Els models climàtics globals simulen el planeta amb quadrícules de desenes de quilòmetres per cantó, massa gruixudes per dir què passarà en una comarca o una ciutat. Qui ha de decidir on posar un dic o com protegir una xarxa elèctrica necessita un detall molt més fi, i els mètodes estadístics clàssics solen fallar justament amb els fenòmens més perillosos: els extrems rars i duradors.
Zhong Yi Wan, Ignacio Lopez-Gomez i Leonardo Zepeda-Núñez, de Google Research, amb Tapio Schneider, Fei Sha i altres coautors, presenten GenFocal, un marc d'IA generativa que combina dues tècniques, una per corregir el biaix del model i una altra per afinar-ne la resolució. Passa d'una quadrícula d'1,5 graus a una de 0,25 graus i modela seqüències de dies consecutius, no fotos aïllades. Segons l'article, no necessita parells d'esdeveniments simulats i observats per entrenar-se.
El resultat és que reprodueix amb més fidelitat esdeveniments com les onades de calor i els cicles tropicals, fins i tot quan el model groller els representa malament, i millora l'estimació del risc regional dels extrems compostos. És una peça de recerca revisada, publicada a «Nature Machine Intelligence» (DOI 10.1038/s42256-026-01308-7); el codi és obert i s'ha dipositat a Zenodo. El treball circulava des del 2024 com a preprint a arXiv.
Convé no exagerar-ne l'abast. GenFocal depèn de la qualitat del model climàtic de partida: si aquest no genera un fenomen, la IA no el pot inventar amb garanties. Els autors el presenten com una eina per a l'avaluació de riscos, no com una previsió del temps. Que el resultat sigui estadísticament coherent no el converteix en una predicció exacta de cap esdeveniment concret.