Per decenni la previsione meteorologica moderna ha seguito una catena molto precisa: raccogliere osservazioni da satelliti, radar, stazioni e palloni sonda, trasformarle in una rappresentazione coerente dello stato dell’atmosfera, inserirle in grandi modelli fisici e lasciare che supercomputer estremamente potenti risolvessero, passo dopo passo, le equazioni che descrivono l’evoluzione dell’aria, dell’umidità e dell’energia. L’intelligenza artificiale ha cominciato a incrinare questo schema negli ultimi anni, dimostrando che un modello addestrato su decenni di dati può produrre previsioni competitive con una quantità di calcolo molto inferiore. Con WeatherNext 3, però, Google prova a fare un passo ulteriore: non limitarsi a imitare il risultato dei sistemi tradizionali, ma avvicinare direttamente la macchina ai dati grezzi del mondo reale.

Il nuovo modello sviluppato da Google DeepMind e Google Research riceve immagini satellitari geostazionarie a bassa latenza, può essere inizializzato ogni ora e produce previsioni con una risoluzione che arriva fino a circa cinque chilometri per alcune variabili superficiali. Rispetto a WeatherNext 2, che lavorava principalmente su una griglia di 25 chilometri e con nuove inizializzazioni ogni sei ore, il salto è sostanziale. Google ha già iniziato a integrare WeatherNext 3 in Search, Maps, Gemini, Google Maps Platform e Cloud, rendendo il progetto molto diverso da un semplice paper di ricerca: è un sistema che sta entrando direttamente nei prodotti utilizzati ogni giorno da milioni di persone e, attraverso le API, nei servizi di imprese e sviluppatori.

Il vero salto è nei dati che entrano nel modello

La parte più interessante di WeatherNext 3 è meno intuitiva della risoluzione o della frequenza degli aggiornamenti. Molti dei più importanti modelli meteorologici di intelligenza artificiale non osservano direttamente l’atmosfera: vengono addestrati e inizializzati utilizzando le cosiddette analisi, cioè ricostruzioni dello stato atmosferico prodotte da sistemi di previsione numerica attraverso un processo complesso di assimilazione dei dati. In pratica, l’AI impara da un mondo che è già stato interpretato da un modello fisico.

Questa impostazione ha permesso risultati straordinari, ma crea una dipendenza strutturale. Se l’analisi tradizionale ha un ritardo, una distorsione o una risoluzione insufficiente, anche il modello AI eredita almeno in parte quel limite. Google prova a ridurre questa dipendenza inserendo direttamente nel sistema mosaici satellitari geostazionari aggiornati ogni ora, affiancati ai dati di analisi convenzionali. Il paper di WeatherNext 3 descrive proprio questo passaggio come uno dei punti centrali del progetto: portare l’AI oltre una semplice emulazione delle fasi separate di assimilazione, previsione e post-processing.

Non significa che Google abbia eliminato la meteorologia fisica dal processo, né che il modello possa funzionare nel vuoto. WeatherNext 3 continua a utilizzare dati prodotti dai sistemi tradizionali e la stessa ricerca si inserisce in un ecosistema in cui osservazioni, reanalisi e modelli numerici rimangono fondamentali. La novità è che il satellite non è più soltanto una fonte che deve essere prima digerita da un’altra macchina: diventa un input diretto del modello AI, rendendo più rapido il collegamento tra ciò che sta accadendo sopra la Terra e la nuova previsione.

Una previsione ogni ora cambia più della semplice comodità

Quando si parla di previsioni meteo, sei ore possono essere un intervallo enorme. Fronti, celle temporalesche e sistemi precipitativi possono cambiare struttura in tempi molto più brevi, soprattutto quando il problema non è sapere se farà caldo fra cinque giorni ma capire dove si concentrerà una perturbazione nelle prossime ore. WeatherNext 3 può produrre nuove inizializzazioni ogni ora, mentre i cicli principali dei modelli globali tradizionali vengono generalmente aggiornati a intervalli più larghi.

Il risultato è particolarmente interessante perché Google non ha aumentato soltanto la frequenza. Le previsioni di temperatura e punto di rugiada possono arrivare a circa cinque chilometri di risoluzione, molte variabili di superficie a circa dieci chilometri e i campi atmosferici tridimensionali a circa venticinque chilometri. La risoluzione non equivale automaticamente all’accuratezza, ma consente di rappresentare meglio coste, valli, rilievi e gradienti locali che su una griglia più grossolana tendono a essere smussati.

Google sostiene inoltre di avere migliorato in maniera particolarmente significativa le precipitazioni, storicamente uno dei problemi più difficili per i modelli globali. WeatherNext 3 è stato addestrato anche utilizzando il dataset satellitare IMERG della NASA e una propria rianalisi delle precipitazioni basata su satelliti e radar. Nei test pubblicati dall’azienda, il modello mostra riduzioni importanti dell’errore probabilistico rispetto ai riferimenti numerici, con miglioramenti che variano a seconda della metrica e del dataset utilizzato. Quando Google parla di previsioni delle precipitazioni fino al 50% più accurate per chi pianifica con almeno un giorno di anticipo, quindi, si riferisce a specifiche valutazioni e non a una regola universale valida per ogni località, ogni fenomeno e ogni orizzonte temporale.

La meteorologia è diventata uno dei campi più seri dell’AI

Per comprendere l’importanza di WeatherNext 3 bisogna evitare l’idea che Google stia giocando da sola. La meteorologia è oggi uno dei settori scientifici in cui il machine learning è più vicino a una vera trasformazione operativa. Il Centro europeo per le previsioni meteorologiche a medio termine, ECMWF, ha messo in produzione già nel febbraio 2025 il proprio Artificial Intelligence Forecasting System, AIFS, affiancandolo al tradizionale Integrated Forecasting System. ECMWF ha indicato tra i vantaggi un consumo energetico enormemente più basso nella fase di previsione e risultati competitivi o superiori per diverse metriche, pur mantenendo i sistemi fisici come parte centrale dell’infrastruttura.

Questo contesto è fondamentale perché impedisce di raccontare la storia come uno scontro semplicistico tra “vecchi supercomputer” e “nuova AI”. I grandi centri meteorologici stanno incorporando il machine learning, mentre i laboratori di AI continuano a dipendere dai dataset e dalle competenze prodotti dalla meteorologia numerica. Il futuro più probabile è ibrido: sistemi fisici e sistemi appresi che si alimentano a vicenda, con l’AI utilizzata dove può produrre più velocità, più ensemble e maggiore risoluzione, e i modelli fisici utilizzati per vincoli, interpretabilità, assimilazione e verifica.

WeatherNext 3 è interessante proprio perché sposta il confine di questa collaborazione. Invece di chiedere all’AI soltanto di prevedere il futuro a partire da una fotografia già ricostruita dell’atmosfera, la avvicina alle osservazioni. È un passaggio che potrebbe ridurre progressivamente la separazione tra raccolta dei dati e previsione.

Il meteo è anche un problema economico

La previsione del tempo viene spesso percepita come un servizio per decidere se portare l’ombrello, ma una parte enorme dell’economia vive di decisioni meteorologiche. Una compagnia aerea modifica rotte e carburante, un agricoltore decide quando irrigare o trattare un campo, una società logistica valuta ritardi e rischi, una rete elettrica deve stimare quanta energia arriverà da impianti solari ed eolici. Migliorare anche di poco una previsione, quando quella previsione viene moltiplicata per milioni di decisioni, può avere effetti economici molto grandi.

Google ha costruito WeatherNext 3 pensando esplicitamente anche all’energia. Il modello produce previsioni del vento a cento metri di altezza, cioè più vicine alla quota delle turbine eoliche, oltre a campi di nuvolosità e radiazione solare utili a stimare la produzione fotovoltaica. Questo tipo di informazione diventa sempre più importante con la crescita delle fonti rinnovabili, perché vento e sole sono variabili e la rete elettrica deve bilanciare continuamente produzione e domanda.

Il rapporto tra AI meteorologica ed energia è quasi circolare. I modelli di intelligenza artificiale consumano infrastruttura e potenza elettrica, ma possono anche contribuire a rendere più prevedibile un sistema energetico in cui aumenta la quota di produzione intermittente. Una previsione più accurata del vento o della copertura nuvolosa può ridurre il margine di sicurezza necessario, migliorare la programmazione degli impianti e rendere più efficiente l’uso di batterie e generazione di riserva.

Il vantaggio più grande potrebbe essere nei Paesi con meno infrastrutture

Uno degli argomenti più interessanti avanzati da Google riguarda le aree del mondo che non dispongono della stessa densità di radar, stazioni meteorologiche e capacità di calcolo di Europa e Nord America. Costruire e mantenere modelli regionali ad alta risoluzione è costoso, così come mantenere reti osservative molto dense. Un modello globale capace di usare direttamente osservazioni satellitari e produrre output ad alta risoluzione potrebbe ridurre almeno una parte di questo divario.

È una prospettiva importante soprattutto per regioni esposte a eventi estremi e con infrastrutture meteorologiche più limitate, ma va trattata con cautela. La qualità di un modello globale non elimina la necessità di osservazioni locali, competenze nazionali, radar e servizi meteorologici pubblici. Le previsioni operative e gli allarmi richiedono conoscenza del territorio e responsabilità istituzionale. Google stessa, nella documentazione di WeatherNext 3, invita esplicitamente a rivolgersi ai servizi meteorologici locali per allerte e indicazioni di sicurezza.

La vera opportunità non è sostituire quelle istituzioni, ma offrire loro una nuova fonte di previsione globale che può essere eseguita e interrogata con costi inferiori rispetto alla costruzione autonoma di un’intera infrastruttura numerica.

Il rischio di confondere un buon benchmark con una verità sul futuro

WeatherNext 3 viene presentato da Google come il proprio modello meteorologico globale più accurato e l’azienda cita anche le valutazioni live indipendenti di Operational WeatherBench, il progetto di Brightband che confronta diversi sistemi in condizioni operative. La presenza di un benchmark esterno è positiva, soprattutto in un settore in cui i confronti possono cambiare molto a seconda della variabile, della regione, del tempo di previsione e della metrica scelta.

Resta però necessario evitare titoli assoluti come “l’AI batte definitivamente la meteorologia tradizionale”. Nessun modello è migliore in tutto. Una previsione può essere eccellente sulla temperatura media e meno efficace sugli estremi locali; può prevedere bene la traiettoria generale di una perturbazione e mancare un temporale molto piccolo; può risultare superiore su una media globale e non esserlo in un singolo territorio. Anche la letteratura recente su AIFS mostra che il confronto tra modelli AI e fisici può produrre risultati diversi in funzione del tipo di verifica e del post-processing applicato.

Inoltre, il paper di WeatherNext 3 è attualmente disponibile come preprint, quindi il lavoro scientifico è pubblico e analizzabile ma non va trattato come se avesse già attraversato ogni fase possibile di revisione accademica. Il fatto che il modello sia già integrato nei prodotti Google rende ancora più importante distinguere tra performance dichiarate, benchmark indipendenti e responsabilità degli enti che producono previsioni ufficiali.

Google non sta costruendo soltanto un modello: sta costruendo una piattaforma meteorologica

La scelta di distribuire WeatherNext 3 attraverso Search, Maps e Gemini è solo la parte più visibile. Per aziende e ricercatori, Google mette a disposizione i dati attraverso BigQuery, Earth Engine e Cloud Storage, mentre il catalogo tecnico descrive previsioni globali fino a quindici giorni per i cicli principali e aggiornamenti intermedi ogni ora con orizzonti più brevi.

Questo significa che WeatherNext 3 può diventare un componente all’interno di altri prodotti: software per agricoltura, gestione energetica, assicurazioni, logistica, trasporto marittimo, aviazione o analisi del rischio. Quando una previsione meteorologica diventa interrogabile come un servizio cloud, il valore non è più soltanto nel modello, ma nell’ecosistema di applicazioni che può essere costruito sopra di esso.

È qui che Google possiede un vantaggio particolare. DeepMind può sviluppare il modello, Google Cloud può distribuirne i dati, Maps può integrarli nello spazio geografico, Search può portarli al pubblico e Gemini può trasformarli in un’interfaccia conversazionale. Pochissime organizzazioni possiedono contemporaneamente ricerca, infrastruttura cloud, mappe globali e prodotti consumer a questa scala.

La vera rivoluzione potrebbe essere rendere la previsione quasi continua

La meteorologia tradizionale è stata costruita attorno a cicli: si raccolgono i dati, si costruisce l’analisi, si lancia il modello, si produce la previsione, poi il processo riparte alcune ore dopo. WeatherNext 3 suggerisce una direzione diversa, nella quale il confine tra un ciclo e il successivo diventa meno netto perché nuovi dati satellitari alimentano il sistema ogni ora.

Non siamo ancora davanti a una previsione globale che si aggiorna istante per istante e non esiste alcuna ragione per pensare che l’incertezza atmosferica possa essere eliminata. Il caos rimane una proprietà fisica del sistema e impone limiti fondamentali alla prevedibilità. Ma più rapidamente un modello riesce a incorporare ciò che sta realmente accadendo, più può ridurre almeno quella parte dell’errore che deriva da una fotografia iniziale già vecchia.

È questa, più dei cinque chilometri o della percentuale di accuratezza in un singolo benchmark, la novità da seguire. L’intelligenza artificiale meteorologica sta passando dalla fase in cui dimostrava di poter riprodurre una previsione alla fase in cui comincia a ridisegnare l’intera pipeline con cui quella previsione nasce.

Se il passaggio continuerà, fra qualche anno la domanda non sarà più se le previsioni meteorologiche vengano fatte “con l’AI” oppure “con la fisica”. Sarà molto più difficile separare le due cose, perché i modelli appresi useranno osservazioni reali, sistemi fisici, dati storici e correzioni locali dentro un’unica infrastruttura. WeatherNext 3 non rappresenta ancora la fine del vecchio paradigma, ma è uno dei segnali più chiari che il nuovo sta cominciando a prendere forma.

Fonti