Si tratta di una transizione epocale: dalle informazioni “prodotte dall’uomo” alle informazioni “prodotte dalle macchine”. Il quotidiano italiano Il Foglio ha lanciato un’edizione speciale realizzata interamente dall’intelligenza artificiale (IA). L’iniziativa è partita a marzo ed era della durata di un mese per valutare l’impatto della tecnologia sulla produzione giornalistica.
La Rivista AI invec è una rivista online italiana specializzata in notizie, approfondimenti e analisi sul tema dell’intelligenza artificiale. L’articolo pubblicato oggi presenta le previsioni meteorologiche future e il ruolo dell’IA in questo campo.
Ieri il giornale era KO. AI è andata in blackout.
Se volete essere aggiornati sulle ultime novità, iscrivetevi al CANALE TELEGRAM https://t.me/NogeoingegneriaNews
WeatherNext 2 e la nuova corsa globale alle previsioni meteo guidate dall’AI
Di Redazione
Ai mercati piace fingere che il clima sia un rumore di fondo, un fastidio ciclico che disturba supply chain, voli e colture. Poi arriva una tempesta fuori stagione e si scopre che il mondo ha ancora bisogno di previsioni meteo che non siano un nostalgico esercizio novecentesco. WeatherNext 2 entra così in scena con lo stile di chi sa di possedere un vantaggio competitivo difficile da ignorare. Google DeepMind ha presentato un sistema che promette di riscrivere i tempi, la precisione e la natura stessa delle previsioni, trasformandole in un asset strategico per governi, aziende e infrastrutture critiche. Il tutto con un tempismo ironico nel momento in cui il clima globale sembra più capriccioso di un mercato azionario nei giorni di volatilità massima.
La velocità dichiarata non è un vezzo tecnico bensì un’inversione culturale. I modelli tradizionali impiegano ore per generare uno scenario globale, una lentezza che in epoca di cicloni imprevedibili e ondate di calore improvvise suona quasi anacronistica. WeatherNext 2 produce centinaia di scenari in meno di un minuto sfruttando una singola TPU. Chiunque lavori nella tecnologia sa che il mantra del tempo reale è sempre stato un’utopia operativa, eppure qui si avvicina per davvero alla sua prima manifestazione concreta nel meteo globale. Pare un dettaglio da laboratorio, ma significa ridurre drasticamente l’incertezza operativa di interi settori industriali.
Il collegamento con la Google ecosystem economy è già evidente. Il sistema è attivo in Search, Gemini, Pixel Weather e nella Google Maps Weather API. È una mossa tanto prevedibile quanto strategica, perché il meteo è una delle query più costanti della storia del web. Se un modello proprietario è in grado di produrre previsioni più accurate e più rapide, quel valore ricade direttamente su ogni touchpoint digitale dell’azienda. Una parte del mondo tecnologico continua a ripetere che la vera partita dell’AI è la personalizzazione, mentre qui si nota come la prima applicazione realmente di massa finisca per essere la meteorologia, un settore che fino a ieri sembrava immobile nella sua complessità fisica.
La dichiarazione di Peter Battaglia offre un indizio della mutazione in corso. La dipendenza dalle previsioni non è più relegata alla quotidianità personale, ma si intreccia con le catene di fornitura globali, i modelli energetici e la pianificazione agricola. L’ironia è che qualcuno immaginava l’AI come un assistente da email più elegante, e invece emerge come il nuovo pilastro di un’infrastruttura planetaria. WeatherNext 2 opera con risoluzione aumentata e un passo temporale di un’ora che spinge l’interpretazione dinamica dell’atmosfera verso precisioni che fino a ieri sembravano impossibili.
Una parte non trascurabile del salto prestazionale deriva dall’adozione delle Functional Generative Networks. Questa architettura, descritta in un paper di giugno, rappresenta l’incertezza in modo più sofisticato, riuscendo a modellare interazioni che non vengono insegnate esplicitamente. FGN impara da marginali singole, cioè variabili isolate come temperatura o vento in un punto specifico, ma riesce comunque a catturare fenomeni complessi come cicli di calore su vasta scala o comportamenti cicloni in movimento. È un paradosso piacevole: un modello allenato su singoli frammenti che comprende lo schema completo meglio dei sistemi progettati per simulare l’intero quadro.
I dati sono eloquenti e meritano attenzione. I miglioramenti nel Continuous Ranked Probability Score raggiungono l’8.7 percento e il 7.5 percento rispetto a GenCast, numeri che in un settore spesso considerato refrattario ai balzi incrementali suonano quasi rivoluzionari. Nonostante questo, è interessante notare come la vera forza sembri nascere dal cambio di paradigma e non dalla semplice ottimizzazione di una pipeline esistente. C’è un certo gusto nell’osservare come l’AI stia diventando più brava della fisica computazionale nel prevedere i comportamenti di un sistema interamente governato dalla fisica.
Una riprova arriva dall’ambito più delicato: la previsione dei cicloni tropicali. Confrontando le tracce prodotte dal modello con quelle storiche dell’International Best Track Archive, si osserva una riduzione dell’errore pari a un giorno di vantaggio tra i tre e i cinque giorni di lead time. Si tratta di un margine che può letteralmente cambiare l’esito di operazioni di evacuazione, coordinamento logistico e attivazione di reti elettriche emergenziali. In un’epoca in cui eventi estremi appaiono sempre più frequenti, la sinergia tra modelli più veloci e maggiore accuratezza diventa uno strumento di resilienza sociale.
Una nota curiosa riguarda i differenti timestep. La versione con intervalli di dodici ore mostra errori maggiori rispetto alla variante a sei ore, ma rimane superiore a GenCast oltre le quarantotto ore. Questa elasticità prestazionale suggerisce che il cuore predittivo di FGN non soffre la riduzione del dettaglio temporale quanto ci si potrebbe aspettare. È un segnale della maturità delle architetture generative anche in domini notoriamente ostili come la fisica atmosferica.
La scelta di Google di integrare questi modelli nei propri servizi consumer non è una semplice estensione funzionale. È un messaggio implicito sulla natura dei dati climatici, che da bene pubblico diventano componente intrinseca dell’esperienza digitale quotidiana. Se un modello di proprietà riesce a superare gli standard internazionali in quasi tutte le variabili, l’intero ecosistema può trasformarsi in un gigantesco laboratorio che genera feedback per migliorare ulteriormente le previsioni future. Una dinamica che non potrà essere ignorata dalle agenzie meteorologiche nazionali e dai centri di ricerca.
Una delle implicazioni più interessanti si trova proprio nell’intersezione tra AI industriale e governance climatica. L’uso di previsioni più rapide permette di aggiornare gli scenari più spesso, riducendo la latenza informativa. In termini geopolitici, controllare l’infrastruttura predittiva significa possedere un vantaggio non banale nella gestione di crisi naturali. Non sorprenderà se nei prossimi anni emergeranno discussioni formali sulla sovranità delle previsioni prodotte da sistemi proprietari.
Una parte della comunità scientifica guarda con attenzione alla capacità di questi modelli di generalizzare su regioni più ampie. Le prestazioni migliorano quando la valutazione passa da singoli punti a aree estese, ed è un fenomeno interessante perché suggerisce che l’AI comprenda le strutture spaziali dell’atmosfera in modo più coerente dei modelli fisici tradizionali. La vera domanda diventa quanto lontano possa spingersi questa generazione di modelli prima di dover tornare alle equazioni fisiche che hanno guidato la meteorologia per decenni.
Una chiosa va riservata al mercato emergente dei modelli meteorologici AI. Aardvark Weather, sviluppato da team in UK e Canada, aggiunge ulteriore concorrenza a un settore che fino a poco tempo fa non esisteva. La rivalità tecnologica in questo dominio avrà probabilmente lo stesso impatto che i modelli linguistici hanno avuto nel software negli ultimi cinque anni. La differenza è che qui la materia prima non è il testo, ma l’atmosfera stessa.
Una sensazione inizia a diffondersi tra analisti e operatori: la meteorologia sta diventando una disciplina computazionale più che fisica. WeatherNext 2 è il simbolo di questo cambio di fase. La combinazione di velocità, precisione e capacità generativa lo rende un protagonista inevitabile in ogni discussione sulle infrastrutture climatiche del futuro. Chi credeva che le previsioni meteo fossero un rituale mattutino destinato a rimanere immutabile dovrà aggiornare la propria mappa mentale.
Una citazione attribuita a un meteorologo del secolo scorso diceva che prevedere il tempo oltre i dieci giorni era come leggere il pensiero degli dei. Forse ora quegli dei stanno iniziando a parlare in linguaggio macchina. FONTE https://www.rivista.ai/2025/11/19/c2-e-la-nuova-corsa-globale-alle-previsioni-meteo-guidate-dallai
VEDI ANCHE
A.I. Sta silenziosamente alimentando una rivoluzione nella previsione meteorologica
Le previsioni meteorologiche alimentate dall’intelligenza artificiale sono di solito più accurate – e richiedono meno energia computazionale e meno ore umane – rispetto alle previsioni convenzionali. Ma rimangono domande sull’affidabilità dei sistemi di intelligenza artificiale e sulla loro capacità di prevedere eventi meteorologici estremi.
A febbraio, il Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF) – leader mondiale nella previsione delle condizioni meteorologiche globali fino a poche settimane – è tranquillamente andato in diretta con il primo sistema di previsioni meteorologiche completamente operativo del pianeta alimentato dall’intelligenza artificiale. CONTINUA https://e360.yale.edu/features/artificial-intelligence-weather-forecasting
IMPORTANTE!: Il materiale presente in questo sito (ove non ci siano avvisi particolari) può essere copiato e redistribuito, purché venga citata la fonte. NoGeoingegneria non si assume alcuna responsabilità per gli articoli e il materiale ripubblicato.Questo blog non rappresenta una testata giornalistica in quanto viene aggiornato senza alcuna periodicità. Non può pertanto considerarsi un prodotto editoriale ai sensi della legge n. 62 del 7.03.2001.
