Modelos de IA preveem bem o clima, mas ‘esquecem’ o efeito borboleta, aponta estudo

Prever bem não é prever como a natureza funciona

Os modelos de previsão do tempo baseados em IA — como o Pangu-Weather e seus sucessores — impressionam pela precisão em escala global. Mas um novo estudo sugere que há um preço oculto nessa acurácia: eles podem não reproduzir o “efeito borboleta”, a forma como perturbações minúsculas crescem rapidamente na atmosfera real.

O pré-print, de pesquisadores ligados à Universidade de Chicago e ao NSF, comparou modelos de IA com modelos numéricos baseados em física em três níveis: a reanálise ERA5, um modelo de circulação geral de complexidade intermediária (PlaSim) e o sistema multi-escala Lorenz 96.

A assimetria entre prever e “retrover”

Os autores treinaram redes de previsão (forward) e de “retrovisão” (backcast) com arquitetura, dados e otimizador idênticos — mudando apenas se mapeavam as entradas para frente ou para trás no tempo. No ERA5, a previsão para frente ficou acima do limiar de habilidade (ACC > 0,6) por 9,1 dias, enquanto a retrovisão aguentou 6,5 dias. Ou seja: a mesma rede teve horizonte útil mais longo indo para frente do que para trás — uma assimetria que, segundo o estudo, modelos físicos reproduzem mas os modelos de IA não.

Onde está o sinal perdido

A diferença apareceu no crescimento de erros pequenos. Modelos numéricos como ICON e PlaSim reproduzem o efeito borboleta; nenhum dos modelos de IA testados (previsão ou retrovisão) o fez. Num experimento com o Pangu-Weather oficial, reduzir o passo de tempo de 24 horas para 1 hora fez o crescimento de pequenas perturbações mudar de lento para rápido — mas derrubou a previsão útil de 9,3 para 2,0 dias.

A interpretação dos autores é que o coarsening dos dados de treino (a omissão de informação rápida e de pequena escala) amortece o crescimento de erro de larga escala, o que ajuda as métricas de previsão global ao mesmo tempo em que enfraquece a fidelidade física.

Por que isso importa

Para quem depende de previsão de clima extremo — agricultura, energia, logística e defesa civil no Brasil — o achado é um alerta sobre o uso cego de modelos de IA: uma boa nota de acurácia não garante que o modelo capture a dinâmica que produz eventos raros e rápidos, como chuvas convectivas intensas. O estudo é explícito sobre seus limites: comparações como “sete vezes pior” vêm de um sistema idealizado, e o resultado do Pangu em 1 hora carrega possíveis confundidores (instabilidades em altas latitudes e precisão reduzida de GPU). O trabalho está em revisão e os autores prometem liberar os modelos e dados após a publicação.