NVIDIA lança Earth-2, IA aberta para previsão global e local

Introdução

NVIDIA Earth-2 é a nova palavra-chave em IA para previsão do tempo. A empresa lançou uma família de modelos e ferramentas abertas que cobre desde assimilação de dados até previsões globais de 15 dias e nowcasting local em minutos, com disponibilidade em GitHub e Hugging Face.

A abertura do NVIDIA Earth-2 mira um problema concreto, previsões mais rápidas, baratas e ajustáveis por agências, empresas de energia e fintechs de risco climático, sem depender apenas de supercomputadores dedicados. O anúncio foi feito durante a reunião anual da American Meteorological Society em 26 de janeiro de 2026, reforçando a ambição de criar uma pilha aberta e acelerada de IA para tempo e clima.

Este artigo destrincha o que está dentro do Earth-2, como cada modelo funciona, onde ele se posiciona frente a iniciativas como o AIFS do ECMWF e quais aplicações práticas fazem sentido adotar primeiro.

O que é o NVIDIA Earth-2, em termos práticos

No centro do NVIDIA Earth-2 está um stack de IA aberto que inclui modelos pré-treinados, bibliotecas de inferência e receitas de fine-tuning. Essa abordagem pretende cobrir o pipeline completo, desde a criação de condições iniciais via assimilação de dados até a geração de previsões globais de médio prazo e nowcasting de tempestades locais. A premissa é reduzir custo e tempo computacional, mantendo acurácia comparável ou superior a alternativas abertas em métricas padronizadas do setor.

Do ponto de vista de adoção, a NVIDIA cita uso e testes por Brightband, Israel Meteorological Service, Taiwan’s Central Weather Administration, The Weather Company, NWS, além de empresas como TotalEnergies, Eni, GCL e S&P Global Energy. Para grid eólica, o Southwest Power Pool vem usando modelos do Earth-2 com a Hitachi para melhorar previsões intraday e day-ahead. Esses casos indicam tração operacional, não apenas pesquisa.

Como o Earth-2 se organiza, modelos por função

A família NVIDIA Earth-2 inclui três novos modelos principais e dois que já vinham sendo citados em pesquisas anteriores. Cada um cumpre um papel dentro do pipeline.

• Earth-2 Medium Range. Modelo de médio prazo, agora com a arquitetura Atlas, voltado a previsões até 15 dias e mais de 70 variáveis, como temperatura, pressão e vento. Em benchmarks padrão, supera modelos abertos líderes nos principais alvos de previsão, segundo a NVIDIA. Para quem opera energia, agricultura e logística, esse horizonte de 15 dias é terreno fértil para decisões táticas.
• Earth-2 Nowcasting. Construído sobre a arquitetura StormScope, transforma dados de satélite e radar em previsões de curto prazo de zero a seis horas, em resolução quilométrica, em minutos. A NVIDIA afirma que o modelo é o primeiro a superar sistemas físicos tradicionais na previsão de precipitação de curtíssimo prazo, simulando a dinâmica das tempestades e prevendo diretamente imagens de satélite e radar. Isso interessa para resposta a eventos severos, operações de aeroportos e varejo sensível à chuva.
• Earth-2 Global Data Assimilation. Com a arquitetura HealDA, gera condições iniciais do estado atual da atmosfera em segundos usando GPUs, em vez de horas em supercomputadores. Acoplado ao Medium Range, a NVIDIA relata o pipeline aberto de IA mais hábil em habilidade preditiva entre soluções totalmente de IA. Para quem precisa rodar muitos cenários rapidamente, reduzir o gargalo da assimilação é um divisor de águas.
• Earth-2 CorrDiff. Modelo generativo de downscaling que converte campos de baixa resolução em campos regionais de alta resolução, até 500 vezes mais rápido que métodos tradicionais, útil para detalhamento local e impacto setorial.
• Earth-2 FourCastNet3. Focado em alta acurácia para variáveis como vento, temperatura e umidade, rivaliza com métodos de difusão topo de linha e pode produzir previsões até 60 vezes mais rápidas.

Para desenvolvimento, o ecossistema inclui o PhysicsNeMo, framework Python open source para modelos físico-informados em escala, e a distribuição dos modelos via Earth2Studio, GitHub e Hugging Face, o que facilita testes e integrações com pipelines MLOps.

![Vista de nuvens e atmosfera da Terra, foto de satélite]

O que realmente está aberto

A declaração da NVIDIA é clara, modelos abertos, bibliotecas e frameworks formam uma pilha aberta e acelerada. Medium Range e Nowcasting estão disponíveis abertamente através do Earth2Studio, GitHub e Hugging Face. O componente Global Data Assimilation tem liberação prevista para mais tarde em 2026, segundo o post oficial, o que sugere rollout por etapas. Para quem planeja produção, vale acompanhar versionamento e licenças de cada repositório.

No discurso de abertura, há ênfase em acessibilidade, especialmente para nações que não conseguem manter supercomputação volumosa. O Wall Street Journal relatou a expansão dos modelos Earth-2 como esforço para democratizar dados de tempo e clima, citando adoção por The Weather Company, a autoridade meteorológica de Taiwan e players de energia como TotalEnergies e Eni. O resumo do WSJ reforça o recado, reduzir tempo e custo, mantendo ou elevando a acurácia.

Como o Earth-2 se compara a outras iniciativas de IA do tempo

A comparação direta inevitável é com o ECMWF, que levou o AIFS, seu sistema de previsão baseado em IA, à operação em 25 de fevereiro de 2025, e depois colocou o AIFS ENS, a versão em conjunto de 51 membros, em operação em 1 de julho de 2025. O ECMWF reporta ganhos de até 20 por cento em várias métricas frente a modelos físicos, além de economia de energia cerca de mil vezes por previsão.

Há consenso no setor, IA acelera previsões e torna viável rodar ensembles extensos. O Financial Times destacou que a Europa elevou o patamar com IA operacional que oferece previsões em tempo real e abrangem variáveis relevantes para renováveis, como vento em altura de turbinas, e que a tendência é evoluir resolução e incorporar ensembles mais robustos.

Onde o NVIDIA Earth-2 se diferencia é a proposta de uma suíte aberta, com componentes para cada etapa do pipeline, do HealDA para condições iniciais, passando por Medium Range e Nowcasting, além de downscaling via CorrDiff. Essa composição em módulos abertos é um ponto de atenção para equipes que querem substituir peças do pipeline gradualmente e avaliar custo versus benefício por etapa.

Aplicações práticas e quem já está usando

Os exemplos citados pela NVIDIA cobrem um arco amplo, Brightband rodando o Medium Range operacionalmente para previsões globais diárias, Israel Meteorological Service com CorrDiff em operação e planos para Nowcasting, além de TotalEnergies avaliando Nowcasting para consciência de risco de curtíssimo prazo em sistemas onde minutos importam. Também há uso em trade de energia por Jua e Metdesk, e em risco financeiro por AXA e S&P Global.

Para operadores de rede, o caso do Southwest Power Pool com Hitachi é um caminho concreto, melhorar previsões intraday e day-ahead de vento, uma dor frequente em mercados com penetração crescente de renováveis. Quando a previsão erra, o custo de balanceamento sobe. O apelo da IA é reduzir o erro médio e, principalmente, os erros extremos que forçam despacho caro.

Do lado público, o AIFS do ECMWF opera lado a lado com o IFS físico, mantendo o melhor dos dois mundos. Esse desenho híbrido é pragmático, IA para velocidade e ensembles mais amplos, física para processos de alta resolução e acoplados ao sistema Terra. A mensagem é clara, a estratégia não é substituir meteorologistas nem abolir modelos físicos de uma vez, é criar sinergia.

Agoracasting, tempestades severas e a fronteira do curto prazo

Nowcasting é onde o impacto operacional salta aos olhos. Prever a evolução de células convectivas em minutos é crítico para aeroportos, logística urbana, varejo e seguros paramétricos. O Earth-2 Nowcasting alega superar modelos físicos tradicionais na chuva de curtíssimo prazo por simular diretamente a dinâmica das tempestades com imagens de satélite e radar. Para adoção responsável, times devem validar localmente com dados de radar, avaliar skill por variável e checar viés sazonal.

![Assinatura de hook echo em radar NEXRAD, indicativa de supercélula tornádica]

A assinatura de hook echo acima é um exemplo clássico de padrão que modelos de nowcasting precisam antecipar para acionar planos de contingência. A confiabilidade não se mede apenas em MAE ou RMSE, mas em métricas de eventos extremos, como Brier score, ETS e probabilidade de detecção em janelas de 0 a 60 minutos. A literatura recente e a prática operacional reforçam a leitura de ensembles no curtíssimo prazo para melhor comunicação de risco.

Como começar com o NVIDIA Earth-2 na prática

Para equipes técnicas, o primeiro passo é explorar o Earth2Studio, GitHub e Hugging Face, onde os modelos Medium Range e Nowcasting já estão disponíveis. A NVIDIA fornece receitas de fine-tuning e bibliotecas de inferência, o que ajuda a reproduzir benchmarks e, principalmente, a ajustar para domínios locais. O componente de Global Data Assimilation deve chegar ainda este ano, então vale planejar a integração com HealDA para fechar um pipeline de IA puro.

Checklist de adoção rápida:

• Definir objetivo operacional, reduzir erro intraday de vento, melhorar acurácia de precipitação em D0, ou gerar cenários de risco para seguros paramétricos.
• Preparar dados locais, radar, satélite, estações, e orquestrar ingestão consistente. Se a organização já usa ERA5 para reanálise, alinhar escalas e variáveis com os modelos do Earth-2 acelera experimentos.
• Rodar backtests com métricas adequadas por regime, chuva estratiforme versus convectiva, vento em altura de turbina versus superfície, e avaliar custo de erro operacional.
• Considerar abordagem híbrida, IA em paralelo com modelos físicos, como faz o ECMWF, priorizando variáveis e horizontes onde a IA já demonstra ganho estável.

Oportunidades e limites, visão realista

A abertura do NVIDIA Earth-2 cria uma rampa de entrada para países e empresas que não conseguem sustentar HPC massivo. O relato do WSJ e o posicionamento do FT sobre a revolução da IA no tempo evidenciam um movimento setorial, mais players avaliando e operando IA em escala, do público ao privado.

Limites existem. Dados locais de qualidade ainda mandam na robustez do nowcasting, a assimilação de observações segue sendo arte e ciência, e nem toda métrica melhora de forma homogênea em todos os regimes. Com isso em mente, a estratégia vencedora tende a ser incremental, escolher variáveis e horizontes onde a relação custo benefício já compensa, e evoluir para pipelines end to end à medida que a equipe ganha confiança.

Conclusão

O NVIDIA Earth-2 sinaliza uma virada de chave no ecossistema de previsão, uma suíte aberta que cobre do dado bruto às previsões globais e locais, com velocidade e custo mais atraentes. Em paralelo, o ECMWF pavimentou o caminho com o AIFS operacional e com ensembles de IA, mostrando que IA e física podem, e devem, caminhar juntas.

Para quem precisa de resultados concretos, a receita é simples, começar pequeno, validar com dados locais, medir impacto operacional e escalar onde fizer sentido. O cenário evolui rápido, então acompanhar versões, benchmarks e casos reais será o diferencial entre prova de conceito e valor recorrente.