In partnership with

ED 042

O temporal que a IA da Huawei suaviza

Em 2023, a Huawei mostrou na Nature uma IA que prevê o tempo global em segundos, e a meteorologista ficou com o temporal local.

Mesa de plantão meteorológico à noite, com monitor de radar mostrando uma célula de chuva e um caderno aberto sob luz quente.

O mapa global saiu da mão, o radar ficou

▼

Aos 38 anos, a meteorologista Renata Albuquerque abriu, numa quinta-feira de julho de 2023, o artigo em que a Huawei anunciava na revista Nature um modelo de inteligência artificial capaz de prever o tempo do planeta inteiro em segundos.

Ela trabalhava havia 11 anos no plantão de previsão de um centro estadual de meteorologia em Florianópolis. O link chegou pelo grupo de colegas com um comentário curto: o plantão noturno tinha virado peça de museu, e ninguém no grupo respondeu com risada.

O modelo se chamava Pangu-Weather. Os autores, liderados pelo pesquisador Kaifeng Bi, da Huawei Cloud, relatavam no próprio artigo que a previsão de uma semana saía cerca de 10 mil vezes mais rápido do que no sistema do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF, na sigla em inglês), a referência mundial do ofício.

Renata fez a conta pelo próprio turno. Boa parte da madrugada dela era esperar a rodada do modelo numérico, comparar saídas e redigir o boletim. Se a máquina entregava o mapa global em segundos, que trabalho sobrava na mesa de plantão?

Sobrava o que o mapa global não enxergava. O Pangu-Weather desenha o tempo numa grade de quadrados com cerca de 25 quilômetros de lado. Uma célula de tempestade que encharca um único bairro cabe inteira dentro de um quadrado desses e se dilui na média.

Nenhum modelo global recebia pronto o conhecimento de qual encosta do Morro da Cruz cede primeiro, de qual afluente do Itajaí sobe em duas horas e de qual prefeitura precisava ser acordada às três da manhã.

A travessia de hoje é de uma meteorologista que viu a previsão de larga escala sair da mão e descobriu que o trabalho de valor estava no alerta curto e localizado, feito para quem precisa decidir se fecha a escola naquela tarde.

Continue lendo ↓

I A história de quem atravessou

Onze anos de plantão e um radar de chuva

Da madrugada de rodadas numéricas ao alerta de duas horas para a Defesa Civil.

Renata Albuquerque tem 38 anos, mora em Florianópolis e é meteorologista de plantão num centro estadual de previsão desde 2012. O nome aqui vai trocado; o cargo, a cidade e as mudanças de rotina são os dela.

O plantão dela cobre Santa Catarina inteira, do litoral ao planalto serrano. No verão, as tardes quentes armam temporais que duram quarenta minutos e alagam uma rua enquanto o bairro vizinho fica seco.

Antes do Pangu-Weather: a madrugada gasta esperando o modelo numérico terminar a rodada, para então escrever a previsão de três dias

Depois do artigo na Nature: o mapa global virou mercadoria rápida e barata, e o valor passou para o alerta de curtíssimo prazo

O Pangu-Weather nunca entrou no sistema do centro dela. O efeito veio por outra porta: em 2024, aplicativos de celular começaram a exibir previsões de modelos de IA abertos, e o público passou a comparar os números com o boletim oficial e com o que via da janela.

A comparação mostrou um padrão. Para a frente fria que atravessa o estado em dois dias, a IA acertava a hora de chegada quase tão bem quanto o modelo tradicional. Para o temporal das quatro da tarde, errava feio: a chuva forte aparecia espalhada e fraca sobre uma região enorme.

Renata montou uma rotina nova para as tardes de verão. Das 13h em diante, olhava o radar meteorológico e as imagens de satélite a cada dez minutos; quando uma célula crescia rápido, ligava para o coordenador da Defesa Civil do município e dizia qual rio subiria primeiro.

O mapa do planeta qualquer um roda, gente ou máquina. Dizer qual bairro alaga às quatro da tarde exige conhecer o chão.

A direção aceitou a mudança com uma condição: todo alerta precisava de registro escrito, com hora de emissão, área atingida e o que de fato aconteceu depois, para medir acerto e alarme falso.

A função mudou de peso. Renata ainda escreve a previsão de três dias, mas partindo do que os modelos entregam prontos, e gasta as tardes entre o radar, o telefone e os pluviômetros automáticos (medidores de chuva) espalhados pelas encostas.

Ela não sabe por quanto tempo o arranjo se sustenta. Modelos de IA para previsão de poucas horas, treinados direto em imagens de radar, já estão em teste em outros países, e o centro ainda não decidiu se vai adotar algum deles.

II Radar de Automação

Trinta e nove anos de dados em um segundo

O Pangu-Weather provou que a máquina desenha o tempo do planeta. Avisar a tempestade de um bairro continuou sendo trabalho de gente.

O radar de hoje está na meteorologia. Previsão global segue um roteiro de física bem conhecido: pressão, temperatura, vento e umidade evoluindo numa grade. Roteiro que se repete todo dia, com dado histórico farto, costuma abrir a fila da automação em qualquer ofício.

O artigo de Kaifeng Bi e colegas saiu na Nature em 5 de julho de 2023, com o título "Accurate medium-range global weather forecasting with 3D neural networks" (previsão global precisa de médio prazo com redes neurais 3D). O modelo aprendeu com 39 anos da reanálise ERA5 (base que reconstrói o tempo passado hora a hora), produzida pelo ECMWF.

A arquitetura trata a atmosfera em três dimensões, camada por camada de altitude, e junta quatro modelos treinados para saltos de 1, 3, 6 e 24 horas. Combinando os saltos, o sistema chega a sete dias de previsão acumulando menos erro do que se desse muitos passos curtos seguidos.

A limitação estava no próprio artigo. A versão publicada do Pangu-Weather não prevê chuva; os autores deixaram a precipitação como trabalho futuro. E, como outros modelos treinados para errar pouco na média, ele tende a suavizar os extremos: o rastro de um ciclone sai certo, a força do vento sai menor do que a real.

"O bater de asas de uma borboleta no Brasil provoca um tornado no Texas?"

Edward Lorenz, palestra na Associação Americana para o Avanço da Ciência, 1972

O matemático americano Edward Lorenz, do MIT, mostrou nos anos 1960 que diferenças minúsculas no estado inicial da atmosfera crescem até mudar a previsão inteira. A pergunta do título da palestra virou apelido do fenômeno: efeito borboleta.

A leitura muda o lugar do meteorologista no mapa da automação. A IA atacou a parte cara e repetitiva, rodar a física do planeta. Deixou intacta a parte que Lorenz já apontava como frágil: o detalhe pequeno e local que cresce rápido e decide se a encosta cede.

O próprio ECMWF passou a rodar o Pangu-Weather em caráter experimental ainda em 2023, com os mapas publicados ao lado do modelo oficial, e depois desenvolveu um modelo de IA próprio, o AIFS, que entrou em operação em fevereiro de 2025.

Para quem trabalha em previsão, o efeito aparece na descrição do cargo. Rodar e comparar modelos globais passa para máquinas. Avisar, traduzir o risco para linguagem de prefeitura e ligar para quem decide ficam com quem conhece o terreno.

Quem banca a edição de hoje

Chemical-Free Farming Is Now Open To Investors

For decades, farmers have relied on herbicides and heavy equipment to control weeds.

Greenfield Robotics is working to change that.

BOTONY robots navigate crop rows and mechanically remove weeds, giving farmers an alternative to blanket herbicide applications and intensive tillage.

The potential benefits are significant:

Clean food supply
Reduce reliance on agricultural chemicals
Reduce unnecessary soil disturbance
Help farmers protect crops from weed competition
Support more sustainable farming practices

And the market is enormous.

Greenfield estimates more than 250 million acres of broadacre cropland in the U.S., with more than 100 million acres in its initial serviceable market.

With the Reg A+ now live, investors can participate in Greenfield Robotics' growth story.

Explore the Investment

^{This Reg A+ offering is made available through StartEngine Primary, LLC, member FINRA/SIPC. Please read the Offering Circular and related disclosures before investing. This investment is speculative, illiquid, and involves a high degree of risk, including the possible loss of your entire investment.}

Patrocinadores mantêm a edição gratuita

III O movimento de hoje

Duas colunas no caderno de plantão

O movimento de hoje é um exercício de duas semanas para quem trabalha com previsão de qualquer tipo, do tempo, da demanda da loja ou do caixa da empresa, e quer medir quanto do posto um modelo automático já cobre.

1. Durante dez dias úteis, anote cada previsão que você entrega em duas colunas: tendência geral (o que vale para a região, para o mês, para a média) e evento local (o pico, a exceção, o caso que foge da média e custa caro).

2. No fim do período, confira cada linha contra o que aconteceu. A primeira coluna é a que modelos automáticos já acertam bem; a segunda é onde a média engana e o conhecimento do terreno pesa.

3. Escolha um sinal de alerta que hoje só você percebe e escreva: qual é, quanto tempo de antecedência dá e para quem você avisa. Sinal escrito entra no cargo; sinal guardado some quando o modelo chega.

A objeção aparece rápido: se a IA aprender com radar e satélite, o alerta local também não passa para a máquina? Pode passar em parte. Modelos de curtíssimo prazo já projetam a próxima hora de chuva com imagens de radar, mas alguém ainda precisa decidir se o aviso justifica evacuar uma rua, e responder por essa decisão.

Falta um dado na história de Renata. O centro não publicou quantos alertas dela acertaram contra quantos soaram à toa, e sem essa conta ninguém de fora pode dizer se as tardes no radar rendem mais do que as madrugadas de rodada. O que ela guarda é o próprio registro: no verão de 2025, nenhuma enchente rápida na bacia do Itajaí pegou a Defesa Civil sem aviso prévio.

Renata segue no mesmo plantão em Florianópolis. A madrugada ficou mais curta, e o caderno ganhou uma coluna nova, com a hora exata em que cada temporal apareceu no radar.

Recalcular a rota, aqui, começa pela coluna que você decide engordar. Passar as próximas duas semanas entregando a média mais rápido, a tarefa que o Pangu-Weather resolve em segundos, ou gastá-las escrevendo os sinais do evento local, a parte que modelo global nenhum recebe pronta. As duas contas estão acima.

"Competir com o modelo na previsão da média, ou no aviso do temporal que a média apaga?"