Nova IA de Previsão do Tempo do Google Lidera Benchmark Conduzido por Ex-Funcionários do Google

Resumo

O Google DeepMind lançou o WeatherNext 3 em 3 de setembro de 2026, um novo modelo de IA para prever o tempo em todo o mundo. Ele mapeia temperatura e umidade com resolução de cinco quilômetros, ante os 25 quilômetros do modelo anterior, e passa a atualizar as previsões a cada hora usando dados de satélite em tempo real, em vez de a cada seis horas. Para previsões de chuva, o Google diz que o modelo é até 50% mais preciso com um dia ou mais de antecedência, e a TechCrunch relata que ele liderou um benchmark de terceiros, superando modelos concorrentes e serviços meteorológicos nacionais. Esse benchmark, porém, é conduzido por uma empresa cujos dois fundadores trabalharam anteriormente no Google, e uma startup concorrente do setor meteorológico contesta parte do discurso do Google.

O que aconteceu

O Google DeepMind e o Google Research anunciaram o WeatherNext 3 em 3 de setembro de 2026, chamando-o de seu modelo de IA para previsão global do tempo mais avançado e preciso até hoje. O modelo produz variáveis de superfície essenciais, como temperatura e umidade, em resolução nativa de 5 quilômetros, ante a grade de 25 quilômetros do antecessor, o WeatherNext 2 — uma mudança que o Google descreve diretamente: “No geral, isso fornece um panorama meteorológico global cerca de cinco vezes mais nítido que nosso modelo anterior, o WeatherNext 2, que gerava previsões em uma grade de 25 quilômetros a cada 6 horas.” O novo modelo também ingere dados de satélites geoestacionários em tempo real e atualiza suas previsões a cada hora, em vez de a cada seis horas.

Especificamente sobre precipitação, o Google relata uma melhora de até 60% no Continuous Ranked Probability Score em relação ao conjunto de dados de satélite IMERG, 30% em relação ao radar MRMS e 10% em relação a pluviômetros para prazos de previsão mais curtos — uma medida estatística de quão próximas as probabilidades de uma previsão ficam do que de fato aconteceu. Para previsões com um dia ou mais de antecedência, a empresa diz que as pessoas verão previsões de precipitação até 50% mais precisas, com os maiores ganhos em regiões onde a previsão do tempo historicamente foi mais fraca, embora não nomeie regiões específicas. O Google diz que o modelo alimentará a Busca, o app Gemini, o Google Maps, a Maps Platform Weather API e o Google Earth Engine, e será disponibilizado a pesquisadores via BigQuery e Cloud Storage. Samier Merchant, engenheiro sênior do Google, disse à TechCrunch: “Esta vai ser a primeira vez que algumas das variáveis principais alimentam e potencializam boa parte dos produtos do Google.”

A classificação de “mais preciso” do Google, segundo sua própria publicação, baseia-se em avaliações independentes em tempo real conduzidas pela Brightband. A TechCrunch relata que, no benchmark Operational WeatherBench da Brightband, o WeatherNext 3 superou modelos de aprendizado profundo do Google, da Microsoft, da Nvidia e do centro meteorológico europeu ECMWF, além de previsões tradicionais do National Weather Service dos EUA e do ECMWF. Ferran Alet, gerente de pesquisa científica sênior do DeepMind, explicou a abordagem por trás da modelagem meteorológica: “O tempo é caótico, e por isso pequenas diferenças realmente começam a perturbar tudo de forma massiva…O aprendizado de máquina mira o problema que estamos de fato resolvendo, que é aproximar uma física ruidosa a partir de informações incompletas e capacidade computacional finita, e por isso aprende padrões a partir de muitos dados.”

O que isso significa (e o que não significa)

O que está em jogo na prática é a distribuição: o Google está incorporando o WeatherNext 3 diretamente à Busca, ao Maps, ao Gemini e ao Earth Engine, de modo que qualquer ganho de precisão chega a pessoas que nunca abrem um app de previsão do tempo.

O que não decorre disso é que a tabela de classificação da Brightband seja uma checagem externa neutra. A Brightband foi cofundada por Julian Green, que antes dirigiu projetos de IA na Google X, e por Daniel Rothenberg, meteorologista que trabalhou no Google Research. Rothenberg também é a voz externa citada favoravelmente pela TechCrunch sobre o design do modelo: “A ideia, em muitas aplicações de IA, é tentar rodar as tarefas de ponta a ponta o quanto for possível.” Tampouco a caracterização do Google do WeatherNext 3 como o primeiro a usar observações em tempo real passa sem contestação: a TechCrunch relata que o WeatherMesh 6, da concorrente WindBorne, incorpora observações meteorológicas brutas desde o fim de 2025, e que ambos os modelos ainda dependem de conjuntos de dados meteorológicos nacionais em vez de assimilação direta de dados propriamente dita — a resposta do Google foi que suas previsões têm resolução global maior. Em separado, a cobertura do lançamento pelo Gizmodo reproduziu as afirmações do Google sem verificação independente e não trouxe nenhuma citação de meteorologistas ou concorrentes, portanto não acrescenta confirmação própria.

O que ainda não sabemos

Nenhuma fonte encontrada detalha o desempenho do WeatherNext 3 frente a modelos físicos de conjunto (ensemble), como o ENS do ECMWF, especificamente para eventos extremos — chuva forte, neve, furacões — por região, e o Google não nomeia regiões nem números específicos para sua afirmação sobre “regiões onde as previsões historicamente foram menos confiáveis”. Se os dados de treinamento do WeatherNext 3 deixam pontos cegos geográficos, por exemplo em áreas com poucas estações meteorológicas ou pouca cobertura de satélite, é algo que nenhuma fonte encontrada aborda. O Google não disse se vai publicar suas próprias métricas contínuas de precisão; o único acompanhamento externo em andamento identificado é a tabela da Brightband, cujas classificações em tempo real não puderam ser checadas diretamente nesta apuração. A metodologia por trás dos números de 60%/30%/10% de precisão em precipitação — tamanho da amostra, período de avaliação, prazos de previsão — não é revelada na publicação do Google, e nenhum artigo técnico foi encontrado para checá-la. O próprio benchmark WeatherBench 2 do Google, que compara mais de duas dezenas de modelos baseados em física e em aprendizado de máquina, ainda não listava resultados do WeatherNext 3 no momento desta checagem. E a afirmação do Google sobre previsão de neve melhor aparece apenas como uma linha sem quantificação em seu resumo promocional, sem nenhuma métrica de precisão específica para neve apresentada em lugar algum.