I modelli di AI faticano a prevedere l'intensità degli uragani, secondo uno studio
I modelli di AI non hanno la coerenza fisica necessaria per prevedere con precisione l'intensità massima degli uragani, secondo un nuovo studio pubblicato dal Washington Post il 2 ottobre 2026. I modelli producono spesso risultati che violano le leggi fondamentali della termodinamica.

L'apprendimento automatico fallisce nella parte più difficile delle previsioni sugli uragani. Il Washington Post ha riferito il 2 ottobre che i modelli di AI producono previsioni di intensità che infrangono le leggi della fisica. Per la pianificazione delle emergenze è un problema serio.
Incoerenze fisiche nelle reti neurali
Il nodo centrale dell'analisi del Washington Post è che le reti neurali non sono vincolate dalle leggi fisiche. I modelli tradizionali di previsione numerica del tempo risolvono equazioni di fluidodinamica e termodinamica. I modelli di AI sono approssimatori statistici. Imparano le correlazioni tra le variabili di input e i risultati osservati. Quando un uragano si forma in una regione rara o con una struttura rara, il modello non ha alcun quadro fisico che lo guidi. Si limita a indovinare in base alle corrispondenze più vicine nei dati di addestramento.
Da qui nascono quelli che gli scienziati chiamano stati "non fisici". Un modello di AI, per esempio, potrebbe prevedere un uragano con una pressione centrale inferiore al minimo teorico consentito dall'ambiente circostante. Oppure potrebbe proiettare velocità del vento che richiederebbero più energia di quanta ne possa fornire la superficie dell'oceano. Questi errori non sono semplice rumore statistico. Mostrano una frattura profonda tra la logica interna del modello e la realtà fisica dell'atmosfera.
Anche i modelli tradizionali hanno i loro difetti, ma si basano su leggi di conservazione. Massa, quantità di moto ed energia si conservano all'interno della simulazione. Questo non garantisce l'accuratezza, ma tiene l'output del modello entro i limiti della possibilità fisica. I modelli di AI non hanno questa rete di sicurezza. Come osserva il Washington Post, ciò li rende inaffidabili negli scenari più estremi. Sono proprio i casi in cui gli errori di previsione costano più vite umane.
Il vuoto di dati sugli eventi estremi
Gli eventi estremi sono rari. Gli uragani di categoria 4 e 5 non si verificano con frequenza sufficiente a dare ai modelli di deep learning le enormi quantità di dati di alta qualità di cui hanno bisogno per apprendere schemi sottili.
I modelli di apprendimento automatico rendono al meglio quando hanno a disposizione grandi quantità di dati. Riescono a cogliere gli schemi sottili nei sistemi meteorologici comuni, ma faticano con i valori anomali. I dati climatici recenti evidenziano la crescente frequenza degli eventi meteorologici estremi dovuta al cambiamento climatico. Uno studio dell'Università della Carolina del Nord a Chapel Hill del 3 ottobre 2026, per esempio, segue le migrazioni indotte dal clima. Suggerisce che il clima estremo sta diventando un motore più frequente degli spostamenti umani. Allo stesso modo, un rapporto di Phys.org del 2 ottobre 2026 rileva che esperti forestali stanno redigendo linee guida nazionali sulla preparazione ai disastri. È il segno di uno spostamento più ampio della società verso l'adattamento a modelli meteorologici più severi. Queste tendenze significano che gli eventi "estremi" che i modelli di AI faticano a prevedere stanno diventando più comuni, non meno.
Se il clima si sta spostando verso uragani più intensi, i dati storici usati per addestrare i modelli di AI potrebbero non rappresentare più le condizioni future. È un problema classico nell'apprendimento automatico: il cambiamento di distribuzione. Il modello è addestrato sul passato, ma ci si aspetta che preveda il futuro. Se il futuro è statisticamente diverso dal passato, le prestazioni del modello peggiorano. I modelli fisici possono incorporare nuovi parametri fisici come le temperature della superficie del mare o i livelli di CO2 atmosferica. Questo li rende più attrezzati per gestire questo cambiamento.
Approcci ibridi e prospettive
I ricercatori non stanno abbandonando l'AI per le previsioni meteorologiche. Stanno sviluppando modelli ibridi che uniscono la velocità delle reti neurali alla coerenza fisica dei modelli tradizionali. Questi approcci ibridi usano l'AI per accelerare i passaggi di calcolo dei modelli fisici o per correggere i pregiudizi noti nei dati. Lo studio del Washington Post suggerisce però che i modelli di AI puramente basati sui dati non sono ancora pronti a sostituire i modelli fisici per le previsioni di intensità.
Lo studio richiama alla prudenza nell'impiego dell'AI per le infrastrutture critiche e la sicurezza pubblica. L'AI può fornire indicazioni utili e velocizzare i tempi di elaborazione. Non le si può però affidare decisioni indipendenti sull'intensità degli eventi meteorologici estremi. Gli esperti umani, capaci di interpretare il contesto fisico di una previsione, devono restare nel processo. L'obiettivo non è sostituire i modelli fisici, ma usare l'AI come strumento per migliorarne le prestazioni.
Le implicazioni dello studio vanno oltre la meteorologia. L'AI è sempre più applicata ad altri sistemi complessi, come i mercati finanziari o la modellizzazione del clima. Gli stessi problemi di coerenza fisica e scarsità di dati si presenteranno anche lì. La lezione delle previsioni sugli uragani è che l'AI deve essere ancorata alla realtà fisica. Senza questo ancoraggio, rischia di produrre previsioni sicure di sé ma sbagliate, con conseguenze potenzialmente gravi.
Per ora, gli esperti citati nella rubrica del Washington Post concordano che i modelli fisici restano il riferimento per prevedere l'intensità del clima estremo. L'AI è uno strumento promettente, ma non ancora un sostituto. La strada da seguire passa per test rigorosi, modellizzazione ibrida e una chiara comprensione dei limiti di ciascun approccio. Mentre il cambiamento climatico continua a spostare i confini di ciò che è considerato estremo, cresce solo il bisogno di previsioni accurate e affidabili. La sfida per gli scienziati è sviluppare sistemi di AI veloci ed efficienti, ma anche fisicamente solidi e affidabili.
Contesto dai rapporti climatici recenti
Rapporti recenti mostrano l'impatto economico del clima estremo. Il Los Angeles Times ha rilevato il 2 ottobre 2026 che manzo, pomodori e alghe stanno diventando più cari perché il clima estremo colpisce i raccolti. Mexico Business News ha riferito lo stesso giorno che i prezzi alimentari salgono con l'aumentare delle pressioni climatiche. Questi indicatori economici suggeriscono che il costo sociale del clima estremo si fa già sentire. Il che rende più urgente il bisogno di previsioni accurate.
Uno studio di Earth.com del 2 ottobre 2026 suggerisce che il solo esercizio fisico può aiutare il corpo ad adattarsi al caldo estremo. Riflette una tendenza più ampia verso strategie di adattamento individuali. Non affronta direttamente il problema delle previsioni, ma mette in luce la natura multiforme delle sfide poste dal cambiamento climatico. Lo studio del Washington Post sulle previsioni con l'AI si inserisce in questo contesto più ampio. Ci ricorda che, se possiamo adattarci agli effetti del clima estremo, prima dobbiamo sapere cosa sta arrivando.
L'integrazione dell'AI nella scienza del clima è un'arma a doppio taglio. Da un lato offre il potenziale di previsioni più rapide e accurate. Dall'altro introduce nuovi rischi se i modelli non sono adeguatamente vincolati. Lo studio del Washington Post è un campanello d'allarme per la comunità scientifica e per i decisori politici. Man mano che entriamo più a fondo nell'era del cambiamento climatico, gli strumenti che usiamo per prevedere il futuro devono essere affidabili e stabili quanto le leggi fisiche che governano l'atmosfera. I risultati dello studio suggeriscono che la strada è ancora lunga prima che si possa affidare all'AI gli aspetti più critici delle previsioni sul clima estremo.
Fonti
15- 01Anthropic's super bug-hunting model Mythos is hardcore good at mathEN
- 02Anthropic claims popular Chinese AI model has Mythos-class hacking abilitiesEN
- 03OpenAI alerts 100 orgs that its 'misaligned models' attempted to break inEN
- 04A Beginner's Guide to Running AI Models LocallyEN
- 05Cube Rule food classifier using Cloudflare Clef classification modelEN
- 06Training an open decision model to replace a closed one, in shadow on prodEN
- 07The right side of the brain shows more signs of aging than the leftEN
- 08When Normal Becomes the ExtremeEN
- 09Changes to Gemini model access and limitsEN
- 10Open 10-player CS:GO dataset for multiplayer world modelsEN
- 11What does the advent of powerful AI models mean for mathematicians like me?EN
- 12Twelve AI clay films for $184EN
- 134.5 Ideogram 4.5: The most precise edit modelEN
- 14Kolibri: A Sovereign Open-Weight ModelEN
- 15New in Llama.cpp: Decision ModelsEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.