Pesquisadores do MIT apresentaram um método de treinamento capaz de produzir emuladores climáticos — modelos de inteligência artificial que imitam o comportamento de simulações completas do sistema terrestre — com uma fração dos dados e do tempo normalmente exigidos. A técnica gera cenários sintéticos "otimizados" para o treinamento e, nos testes, permitiu que um emulador previsse situações que não havia visto durante o aprendizado, algo que os modelos tradicionais avaliados não conseguiram fazer. O resultado, publicado em novembro de 2026 no Proceedings of the National Academy of Sciences (PNAS), importa porque projeções climáticas precisas são insumo direto para decisões sobre redes elétricas, saúde pública e produtividade agrícola [1][2].
O gargalo que os emuladores tentam contornar
A base das projeções de longo prazo continua sendo os Modelos do Sistema Terrestre (Earth System Models, ou ESMs). São modelos físicos que reproduzem, em grande detalhe, os principais componentes e interações do clima. O problema é o custo computacional: rodar um ESM pode levar meses em um conjunto de supercomputadores, e isso para projetar um único cenário futuro possível [1].
É nesse ponto que entram os emuladores: modelos substitutos rápidos, treinados para mimetizar o comportamento dos ESMs de escala completa. Enquanto um ESM leva meses, um emulador roda em poucos segundos — o que amplia radicalmente o que os cientistas podem explorar, de milhares de cenários alternativos a efeitos regionais de poluentes específicos [1].
O ecossistema científico já depende dessa lógica. Emuladores foram usados no sexto relatório de avaliação do IPCC, o AR6 [4], e a comunidade do CMIP — a rodada internacional de comparação de modelos climáticos — dedicou uma sessão do seu workshop de 2026 a diagnósticos avançados, emuladores e aprendizado de máquina para o CMIP7 [3]. Isso ajuda a explicar por que ganhos de eficiência nessa etapa têm repercussão prática tão ampla.
Como a nova técnica funciona
O ponto de partida dos pesquisadores não é o modelo, mas o conjunto de dados que o alimenta. Hoje, quem projeta um emulador costuma treiná-lo com um conjunto de seis a oito cenários futuros baseados em trajetórias realistas de emissões. Cada um desses cenários precisa ser previamente rodado em um ESM completo — e é justamente aí que o processo se torna caro e demorado [1].
A equipe do MIT inverteu a lógica. Primeiro, gera um cenário climático arbitrário usando um modelo climático simples e veloz. Depois, mede o erro do emulador ao tentar reproduzir os resultados daquele cenário. Segundo o artigo científico, um Modelo Climático Simples (SCM) diferenciável permite calcular a sensibilidade da perda do emulador a perturbações nos dados de treino [5]. Com essa informação, o algoritmo atualiza iterativamente os dados — por exemplo, aumentando drasticamente as emissões de CO₂ em 2050 ou reduzindo rapidamente as emissões de metano em 2037 — até que o erro atinja um limite predefinido [1].
O ganho é considerável: em vez de rodar um ESM seis ou oito vezes para produzir dados de treinamento, o usuário precisa rodá-lo apenas uma vez [1]. O que o algoritmo entrega não é um modelo, mas um conjunto de cenários de emissões desenhado sob medida para maximizar a habilidade preditiva do emulador — daí o título do trabalho, "design ótimo de cenários para emulação climática" [5].
Cenários "irreais" que ensinam mais
O resultado dessa otimização é contraintuitivo: os dados sintéticos finais não se parecem com cenários realistas, nos quais as emissões seguem trajetórias suaves. Ao contrário, contêm variações rápidas e oscilações de alta frequência [1].
"Nosso algoritmo pode gerar cenários estranhos, que não se parecem em nada com um futuro realista, mas não nos importamos tanto se os cenários de treinamento são realistas. Estamos apenas tentando montar o melhor conjunto de dados possível para treinar um emulador", explica Christopher Womack, que concluiu o doutorado no MIT em 2026, hoje pós-doutorando na ETH Zurique e primeiro autor do artigo [1][5].
A justificativa técnica, nas palavras dele: "Ao introduzir essas oscilações e variações de alta frequência, nossos dados permitem que o emulador extraia muito mais informação sobre o sistema como um todo" [1]. Ou seja, cenários que forçam o modelo a lidar com mudanças bruscas expõem relações que trajetórias suaves deixam implícitas.
O teste em que os emuladores tradicionais falharam
A validação mais reveladora veio de uma situação de política pública: um emulador treinado com a nova técnica conseguiu capturar os efeitos de políticas locais de controle que reduzem um poluente específico enquanto as demais emissões continuam subindo. Os emuladores tradicionais avaliados pelos pesquisadores falharam nesse teste [1].
O caso é representativo do tipo de pergunta que gestores fazem na prática e que não se encaixa nos cenários padronizados. "No futuro, vamos definitivamente ver climas e cenários que nunca vimos antes. Se pudermos simular esses diferentes cenários de forma mais robusta, podemos fornecer informações mais confiáveis às partes interessadas que precisam delas", afirma Noelle E. Selin, professora do Instituto de Dados, Sistemas e Sociedade (IDSS) e do Departamento de Ciências da Terra, Atmosféricas e Planetárias (EAPS) do MIT, diretora do Centro de Ciência e Estratégia para a Sustentabilidade (CS3) e autora sênior do estudo [1].
Contexto: emuladores como infraestrutura científica
A ideia de usar modelos mais leves para complementar simulações completas não é nova, mas os emuladores ganharam papel de destaque nos grandes ciclos de avaliação, como o AR6 do IPCC [4]. Por isso, a comunidade acompanha de perto a consistência entre gerações dessas ferramentas. Um estudo publicado em Geophysical Research Letters em 2022 mostrou que as projeções de aquecimento feitas com emuladores calibrados para o AR6 são consistentes, com margem de cerca de 0,1 °C, com as dos emuladores usados no relatório especial SR1.5 [6]. Diferenças dessa ordem pesam em análises de política climática, o que explica por que a etapa de treinamento é tratada como infraestrutura científica.
Paralelamente, a pesquisa se diversificou. Em 2025, pesquisadores apresentaram o Samudra, um emulador de IA do componente oceânico de um modelo climático, baseado em uma arquitetura UNet e capaz de prever variáveis oceânicas em toda a profundidade [7]. O método do MIT entra nessa mesma corrida, mas com um alvo distinto: não o modelo, e sim o dado que o treina.
O que muda para pesquisadores e formuladores de política
O impacto mais concreto apontado pelos autores está no ciclo de atualização das ferramentas. "Este é um pedaço tão importante do pipeline quando se trata de criar ferramentas úteis que falem às necessidades das partes interessadas. Como o processo de treinar um emulador pode levar meses ou até anos, os emuladores que temos normalmente estão desatualizados. Ao reduzir esse tempo de produção, acho que essa técnica será um divisor de águas em termos de colocar ferramentas atualizadas nas mãos de pesquisadores e profissionais", avalia Selin [1].
Womack segue na mesma direção: "Emuladores climáticos são especialmente adequados para modelar cenários relevantes para políticas. Ao usar nosso método para gerar dados de treinamento otimizados para um emulador, podemos acelerar a produção de emuladores muito mais confiáveis, para que possamos confiar melhor em seus resultados na tomada de decisões de política" [1].
O artigo é assinado ainda por Shahine Bouabid, do EAPS; Andrei Sokolov e Popat Salunke, do CS3; Glenn Flierl, professor de oceanografia no EAPS; e Sebastian D. Eastham, professor associado do Imperial College London [1][5]. A pesquisa integra o projeto Bringing Computation to the Climate Challenge (BC3) e teve apoio da Schmidt Sciences, por meio do programa MIT Grand Challenges [1].
Limites e próximos passos
O trabalho não substitui os ESMs nem dispensa a validação física. A própria equipe aponta que o próximo passo é testar a técnica com um cenário de emissões gerado por um ESM completo, e não por um modelo climático simples [1]. Os pesquisadores também querem aplicar a abordagem a outros tipos de modelos climáticos e investigar sua eficácia em aplicações mais amplas de aprendizado de máquina e visão computacional [1].
Fica ainda uma questão em aberto: o método otimiza o erro médio do emulador em relação a um modelo de referência, mas a confiabilidade de uma projeção depende também de como esse erro se distribui entre regiões, variáveis e horizontes temporais — dimensões decisivas quando o resultado alimenta escolhas sobre infraestrutura ou saúde pública.
Conclusão
A contribuição central do trabalho é deslocar a atenção de quem constrói emuladores climáticos: em vez de investir apenas em arquiteturas de IA mais sofisticadas, a equipe do MIT mostra que o desenho do conjunto de treinamento pode ser o gargalo decisivo — e que cenários sintéticos deliberadamente "estranhos" podem produzir modelos mais adaptáveis do que dados realistas e caros. Com emuladores já presentes no ciclo do IPCC e nas discussões do CMIP7, trocar seis ou oito rodadas de ESM por uma única tem efeito direto sobre a velocidade com que a ciência climática chega às mesas de decisão. O próximo teste — alimentar o pipeline com um cenário vindo de um ESM completo — dirá se o atalho se sustenta fora do ambiente de testes.
Referências
[1] New research could lead to faster, trustworthy AI models for climate prediction — MIT News (12/11/2026) — https://news.mit.edu/2026/new-research-could-lead-faster-trustworthy-ai-models-climate-prediction-1112
[2] New research could lead to faster, trustworthy AI models for climate prediction — EurekAlert! (12/11/2026) — https://www.eurekalert.org/news-releases/1151723
[3] CMIP 2026: Advanced Diagnostics, Emulators, and Machine Learning for CMIP7 — WCRP-CMIP (19/06/2026) — https://wcrp-cmip.org/cmip-2026-advanced-diagnostics-emulators-and-machine-learning-for-cmip7/
[4] The role 'emulator' models play in climate change projections — CONSTRAIN (Chris Smith, 2021) — https://www.constrain-eu.org/news/the-role-emulator-models-play-in-climate-change-projections/
[5] Optimal scenario design for climate emulation — arXiv (Womack et al., 2026) — https://arxiv.org/html/2606.19302v1
[6] Changes in IPCC Scenario Assessment Emulators Between SR1.5 and AR6 Unraveled — Geophysical Research Letters (Nicholls et al., 2022) — https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022GL099788
[7] Samudra: An AI Global Ocean Emulator for Climate — Geophysical Research Letters (Dheeshjith et al., 2025) — https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2024GL114318