros que ocorrem uma vez em cada um milhão de pontos de dados. O modelo estima com precisão a energia total dos ciclones tropicais, inclusive tempestades que não estavam na amostra de treinamento. Os furacões saem com olhos e faixas de chuva realistas. Há uma ressalva: o vento e a pressão ao redor do olho saem mais «distorcidos» do que no X-SHiELD. O modelo também reproduz os ventos fortes que descem pelas encostas das montanhas.
O ACE também foi atualizado separadamente. Em uma simulação de dez anos, seus furacões, os padrões climáticos médios e as distribuições de chuva, vento e pressão coincidem bem com o X-SHiELD. Isso é importante porque, na prática, o HiRO não trabalha com dados grosseiros «reais», e sim com o que o próprio ACE calculou.
Ao combinar os dois modelos, os pesquisadores obtiveram um ano completo de dados globais com resolução de 3 km. Suas estatísticas são próximas às do X-SHiELD. Na simulação de dez anos, a energia dos furacões é comparável à da referência, e nos quadros aparecem outros eventos extremos semelhantes aos do modelo físico.
Para que serve na prática e quais são os limites
O principal ganho é o número de cenários. Quando uma única simulação equivale a um projeto inteiro de supercomputador, não é possível fazer mais do que algumas execuções. Se o custo cai cerca de 300 vezes, é viável gerar muitas versões de um clima de dez anos e estimar as probabilidades de eventos raros. Seguradoras, empresas de energia, planejadores urbanos e especialistas em risco precisam mais desses conjuntos de cenários do que de um único mapa bonito. Se o interesse for apenas uma região, a economia pode chegar a mais de cem vezes, dependendo do tamanho do território. A Ai2 também prepara uma versão simplificada do HiROv2, que deve funcionar pelo menos dez vezes mais rápido.
As limitações são importantes. O HiRO foi treinado com o X-SHiELD, por isso funciona apenas com a versão do ACE ajustada para esse modelo. Ele ainda não gera dados para outros climas, como um futuro mais quente ou o arquivo histórico ERA5. Além disso, a qualidade apresentada na publicação é avaliada por comparação com o X-SHiELD, e não com observações diretas.
Os planos incluem o treinamento com novos conjuntos de dados do X-SHiELD, inclusive um mundo 4 °C mais quente, além da inclusão da temperatura da superfície, da neve e do gelo. Isso abriria caminho, por exemplo, para a previsão da cobertura de neve.
É possível ver o resultado sem rodar código: a Ai2 criou um visualizador em que a precipitação, o vento e a pressão do HiROv1 e do HiROv2 aparecem lado a lado com o X-SHiELD, e é possível aproximar uma região específica e avaliar a qualidade a olho nu. Para uma análise mais aprofundada, os modelos estão disponíveis em código aberto, com instruções de execução anexadas.
- 31 de ago. de 2026Cortes de Trump em dados meteorológicos ameaçam deixar previsões do tempo menos confiáveis
- 29 de ago. de 2026Estudo da First Street: 80% dos data centers são vulneráveis a enchentes, incêndios e furacões
- 11 de ago. de 2026WeatherNext, da DeepMind, prevê furacões antes dos modelos de previsão existentes
- 23 de mai. de 2026IA na previsão do tempo: WeatherNext ajudou a salvar vidas durante o furacão Melissa
Perguntas frequentes sobre a notícia
Como o sistema funciona?
A ideia é familiar para quem já viu uma rede neural melhorar a qualidade de uma foto: primeiro existe uma imagem borrada, depois os detalhes são reconstruídos a partir dela. O HiRO-ACE é formado por dois modelos. O ACE calcula o clima do planeta de forma grosseira, com resolução de cerca de 100 km. Em seguida, o HiRO pega esse panorama grosseiro e aumenta a resolução para 3 km. O professor do sistema era o X-SHiELD: são os dados dele que o sistema aprende a reproduzir.
O que se sabe sobre Os resultados em números?
Quando o HiROv2 recebe dados grosseiros do X-SHiELD, as estatísticas do seu resultado coincidem com a referência dentro de 3%. Isso vale até para eventos tão raros que ocorrem uma vez em cada um milhão de pontos de dados. O modelo estima com precisão a energia total dos ciclones tropicais, inclusive tempestades que não estavam na amostra de treinamento. Os furacões saem com olhos e faixas de chuva realistas. Há uma ressalva: o vento e a pressão ao redor do olho saem mais «distorcidos» do que no X-SHiELD.
O que se sabe sobre Para que serve na prática e quais são os limites?
O principal ganho é o número de cenários. Quando uma única simulação equivale a um projeto inteiro de supercomputador, não é possível fazer mais do que algumas execuções. Se o custo cai cerca de 300 vezes, é viável gerar muitas versões de um clima de dez anos e estimar as probabilidades de eventos raros. Seguradoras, empresas de energia, planejadores urbanos e especialistas em risco precisam mais desses conjuntos de cenários do que de um único mapa bonito.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.