Inteligência Artificial sempre foi boa em aprender com o passado, mas e quando o futuro não tem precedente?
Essa é exatamente a pergunta que dois pesquisadores do MIT decidiram encarar de frente.
Modelos climáticos tradicionais funcionam com uma lógica bem simples: analisam desastres que já aconteceram, identificam padrões e tentam prever o que pode vir a seguir.
O problema é que essa abordagem tem um limite bastante claro.
Se o próximo grande evento climático for algo que nunca foi registrado antes, esses modelos simplesmente não conseguem enxergar.
Foi justamente para resolver essa lacuna que engenheiros do MIT desenvolveram uma ferramenta capaz de prever eventos climáticos extremos sem depender de dados históricos sobre esses desastres.
Isso significa que, pela primeira vez, é possível visualizar cenários que ainda não existem nos registros, mas que são estatisticamente plausíveis de acontecer.
Parece ficção científica?
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Não é.
O método foi publicado na Nature Communications em agosto de 2025, e os resultados já mostram um caminho concreto para proteger cidades, infraestruturas e populações contra o inesperado. 🌪️
Quem está por trás dessa inovação
A ferramenta foi criada por Kai Chang, estudante de pós-graduação em engenharia mecânica, em parceria com o professor Themis Sapsis, que ocupa a cátedra William I. Koch em Engenharia Mecânica e Oceânica no MIT. Ambos são afiliados ao MIT Center for Computational Science and Engineering, e Sapsis também tem vínculo com o MIT Institute for Data, Systems, and Society.
A dupla batizou o método de Extreme Event Aware, também chamado de aprendizado η ou η-learning. A proposta é ambiciosa: produzir mapas de eventos que nunca apareceram no registro histórico de uma região, mas que continuam sendo estatisticamente possíveis. E não para por aí. Cada mapa vem acompanhado de estimativas sobre a provável duração e intensidade do evento, além de uma estimativa separada sobre a área que ele poderia atingir. É informação prática, pensada para quem precisa tomar decisões de verdade.
O problema que ninguém queria admitir nos modelos climáticos
Durante décadas, a ciência climática funcionou como uma grande biblioteca de desastres. Cada furacão registrado, cada enchente catalogada, cada onda de calor documentada alimentava bancos de dados que, por sua vez, treinavam os modelos preditivos que usamos hoje. Essa estratégia funcionou razoavelmente bem por muito tempo, mas ela carrega um problema estrutural que ficou mais evidente à medida que os extremos foram se acelerando. Quando você treina um sistema para reconhecer o que já aconteceu, ele fica cego para o que ainda não tem precedente nos registros.
Os pesquisadores do MIT identificaram esse gargalo com muita clareza. Como explica Chang, os métodos atuais assumem que existem eventos muito desastrosos que já foram vistos no conjunto de dados, e então constroem uma forma de estimar o risco desses eventos ou de prever exatamente os eventos que já aconteceram. O problema é que dados históricos sobre eventos extremos são, por definição, escassos. Eventos raros acontecem raramente, e é exatamente por isso que eles são perigosos quando ocorrem.
Sapsis ilustra essa limitação usando um exemplo que ficou marcado na memória de muita gente: o furacão Katrina. Segundo ele, um evento como o Katrina é algo que acontece a cada 30 ou 40 anos. A pergunta que fica é: qual será o Katrina que acontece a cada 100 anos? Quão ruim ele será? É exatamente isso que a equipe tenta quantificar, para ajudar os planejadores a se prepararem para cenários extremos plausíveis. É como tentar descrever uma cor que você nunca viu usando apenas as palavras que já conhece.
Como a nova ferramenta do MIT muda o jogo
A abordagem desenvolvida pelos engenheiros do MIT parte de uma premissa completamente diferente. Em vez de buscar padrões apenas em eventos que já aconteceram, o sistema trabalha combinando dois tipos de dados que, juntos, criam algo inédito na área de previsão climática.
O primeiro elemento são as estatísticas pontuais, que capturam com que frequência um determinado nível de intensidade ocorre dentro de um conjunto de dados. Um exemplo prático é o volume máximo de chuva registrado em um mapa. O segundo elemento são os mapas espaciais, que mostram como o impacto de um evento varia ao longo de uma região. Aprender a relação estatística entre esses dois tipos de dado permite que o algoritmo construa padrões espaciais para eventos que vão muito além de qualquer coisa presente nos dados de treinamento, sem precisar de exemplos prévios desses extremos exatos.
Traduzindo: o modelo aprende como o clima funciona em termos de física e dinâmica, e a partir daí consegue projetar situações que nunca ocorreram antes, mas que poderiam ocorrer dadas as condições certas. É a diferença entre se preparar apenas para o que já aconteceu e se preparar para o que pode acontecer.
Como foi feito o teste com chuvas nos Estados Unidos
Para colocar a teoria à prova, os pesquisadores testaram a abordagem usando dados de precipitação em todo o território continental dos Estados Unidos. Eles partiram de 25 anos de dados de chuva registrados de hora em hora, que foram agrupados em mapas diários. A partir desse material, calcularam as estatísticas pontuais que descrevem com que frequência a chuva máxima em um mapa atingia determinado nível ao longo de todo esse período.
O detalhe mais interessante está na janela de treinamento do modelo espacial, que foi propositalmente estreita. Essa parte do algoritmo foi treinada usando pares de mapas de baixa resolução e alta resolução, retirados apenas dos primeiros seis meses do registro de 25 anos, um período que continha poucos ou nenhum exemplo dos níveis mais intensos de chuva.
O algoritmo aprendeu como os padrões nos mapas de baixa resolução correspondiam aos detalhes das versões de alta resolução. Em seguida, aplicou as estatísticas pontuais do registro completo para controlar o quão extremos os padrões gerados poderiam se tornar. O resultado é uma máquina capaz de imaginar cenários que ela nunca viu diretamente, mas que respeitam as regras estatísticas do mundo real.
Testando a infraestrutura contra os piores cenários
Um exemplo concreto ajuda a entender o poder dessa ferramenta. A maior quantidade de chuva já registrada na cidade de Nova York é de 200 milímetros. Pois bem, o método consegue gerar mapas plausíveis de uma tempestade que produza 300 milímetros de chuva, um nível que não tem nenhum correspondente no registro observacional. 🌧️
Na prática, um usuário pode simplesmente pedir ao algoritmo treinado para mostrar como seria uma tempestade centenária em uma cidade específica. O resultado vem na forma de mapas que representam tempestades estatisticamente plausíveis naquela frequência. Cada mapa carrega seu próprio tamanho e área de cobertura, e a intensidade da chuva também varia dentro do conjunto gerado. Segundo Chang, o algoritmo é capaz de gerar grandes volumes desses cenários de uma só vez.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
As aplicações são bem tangíveis. Os mapas gerados podem ajudar uma cidade a testar seus diques e muros de contenção contra uma maré de tempestade mais severa do que qualquer coisa já registrada. Os mesmos mapas podem revelar se a rede elétrica aguentaria uma onda de calor mais longa, ou se os recursos de combate a incêndios seriam suficientes para conter um incêndio florestal maior do que qualquer outro já documentado. É informação que sai do papel e vai direto para o planejamento real.
Os limites atuais da demonstração
Como todo avanço científico honesto, essa ferramenta tem suas fronteiras bem definidas. De acordo com Chang e Sapsis, aplicar o método a um novo tipo de ameaça exige que existam estatísticas pontuais e dados espaciais relevantes para aquele risco específico. Ou seja, a ferramenta não faz mágica sem os ingredientes certos.
Ainda assim, a dupla aponta para extensões promissoras assim que esses dados estiverem disponíveis. Entre as possibilidades estão a visualização de enchentes severas e incêndios florestais que não tenham equivalente no registro histórico. À medida que mais conjuntos de dados forem sendo estruturados, o alcance do método tende a crescer bastante.
Sapsis faz uma observação que dá o que pensar. Ele lembra que a infraestrutura global foi otimizada em busca de eficiência, o que deixou muito pouca folga nos sistemas que ela sustenta. Segundo ele, um único evento extremo se propaga por cadeias de suprimentos, mercados de energia e sistemas alimentares em questão de semanas. Por isso, conseguir atribuir uma probabilidade a um evento que ainda não aconteceu virou uma questão de resiliência nacional e econômica.
Por que isso importa agora
O timing dessa publicação não é coincidência. O mundo viu nos últimos anos uma sequência de eventos climáticos que surpreenderam até os sistemas de previsão mais avançados disponíveis. Ondas de calor recordes em regiões que historicamente não registravam temperaturas tão altas, chuvas torrenciais em áreas classificadas como áridas, e ciclones com trajetórias e intensidades que fugiam dos padrões conhecidos. Cada um desses eventos revelou a mesma fragilidade nos sistemas tradicionais de previsão climática: quando a natureza sai do roteiro histórico, as ferramentas convencionais ficam para trás.
A inteligência artificial já vinha sendo aplicada em meteorologia há alguns anos, com resultados impressionantes em previsões de curto e médio prazo. Modelos como o GraphCast, do Google DeepMind, e o Pangu-Weather, da Huawei, mostraram que redes neurais conseguem superar modelos físicos tradicionais em várias métricas de precisão. Mas o avanço do MIT resolve uma lacuna diferente, e em certos aspectos mais profunda. Não se trata apenas de prever melhor o que vai acontecer nos próximos dias ou semanas. Trata-se de expandir o horizonte do possível, de incluir nos planos de contingência cenários que ainda não existem nos arquivos, mas que a física do clima indica que podem existir em breve. 🌡️
Para gestores públicos, engenheiros de infraestrutura e especialistas em gestão de riscos, essa ferramenta representa uma mudança de paradigma importante. A lógica de preparação baseada exclusivamente em precedentes históricos sempre teve um ponto fraco evidente: ela funciona muito bem para o passado e razoavelmente bem para um futuro parecido com esse passado. Em um cenário de instabilidade climática crescente, onde o futuro tende a ser cada vez menos parecido com o que vivemos antes, a capacidade de antecipar o inédito deixa de ser um diferencial e passa a ser uma necessidade básica de qualquer sistema sério de gestão de riscos climáticos.
