Dal 25 febbraio 2025 ECMWF ha in produzione AIFS, il primo modello globale data-driven operativo in un centro meteo internazionale: una previsione a 10 giorni in circa due minuti e mezzo su una singola GPU A100. Il punto che quasi nessuno racconta è che il modello non parte da zero: eredita le condizioni iniziali dall’assimilazione dati fisica dell’IFS, e gira a 28 km contro i 9 km del modello fisico. Per le allerte locali quella risoluzione non basta, e i limiti sugli eventi estremi sono documentati dagli stessi autori.
Ogni sei ore, nel centro di calcolo dell’ECMWF a Bologna, un sistema di assimilazione dati ingerisce circa 60 milioni di osservazioni controllate: satelliti in orbita polare e geostazionaria, radiosonde, aerei di linea, navi, boe, stazioni al suolo. Il risultato non è una previsione. È una fotografia tridimensionale dell’atmosfera al tempo zero, la condizione iniziale da cui tutto il resto parte. È il pezzo più costoso e meno appariscente della catena, e gira su supercomputer.
Da lì, dal 25 febbraio 2025, partono due strade. La prima è l’IFS, il modello fisico che risolve numericamente le equazioni della fluidodinamica su una griglia da 9 chilometri. La seconda è l’AIFS, un modello di apprendimento automatico — una rete neurale su grafo addestrata sul riarchivio ERA5 e sulle analisi operative — che non risolve nessuna equazione: ha imparato, da decenni di stati atmosferici successivi, a produrre lo stato successivo dato quello corrente, e lo itera a passi fino a dieci giorni. L’inferenza completa richiede circa due minuti e trenta secondi su una singola GPU A100, input e output inclusi. È il primo modello globale data-driven messo in servizio operativo da un centro meteorologico internazionale.
Il malinteso: la GPU non ha sostituito il supercomputer
La formula che circola — “il modello europeo ora gira su una GPU in pochi minuti” — è vera e insieme fuorviante, perché taglia via metà del processo. L’AIFS non produce le proprie condizioni iniziali. Prende quelle generate dall’assimilazione dati fisica dell’IFS, cioè dallo stesso ciclo a sei ore su 60 milioni di osservazioni che richiede l’HPC. Quei due minuti e mezzo sono il tempo di propagazione in avanti, non il tempo del sistema previsionale.
La differenza non è una pignoleria contabile. L’assimilazione è il punto in cui la meteorologia operativa incontra il mondo reale: è lì che un radiosondaggio su Novaja Zemlja o una boa nel Tirreno entrano nel modello. Un sistema puramente appreso che generasse anche le proprie condizioni iniziali sarebbe un animale diverso, con un rapporto diverso con le osservazioni. Oggi non è così, e il fatto che non sia così spiega perché l’AIFS funzioni tanto bene: eredita l’oggetto più curato di tutta la catena.
Lo stesso ECMWF è esplicito nel presentare i due sistemi come complementari e non sostitutivi — è la posizione espressa pubblicamente da Florian Pappenberger, mentre la direttrice generale Florence Rabier ha parlato di “milestone”. Nessuna delle due formule è “l’IA ha vinto”.
Ventotto chilometri non sono nove
Qui sta il secondo equivoco, quello che tocca direttamente il discorso sulle allerte. L’AIFS Single gira su una griglia gaussiana ridotta N320, circa 0,25 gradi, cioè circa 28 chilometri. L’AIFS ENS, operativo dal 1° luglio 2025 con 51 membri, sta a 31 chilometri. L’IFS deterministico e il suo ensemble fisico lavorano a 9 chilometri. ECMWF stessa dichiara che la risoluzione più grossolana “riduce la rappresentatività spaziale” dei campi prodotti.
Ventotto chilometri è una scala su cui un temporale autorigenerante sull’alta pianura, una cella su una valle alpina, un’onda di marea di tempesta in un golfo stretto semplicemente non esistono come oggetti distinti. Sono le scale che decidono se una strada va chiusa. I sistemi di allertamento, ovunque, poggiano su modelli ad area limitata ad alta risoluzione e su nowcasting radar, cioè su strumenti costruiti apposta per quelle scale, alimentati a loro volta dalle condizioni al contorno dei modelli globali. Il contributo di un modello globale a 28 km, fisico o appreso che sia, è a monte: indirizza, non firma.
Vale la pena dirlo chiaramente perché nel racconto pubblico l’AIFS viene spesso presentato come se stesse già arrivando sul tavolo di chi emette i bollettini. Non risulta documentato un suo uso come base per l’emissione di allerte ufficiali, e la geometria del problema spiega perché sarebbe strano il contrario.
Cosa guadagna davvero
Detto questo, i numeri che l’AIFS porta a casa non sono di facciata. ECMWF dichiara guadagni fino al 20% su alcune misure specifiche — le tracce dei cicloni tropicali, la temperatura superficiale per l’ensemble — e una riduzione dei consumi energetici di circa mille volte per singola previsione. Sul secondo dato conviene essere cauti: è una cifra dichiarata dal centro, e non è pubblicamente documentato quale perimetro includa, se cioè conti anche l’assimilazione dati e l’addestramento. Il training dell’AIFS è avvenuto su Leonardo, il supercomputer EuroHPC ospitato al Cineca di Bologna, ed è durato circa tre giorni.
La traiettoria delle versioni racconta un modello in manutenzione attiva più che un trofeo: fase pre-operativa quattro volte al giorno da ottobre 2023, versione 1.0.0 in produzione il 25 febbraio 2025, versione 1.1.0 il 27 agosto 2025 — rilasciata per correggere un problema sulle precipitazioni, con un miglioramento del 4–6% su variabili in quota e al suolo. Un bug sulle precipitazioni risolto in una minor release è esattamente il tipo di dettaglio che manca nelle narrazioni trionfali e che invece dice come funziona un sistema operativo.
Il limite strutturale: la media è levigata
Gli autori stessi documentano il punto più scomodo. I modelli addestrati minimizzando l’errore quadratico medio tendono a lisciare i campi alle scadenze lunghe: la strategia ottimale per minimizzare l’MSE, quando l’incertezza cresce, è smussare: produrre qualcosa di più vicino alla media climatologica che a uno scenario nitido. Le conseguenze sono misurabili e note: sotto-previsione degli eventi di precipitazione più intensi, sottostima dell’intensità dei cicloni tropicali.
Uno studio pubblicato su Science Advances ha rilevato che sui casi da record i modelli fisici restano avanti rispetto a quelli basati su intelligenza artificiale, in particolare sulle ondate di calore, che i modelli appresi tendono a sottostimare per frequenza e intensità. La spiegazione è intuitiva una volta detta: un sistema che ha imparato dalla distribuzione storica fatica a estrapolare fuori dal dominio di addestramento, e un evento da record è per definizione fuori da quel dominio. Un modello fisico, al contrario, non ha una distribuzione a cui tornare: ha equazioni, e le equazioni non sanno che un valore è anomalo.
È un punto che rovescia l’intuizione comune — “l’IA vedrà gli estremi prima di noi” — e che i fatti disponibili non sostengono. Sommato ai 28 chilometri di griglia, delimita con precisione dove l’AIFS oggi non va messo.
La parte che conta per chi costruisce modelli
C’è un aspetto di questa vicenda meno citato dei due minuti e mezzo, e probabilmente più consequenziale. ECMWF ha pubblicato i pesi del modello su HuggingFace, il framework di addestramento è open source — si chiama Anemoi, è co-sviluppato con i servizi meteorologici nazionali europei e ha ricevuto l’EMS Technology Achievement Award 2025 — e dal 1° ottobre 2025 il catalogo dei dati in tempo reale è sotto licenza CC-BY-4.0. AIFS Single e AIFS ENS insieme producono circa 6 terabyte di dati al giorno.
Significa che un servizio meteorologico nazionale, o un gruppo di ricerca, può addestrare la propria variante su Anemoi invece di dipendere da pesi chiusi di un’azienda privata. È una differenza di assetto industriale, non di punteggio. Nel frattempo lo stesso ECMWF esegue quotidianamente, per confronto e verifica, i modelli data-driven di terze parti: GraphCast di DeepMind, Pangu-Weather di Huawei, Aurora di Microsoft, FourCastNet di NVIDIA. E la NOAA statunitense ha portato modelli IA in operativo a gennaio 2026.
Un ultimo dato, che va in direzione opposta all’entusiasmo tecnico: uno studio del Met Office britannico dell’agosto 2026 rileva che la fiducia del pubblico nelle previsioni basate su intelligenza artificiale è inferiore a quella riposta nei metodi esistenti. Per un sistema di allertamento, dove l’unica metrica finale è quante persone fanno quello che il bollettino chiede, quel numero pesa quanto uno score di verifica.