US Air Force fecha contrato de US$ 49 mi com WindBorne para dados de balões e IA

A U.S. Air Force (Força Aérea dos Estados Unidos) fechou um novo contrato que pode alcançar até US$ 49 milhões com a startup WindBorne Systems para aquisição de dados meteorológicos coletados por sua frota de balões autônomos. Sediada em Redwood City, na Califórnia, a companhia fundada em 2015 opera atualmente cerca de 700 balões meteorológicos ativos ao redor do globo, captando leituras de sensores atmosféricos que alimentam diretamente sistemas governamentais e seu próprio modelo proprietário de previsão por inteligência artificial.

O acordo militar foi estruturado sob demanda, modelo no qual as Forças Armadas pagam apenas conforme solicitam informações específicas de determinadas regiões e horários. Até o momento, a U.S. Air Force já emitiu ordens de compra no valor inicial de US$ 1,7 milhão, montante que os executivos da empresa esperam ver expandido de forma contínua nos próximos meses. Trata-se do maior contrato individual já firmado pela WindBorne Systems, que já vinha prestando serviços operacionais a outros braços governamentais norte-americanos, como a U.S. Navy e o National Weather Service.

O contrato com a Força Aérea

Diferente de processos tradicionais de compras militares, a contratação foi concedida sem licitação concorrencial (without competitive bidding). A justificativa técnica reside na exclusividade da tecnologia desenvolvida em Redwood City desde 2015, que combina hardware atmosférico de longa duração com coleta contínua em escala planetária, algo que nenhuma outra organização privada conseguiu disponibilizar nos parâmetros exigidos para operações de defesa.

“Este é amplamente um veículo através do qual o crescimento contínuo da constelação pode ser apoiado, bem como parte do trabalho em pesquisa e desenvolvimento para continuar melhorando o hardware e o desempenho dos balões. É uma determinação do governo de que, para essa capacidade de coletar dados globais, éramos a única empresa capaz de fornecê-la da maneira que atendesse às suas necessidades para essas operações.”

A avaliação do cofundador e diretor de tecnologia (CTO) da WindBorne Systems, Andrey Sushko, destaca que o teto orçamentário de US$ 49 milhões funcionará primordialmente como uma alavanca para suportar a expansão da frota física de 700 balões e o financiamento contínuo de pesquisa e desenvolvimento de sensores. As requisições de US$ 1,7 milhão já executadas refletem uma transição na doutrina do Departamento de Defesa dos EUA, que busca mitigar riscos climáticos em missões críticas por meio de assinaturas de dados em tempo real em vez de manter infraestruturas proprietárias de sensoriamento ultralocal.

A frota e o modelo WeatherMesh 6

No centro da oferta técnica da companhia está a integração vertical entre a coleta de dados e o processamento algorítmico. A WindBorne Systems se posiciona como uma das primeiras organizações do setor a injetar dados empíricos observacionais diretamente em um modelo de previsão do tempo baseado em aprendizagem profunda (deep learning). No meio do ano, a startup lançou a versão mais recente de sua plataforma, o WeatherMesh 6, voltada para previsões globais de curto e médio prazo.

Segundo a liderança técnica comandada por Andrey Sushko, o WeatherMesh 6 supera em precisão o referencial histórico mantido pelo ECMWF (European Centre for Medium-Range Weather Forecasts), centro meteorológico internacional cuja metodologia clássica depende de simulações físicas pesadas da atmosfera. O diferencial do WeatherMesh 6 reside na capacidade de assimilar as leituras atmosféricas geradas pelos cerca de 700 balões em tempo real, refinando parâmetros meteorológicos que antes ficavam invisíveis aos sensores de solo e satélites convencionais.

A física tradicional contra o deep learning

Historicamente, a meteorologia dependia de supercomputadores milionários dedicados à resolução numérica de equações diferenciais complexas que tentam aproximar as leis da termodinâmica e da mecânica dos fluidos na atmosfera. Esse cenário sofreu uma inflexão com a consolidação da arquitetura de transformers no aprendizado de máquina e a disponibilização de uma base massiva de dados históricos climáticos pelo próprio ECMWF nos últimos anos. A partir desses dados, modelos de deep learning de ponta a ponta passaram a ingerir décadas de histórico atmosférico para gerar predições com velocidade muito superior e custo computacional drasticamente reduzido.

Apesar desses avanços, a fronteira do setor permanece fragmentada e assimétrica. Modelos analíticos desenvolvidos por laboratórios de fronteira, como o Google DeepMind, têm demonstrado ganhos relevantes de precisão — sobretudo em ferramentas voltadas para a trajetória de ciclones, que vêm ganhando papel central nas respostas do governo dos Estados Unidos durante temporadas de furacões. No entanto, especialistas apontam que modelos orientados puramente por dados e modelos físicos clássicos como os do ECMWF ainda coexistem como abordagens complementares indispensáveis para a compreensão integrada de fenômenos climáticos severos.

Navegação autônoma no olho do tufão

A operacionalização de balões de sensoriamento atmosférico sempre esbarrou na incapacidade de controlar sua rota sem o uso de motores pesados e propulsores energivoros. Em agosto, a WindBorne Systems atingiu um marco na aviação autônoma ao se tornar a primeira organização a enviar um sistema de voo não motorizado — sem qualquer tipo de hélice ou turbina — para colher medições no olho de um tufão (typhoon). A manobra exigiu precisão aerodinâmica para atravessar correntes de vento extremas sem destruir a carga útil de instrumentação.

O controle direcional desses veículos depende de ajustes milimétricos de altitude: ao detectar camadas de ar com diferentes velocidades e trajetórias, o sistema expulsa ar pressurizado ou despeja lastro de areia para subir ou descer, pegando carona em ventos favoráveis. Essa mecânica foi detalhada pelo CTO Andrey Sushko ao explicar a dinâmica da constelação:

“Esse é um passo bastante inovador, e os dois ingredientes para isso são: primeiro, ter bons modelos de vento e meteorologia e saber como navegar por eles; e segundo, ter uma constelação grande o suficiente para manter balões nos locais certos. É uma das primeiras vezes em que um modelo de deep learning foi usado para decisões operacionais no mundo real.”

Investimentos e o ecossistema militar

O contrato de quase US$ 50 milhões com a U.S. Air Force soma-se a uma rodada de financiamento privado que consolidou o caixa da empresa recentemente. Em agosto, o CEO da companhia, John Dean, revelou a captação de uma rodada Series B de US$ 37 milhões, voltada especificamente à expansão industrial da linha de montagem e ao incremento das operações de sensoriamento global a partir de Redwood City.

A convergência entre capital de risco privado e contratos táticos de defesa sinaliza uma mudança de postura em agências governamentais dos EUA, como a U.S. Navy e a própria U.S. Air Force. Em vez de encomendar satélites geoestacionários de longo ciclo de desenvolvimento, essas instituições têm preferido firmar contratos de serviço direto com operadoras de hardware autônomo flexível, onde as tarefas de observação regional pagas — a exemplo da ordem inaugural de US$ 1,7 milhão — reduzem o custo fixo de manutenção militar e aceleram a adoção de tecnologias comerciais de inteligência artificial.

Impactos para a meteorologia global e brasileira

Embora o contrato de até US$ 49 milhões tenha como cliente imediato as Forças Armadas dos Estados Unidos, a infraestrutura construída pela WindBorne Systems opera em escala planetária, cruzando espaços aéreos da América do Sul e de oceanos que historicamente sofrem com escassez de dados de sondagem vertical. No Brasil, instituições como o Instituto Nacional de Meteorologia (INMET) e o Centro de Previsão de Tempo e Estudos Climáticos (CPTEC/INPE) dependem de radiossondagens esparsas e de dados assimilados do modelo global do ECMWF para alimentar análises de eventos críticos, como secas no Centro-Oeste ou tempestades severas no Sul.

A expansão de frotas comerciais com 700 balões ou mais, somada à disseminação de redes neurais como o WeatherMesh 6 e as soluções de ciclone do Google DeepMind, demonstra que a meteorologia de alta precisão está migrando de supercomputadores estatais para nós de inferência rápida. Para a comunidade técnica brasileira e setores dependentes de previsão agrometeorológica e logística marítima, a ascensão desses contratos sinaliza que o monitoramento empírico em tempo real, guiado por modelos baseados em transformers, deixará de ser um experimento acadêmico para se firmar como serviço de utilidade crítica global.