L’IA non vede i record: i modelli climatici tradizionali battono l’intelligenza artificiale sugli estremi
Quando il futuro non assomiglia al passato
C’è un limite che l’intelligenza artificiale, per quanto sofisticata, ancora non riesce a superare del tutto. Lo rivela uno studio pubblicato su Science Advances, e la conclusione è meno ovvia di quanto sembri: i modelli meteorologici basati sull’IA, pur eccellendo nelle previsioni quotidiane, faticano a cogliere quegli eventi che rompono ogni schema, quelli che nella storia della meteorologia non si erano mai visti.
- L’IA non vede i record: i modelli climatici tradizionali battono l’intelligenza artificiale sugli estremi
- Quando il futuro non assomiglia al passato
- La logica del déjà vu e i suoi limiti
- Lo studio e i dati: migliaia di record sotto la lente
- Un colpo di avvertimento, non una condanna
- La prossima generazione: modelli probabilistici all’orizzonte
- Prompt immagine Gemini Ultra
Parliamo degli eventi estremi da record, cioè quei fenomeni che non si limitano a essere intensi, ma che segnano nuovi primati assoluti, battendo misurazioni precedenti di margini considerevoli. Caldo, freddo, vento: fenomeni che negli ultimi anni stanno diventando sempre più frequenti, spinti dal Riscaldamento Globale in atto.
La logica del déjà vu e i suoi limiti
Per capire dove si inceppa l’IA, vale la pena fare un passo indietro. I modelli meteorologici basati sull’intelligenza artificiale funzionano, in sostanza, riconoscendo schemi. Vengono addestrati su enormi quantità di dati storici, dai quali imparano a collegare cause ed effetti atmosferici. Il meccanismo è elegante e computazionalmente efficiente, senza bisogno di risolvere migliaia di equazioni fisiche a ogni previsione.
Il problema, diciamolo apertamente, è che questi modelli guardano al futuro attraverso lo specchio del passato. Quando si trova davanti a qualcosa che non ha mai “visto” nei dati di addestramento, l’IA tende a ricondurre l’evento a ciò che conosce, smussando i picchi, sottostimando le intensità. In effetti, è un po’ come chiedere a qualcuno di descrivere un colore che non ha mai incontrato: può avvicinarsi, ma non arriverà mai del tutto a coglierlo.
Il professor Sebastian Engelke, docente presso l’istituto di ricerca per la statistica e le scienze dell’informazione dell’Università di Ginevra, ha spiegato a Carbon Brief che i modelli di IA “dipendono fortemente dai dati di addestramento” e risultano “relativamente limitati alla gamma di questo insieme di dati”. Una dipendenza strutturale, non un difetto tecnico secondario.
Lo studio e i dati: migliaia di record sotto la lente
Il team di ricerca ha lavorato su un campione imponente. Per l’anno 2020 sono stati identificati circa 160.000 record di caldo, 33.000 di freddo e 53.000 di vento, distribuiti in diverse stagioni e in ogni angolo del pianeta. Come riferimento sono stati usati i dati di rianalisi ERA5 per stabilire quali eventi avessero superato i record registrati tra il 1979 e il 2017.
Messi alla prova quattro modelli: il modello fisico di riferimento HRES del Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF), da molti considerato il vertice della meteorologia numerica tradizionale, e tre modelli basati sull’IA, GraphCast di Google DeepMind, Pangu-Weather sviluppato da Huawei Cloud e Fuxi, sviluppato da un team di Shanghai.
I risultati misurati attraverso l’RMSE, l’errore quadratico medio, una metrica che quantifica la precisione delle previsioni, dove un valore più basso significa maggiore accuratezza, hanno consegnato un quadro chiaro. Per le condizioni meteorologiche generali dell’anno 2020, due dei modelli IA se la sono cavata meglio del modello fisico. Ma nel momento in cui si restringe l’analisi agli eventi di calore estremo, il modello basato sulla fisica ha superato tutti e tre gli algoritmi di IA, indipendentemente dall’orizzonte temporale considerato.
Risultati analoghi per le ondate di freddo e per i fenomeni di vento estremo. E c’è un dettaglio che merita attenzione: maggiore è il margine con cui viene battuto un record preesistente, più l’IA si dimostra imprecisa nel valutarne l’intensità. Come se il sistema perdesse la bussola proprio nei momenti più critici.
Un colpo di avvertimento, non una condanna
Il professor Erich Fischer, scienziato del clima al Politecnico di Zurigo (ETH) e co-autore dello studio, ha detto senza giri di parole che il risultato “non è inaspettato”. Eppure, aggiunge, rappresenta un “avvertimento” contro la sostituzione troppo rapida dei modelli tradizionali con quelli di nuova generazione basati sull’intelligenza artificiale. Insomma, non si butta via il vecchio prima di aver capito cosa può davvero fare il nuovo.
Il punto non è teorico. Previsioni accurate sugli eventi estremi sono “assolutamente necessarie” perché innescano i sistemi di allerta precoce, quelli che danno tempo ai governi, alle autorità locali e alla popolazione di prepararsi, limitando danni e perdite di vite umane. Non è un dettaglio. Ogni anno, alluvioni, ondate di calore e tempeste causano centinaia di miliardi di dollari di danni in tutto il mondo, distruggendo raccolti, infrastrutture e comunità intere.
Leonardo Olivetti, dottorando all’Università di Uppsala con studi pubblicati proprio sulle previsioni meteorologiche tramite IA, pur non avendo partecipato alla ricerca, ha sottolineato che “molti altri studi” hanno già segnalato difficoltà nell’uso dell’IA per le situazioni estreme. Questo lavoro, però, è il primo a concentrarsi specificamente su quella categoria di eventi, stabilendo anche un protocollo di valutazione che altri ricercatori potranno usare in futuro.
Il professor Martin Schultz, docente di scienze computazionali del sistema terrestre all’Università di Colonia, ha sintetizzato la questione con lucidità: lo studio “giustifica il continuo utilizzo dei modelli meteorologici numerici classici nelle previsioni operative, nonostante i loro enormi costi computazionali”.
La prossima generazione: modelli probabilistici all’orizzonte
Va detto che la scena si evolve rapidamente. I tre modelli di IA testati appartengono, come ha osservato Olivetti, a una “vecchia generazione”. Negli ultimi due anni sono emersi modelli “probabilistici” più recenti, che invece di simulare un unico scenario futuro generano una gamma di possibili evoluzioni atmosferiche. Engelke spiega che questi sistemi “creano diversi possibili scenari meteorologici futuri” e sono quindi strutturalmente più adatti a individuare eventi che escono dalla norma.
La strada che molti indicano come più promettente è quella ibrida: modelli che combinino la robustezza fisica dei sistemi numerici tradizionali con l’efficienza computazionale dell’IA. “Il meglio dei due mondi”, per usare le parole di Engelke. Non è detto che sia semplice da realizzare, ma è già una direzione concreta di ricerca.
Rimane aperto un fronte importante, quello delle precipitazioni estreme, che il dottor Kyle Hilburn del Colorado State University segnala come assente dallo studio. Fenomeni che, per la loro natura complessa, presentano difficoltà sia nella modellazione che nell’osservazione e che restano, a tutti gli effetti, un capitolo ancora da scrivere.
Credits
- Science Advances, American Association for the Advancement of Science – rivista scientifica di riferimento dove è stato pubblicato lo studio originale su modelli IA e previsioni di eventi estremi
- ECMWF – European Centre for Medium-Range Weather Forecasts – ente europeo che gestisce il modello HRES, considerato il principale sistema numerico di previsione meteorologica al mondo
- Carbon Brief – testata internazionale specializzata in clima e scienza ambientale, che ha intervistato gli autori dello studio
- Google DeepMind – GraphCast – modello IA per le previsioni meteorologiche sviluppato da Google DeepMind, incluso nell’analisi
- ETH Zürich – Institute for Atmospheric and Climate Science – istituzione di riferimento del co-autore professor Erich Fischer, Politecnico di Zurigo
- Copernicus Climate Change Service – ERA5 Reanalysis Data – fonte dei dati di rianalisi ERA5 utilizzati per identificare i record meteorologici nello studio
Prompt immagine Gemini Ultra
PROMPT PRONTO ALL’USO PER GEMINI ULTRA:
Crea un’immagine landscape ad alta risoluzione 8K, ottimizzata per Google Discover, che rappresenti visivamente il confronto tra intelligenza artificiale e modelli meteorologici tradizionali nella previsione di eventi atmosferici estremi. Sfondo: una grande schermata digitale divisa in due metà speculari. Sulla sinistra, una rete neurale luminosa con nodi interconnessi su fondo blu scuro, colori freddi, blu e violetto, che suggerisce l’IA al lavoro su dati atmosferici; sulla destra, equazioni fisiche scritte su lavagna scura illuminata, simboli matematici complessi che richiamano la fisica dell’atmosfera. Al centro dell’immagine, in basso, una rappresentazione stilizzata della penisola italiana con contorno luminoso trasparente color ambra, chiaramente visibile e in primo piano rispetto al contesto visivo circostante. Sopra la penisola italiana convergono due masse d’aria rappresentate da frecce: frecce di colore rosso e arancione intenso, con vettori orientati da sud verso nord, indicano aria calda in risalita verso il nord Europa; frecce di colore blu profondo e violetto, con vettori orientati da nord verso sud, indicano aria fredda che scende verso il Mediterraneo. Le frecce sono tridimensionali, con effetto volumetrico marcato, e il loro movimento è reso dinamico tramite sfumature graduali. In primo piano, due grandi schermi sovrapposti mostrano grafici meteorologici, uno con una curva regolare (IA) e uno con un picco improvviso e acuto (evento record), a rimarcare il divario prestazionale. L’illuminazione generale è drammatica, con contrasti forti tra zone in luce e zone in ombra. Testo eventuale in font bold di almeno 15 pixel, bianco con contorno scuro per massima leggibilità sul background. Nessun nome geografico, nessuna bandiera, nessun riferimento cartografico testuale. Atmosfera tecnologica e scientifica, con un senso di urgenza visiva adatto a catturare l’attenzione in Google Discover. Stile ultra-realistico con elementi di infografica avanzata, rendering cinematografico, illuminazione notturna digitale. Suggerimento per migliorare il risultato: aumenta la profondità di campo per enfatizzare la mappa italiana, utilizza un leggero effetto lens flare sulle frecce energetiche e aggiungi particelle luminose attorno ai nodi della rete neurale per aumentare la sensazione di dati in movimento in tempo reale.