L'IA ancora fatica a prevedere l'intensità degli uragani: i limiti della tecnologia

L'intelligenza artificiale ha trasformato il modo in cui prevediamo il tempo su scala planetaria negli ultimi anni, ma quando gli scienziati cercano di prevedere quanto intenso diventerà un uragano nelle prossime ore, la tecnologia ancora inciampa. Il problema non è la mancanza di ambizione o di potenza di calcolo. È qualcosa di più profondo: i dati che alimentano questi modelli sono incompleti, le regioni dove gli uragani si sviluppano rimangono largamente invisibili, e il caos stesso della natura potrebbe rappresentare un limite che nessun algoritmo potrà mai superare completamente.

I progressi nelle previsioni meteorologiche basate su intelligenza artificiale poggiano su tre pilastri solidi. Il primo è la disponibilità di enormi quantità di dati meteorologici accumulati nel corso di decenni, che coprono l'intero pianeta e contengono milioni di esempi di come le condizioni atmosferiche evolvono nel tempo. Il secondo è il miglioramento significativo dei modelli di IA stessi. Il terzo è una capacità di calcolo senza precedenti. Insieme, questi fattori hanno permesso ai modelli di individuare schemi che sarebbe stato impossibile riconoscere solo dieci anni fa. Ma il dibattito scientifico si concentra su una domanda più difficile: come si migliora ulteriormente la tecnologia quando i dati stessi sono il collo di bottiglia?

La sfida emerge quando si passa dalla scala globale a quella regionale. Le previsioni meteorologiche su scala mondiale, sebbene complesse, beneficiano di una certa uniformità nei dati disponibili. Ma quando si tratta di prevedere l'intensità degli uragani, il problema diventa essenzialmente regionale, legato agli eventi estremi che si sviluppano molto rapidamente o si spostano velocemente in brevi periodi di tempo. L'uragano Polo, che il 21 settembre scorso si è intensificato rapidamente al largo della costa del Pacifico messicano, è un esempio perfetto: in sole 24 ore è passato da tempesta tropicale a uragano di categoria 5, con venti fino a 290 chilometri all'ora. Catturare questo comportamento con i modelli di IA richiede dati con un livello di dettaglio molto maggiore rispetto a quello che gli attuali set di dati globali forniscono normalmente.

Le previsioni basate su intelligenza artificiale si fondano principalmente su due fonti di informazioni, entrambe imperfette. Le osservazioni dirette sono dettagliate ma solitamente limitate alle regioni costiere e distribuite in modo irregolare. Molte delle fasi più importanti dello sviluppo degli uragani avvengono in mare aperto, dove queste osservazioni sono scarse. I satelliti moderni possono contribuire a coprire alcune di queste misurazioni, ma non sono in grado di osservare simultaneamente la struttura tridimensionale completa di tutti gli uragani del pianeta. L'altra fonte sono le simulazioni dei modelli meteorologici, che combinano le condizioni atmosferiche e le conoscenze della fisica per fornire la rappresentazione tridimensionale più completa dell'atmosfera ad alta risoluzione. Anche questi dati simulati non sono perfetti: tutti i modelli informatici contengono approssimazioni e incertezze derivanti dalla conoscenza incompleta dell'atmosfera terrestre, e ci sono processi su piccola scala che le simulazioni non riescono a rappresentare. Di conseguenza, attualmente non esiste un set di dati tridimensionale completo e di buona qualità con cui addestrare un modello di IA per prevedere l'intensità degli uragani.

Ma anche se gli scienziati potessero misurare ogni secondo l'intera struttura di una tempesta per migliaia di tempeste in tutto il mondo, l'intelligenza artificiale potrebbe comunque non essere in grado di prevedere con assoluta precisione l'intensità di un uragano. Il motivo è il caos: piccole differenze nello stato iniziale di un uragano possono crescere rapidamente nel tempo, creando un comportamento imprevedibile. L'intensità di un uragano può aumentare a causa delle acque oceaniche calde, oppure il suo sviluppo può essere rallentato dal wind shear, il cambiamento della velocità e della direzione del vento con la quota. Quando la temperatura dell'oceano aumenta, aumenta anche la potenziale intensità dell'uragano, e qualsiasi piccola perturbazione provocherà oscillazioni nell'intensità. Queste oscillazioni non sono semplicemente casuali, ma si verificano all'interno di quello che gli scienziati definiscono un attrattore caotico: un insieme di possibili stati della tempesta all'interno dei quali l'uragano può evolvere in modo imprevedibile.

Qui emerge il dilemma fondamentale per l'addestramento dei modelli di IA. Gli scienziati vogliono che i modelli effettuino previsioni il più possibile accurate, minimizzando la differenza tra la previsione e ciò che realmente accade. Allo stesso tempo, vogliono che il modello riesca a catturare il caos intrinseco dell'uragano. Ma questi due obiettivi sono in conflitto diretto. Se un modello di IA riesce a catturare il caos, il suo errore non potrà essere ridotto indefinitamente. Un modello può apprendere l'evoluzione più probabile di un uragano attenuando allo stesso tempo le oscillazioni imprevedibili, ma non può fare entrambe le cose perfettamente. Inoltre, poiché i dati presentano sempre un certo grado di incertezza, le regole apprese da un modello di IA sono solo approssimative. Di conseguenza, la precisione delle previsioni sull'intensità degli uragani peggiorerà già nell'arco di pochi giorni.

La strada verso il miglioramento non passa semplicemente per l'acquisizione di più dati, lo sviluppo di reti neurali migliori o l'utilizzo di computer più veloci. La vera sfida consiste nel comprendere più profondamente il comportamento degli uragani e il modo in cui si sviluppa la variabilità della loro intensità. Finché gli scienziati non avranno una comprensione più completa di questi fenomeni, anche la tecnologia più sofisticata avrà limiti intrinseci.