Il 12 novembre 1970 si verificò il ciclone Bhola sbattuto nella costa di quello che allora period il Pakistan orientale. La tempesta ha portato velocità massime del vento sostenute di 130 miglia all’ora (205 chilometri all’ora) e un’ondata di tempesta di 35 piedi (10,5 metri), uccidendo circa 300.000-500.000 persone.
Oggi, il ciclone Bhola rimane la tempesta tropicale più mortale mai registrata. Ma se fosse successo dieci anni dopo, forse non sarebbe stato così devastante. Previsioni del tempo cambiato drammaticamente negli anni ’70, quando i meteorologi adottarono modelli computerizzati basati sulla fisica che migliorarono la previsione delle tempeste. Con l’avvento dell’intelligenza artificiale, le previsioni si stanno evolvendo di nuovo, ma questa volta gli esperti temono che i nuovi modelli potrebbero essere meno affidabili quando si tratta di prevedere eventi meteorologici senza precedenti.
I ricercatori chiamano questo il problema del “cigno grigio”. Gli eventi meteorologici estremi del cigno grigio sono fisicamente plausibili ma così rari da essere scarsamente rappresentati nei set di dati di addestramento. Il problema è che il cambiamento climatico sta portando a fenomeni meteorologici estremi mai visti prima nel loro genere. Pensa: l’ondata di caldo del Pacifico nordoccidentale del 2021. Questo evento è stato così grave che lo sarebbe stato stato praticamente impossibile senza il cambiamento climatico.
Modelli fisici di previsione può simulare eventi del cigno grigio come l’ondata di caldo del Pacifico nordoccidentale, sebbene siano etichettati come estremamente rari. Possono farlo perché sono costruiti secondo le leggi della fisica. I modelli di intelligenza artificiale sono addestrati su dati meteorologici passati, in cui i cigni grigi sono praticamente inesistenti.
“Falliscono sui cigni grigi”, ha detto a Gizmodo Pedram Hassanzadeh, professore associato di scienze geofisiche all’Università di Chicago. Lui e i suoi colleghi pubblicato uno studio dello scorso aprile che ha rimosso tutti gli uragani di categoria da 3 a 5 dal set di dati di addestramento di un modello AI, quindi lo ha testato sulle tempeste di categoria 5. I risultati hanno mostrato che i modelli di intelligenza artificiale non possono prevedere con precisione eventi mai visti prima, poiché ciò richiederebbe un’estrapolazione.
“La preoccupazione non sono gli errori occasionali. È che i modelli di intelligenza artificiale possono fallire silenziosamente, producendo previsioni attendibili di condizioni meteorologiche insignificanti mentre si sta svolgendo un evento da report”, ha detto a Gizmodo Rose Yu, professore associato di informatica e ingegneria presso l’Università della California a San Diego.
“Anche altri rischi contano”, ha detto. “I modelli di intelligenza artificiale possono violare le leggi di conservazione in modi sottili che non vengono visualizzati nei parametri normal. Quando smentiscono una previsione, diagnosticarne il motivo è più difficile. Dipendono da sistemi di osservazione stabili, il che è una vera preoccupazione information l’attuale pressione sui programmi satellitari. E istituzionalmente, se ci consolidiamo attorno all’intelligenza artificiale troppo rapidamente e lasciamo che le infrastrutture basate sulla fisica si atrofizzino, perdiamo la ridondanza che attualmente rileva i fallimenti dell’intelligenza artificiale.”
Il caso delle previsioni basate sull’intelligenza artificiale
Nonostante queste insidie, i meteorologi stanno rapidamente adottando modelli di previsione basati sull’intelligenza artificiale, ed è facile capirne il motivo. Sono più veloci, più economici e richiedono molte meno infrastrutture computazionali rispetto ai modelli fisici. Quando si tratta di prevedere modelli ed eventi meteorologici tipici (non i cigni grigi), la loro precisione è comparabile e migliora rapidamente.
“Il tasso di progresso tipico per la maggior parte dei modelli fisici all’avanguardia è stato qualcosa come un giorno più accurato ogni decennio, il che non sembra molto, ma è consequenziale”, ha detto a Gizmodo Andrew Charlton-Perez, professore di meteorologia e capo della Scuola di scienze matematiche, fisiche e computazionali dell’Università di Studying.
“Il tasso di crescita della precisione per i modelli di machine studying ha ampiamente superato story valore”, ha affermato. “Ora sono competitivi e due o tre anni fa non erano nemmeno allo stesso livello”.
Durante la stagione degli uragani nell’Atlantico del 2025, advert esempio, il modello di Google DeepMind ha sovraperformato quasi tutti i modelli fisici in termini di tracciamento e intensità della tempesta. Infatti, secondo Yu, dal 2023, i principali modelli di intelligenza artificiale come GraphCast, Pangu-Climate e AIFS dell’ECMWF hanno eguagliato o sovraperformato i migliori modelli fisici sui parametri di previsione a medio termine.
I modelli di intelligenza artificiale si stanno rivelando particolarmente preziosi in aree del mondo prive di risorse di previsione tradizionali, regioni che sono spesso in prima linea nel cambiamento climatico. Hassanzadeh co-diretto un’iniziativa che ha fornito a 38 milioni di agricoltori in tutta l’India previsioni sui monsoni basate sull’intelligenza artificiale, dando loro un preavviso fino a quattro settimane prima dell’inizio della stagione delle piogge.
“Molti paesi sono rimasti indietro in quella prima rivoluzione delle previsioni meteorologiche, perché [traditional] le previsioni meteorologiche richiedono un supercomputer, centinaia di milioni di dollari, vari settori, forza lavoro ed esperti”, ha spiegato Hassanzadeh. I modelli di intelligenza artificiale, al confronto, sono molto più accessibili ai paesi a basso reddito.
Colmare le lacune conoscitive
Tuttavia, adottare rapidamente questi modelli senza affrontarne i rischi sarebbe pericoloso, soprattutto in parti del mondo altamente vulnerabili agli impatti dei cambiamenti climatici. Shruti Nath, ricercatore associato post-dottorato presso l’Università di Oxford, di recente coautore un editoriale che chiede check più rigorosi dei modelli di previsione dell’intelligenza artificiale prima che le agenzie pubbliche li adottino su larga scala.
“C’è ancora molto lavoro da fare per comprendere i limiti di questi modelli, oltre a dove potrebbero integrare i modelli fisici e perché”, ha detto a Gizmodo in una e-mail.
L’editoriale di Nath delinea un quadro per testare i modelli di previsione dell’intelligenza artificiale che tratterrebbero deliberatamente una serie designata di eventi estremi “iconici” (come l’ondata di caldo del Pacifico nordoccidentale, advert esempio) dal set di dati di addestramento. Questi eventi sarebbero riservati esclusivamente ai check per valutare la capacità dei modelli di estrapolare condizioni meteorologiche estreme senza precedenti, o cigni grigi.
L’implementazione effettiva di questo protocollo AI Retraining With out Iconic Occasions (AIRWIE) “richiederebbe alla comunità meteorologica di concordare quali eventi advert alto impatto costituiscano un punto di riferimento rigoroso”, afferma l’editoriale. Sarebbe una grande impresa, ma Nath ritiene che la maggior parte dei ricercatori concordi sull’urgente necessità di questo tipo di check.
“Dobbiamo essere un po’ più organizzati, tuttavia, per garantire che possano essere seguiti protocolli adeguati e che vengano messe in atto e mantenute solide misure di salvaguardia da parte della comunità”, ha affermato Nath. “Questo è difficile quando le cose sono in una fase così esaltante e nessuno vuole perdere il carrozzone”.
Altri ricercatori, come Hassanzadeh, stanno sviluppando modi per insegnare ai modelli di previsione dell’intelligenza artificiale a prevedere i cigni grigi. Lui e i suoi colleghi stanno studiando se la combinazione di sistemi di intelligenza artificiale con metodi di “campionamento pertinente” – che consentono loro di generare campioni di eventi del cigno grigio – può migliorare la capacità dei modelli di estrapolare estremi senza precedenti.
Gli sforzi per comprendere e affrontare i limiti delle previsioni basate sull’intelligenza artificiale saranno fondamentali, perché ora non si può tornare indietro. L’intelligenza artificiale sta già rimodellando il modo in cui prevediamo il tempo e, poiché il clima diventa sempre più instabile, i meteorologi avranno bisogno che tutti gli strumenti nel loro arsenale siano precisi e affidabili. Nonostante i loro attuali limiti, c’è molto da guadagnare nel continuare a portare avanti questi sistemi e nel capire come integrarli al meglio con le previsioni fisiche.
“L’agenda della ricerca mira a rendere i modelli di intelligenza artificiale fisicamente coerenti, ben calibrati e resistenti al cambiamento della distribuzione”, ha affermato Yu. “Abbandonare questo approccio a causa del problema del cigno grigio significa rinunciare al più grande miglioramento della previsione in una generazione”.
