Cuando una depresión tropical se formó sobre el Caribe en octubre de 2025, los pronosticadores que la vigilaban tenían a su disposición una herramienta que la mayoría nunca había usado: un modelo de aprendizaje automático de Google DeepMind. Ese modelo, publicado formalmente en Nature el 6 de agosto, anticipó el fortalecimiento explosivo del huracán Melissa y su llegada a tierra en Jamaica mucho antes que los sistemas convencionales, lo que dio al National Hurricane Center tiempo suficiente para alertar a los equipos en el terreno. El resultado sorprendió a los meteorólogos menos por el hecho de que el modelo funcionara que por la forma en que funciona: WeatherNext logra su precisión con entradas unas cien veces más gruesas que las cuadrículas de alta resolución en las que los pronosticadores aprendieron a confiar.
La afirmación central es un día extra de aviso. En pruebas contra ciclones de 2023 y 2024, los pronósticos a tres días de WeatherNext son tan precisos como lo era el estado del arte anterior a dos días, tanto en el error de trayectoria como en la velocidad máxima del viento. DeepMind describe la mejora como el equivalente a diez años de avances meteorológicos entregados en un solo lanzamiento, una caracterización que las tendencias de precisión de las últimas dos décadas parecen respaldar. Lo que está en juego justifica el lenguaje: los ciclones tropicales han cobrado más de 700.000 vidas y causado más de 1,4 billones de dólares en daños en los últimos cincuenta años, y cada hora adicional de antelación es tiempo de evacuación.
Lo que distingue al modelo es que disuelve una división que ha organizado el pronóstico de ciclones durante décadas. Hacia dónde va una tormenta lo determinan los vientos a escala continental, que los modelos globales de resolución gruesa manejan bien; qué tan fuerte se vuelve depende de la dinámica térmica a pequeña escala alrededor del ojo, que por lo general ha exigido simulaciones locales dedicadas con una resolución mucho más fina. WeatherNext es un solo sistema que predice las tres cosas a la vez (trayectoria, intensidad y campo de viento), entrenado con aproximadamente 20 terabytes de observaciones meteorológicas globales, más los registros de unos 5.000 ciclones históricos del archivo IBTrACS. Un pronóstico a 15 días se completa en menos de un minuto con una sola unidad de procesamiento tensorial (TPU), una tarea que puede mantener ocupadas durante días a las supercomputadoras basadas en física, y cada ejecución puede expandirse a un conjunto de 1.000 miembros, veinte veces la escala de las versiones anteriores, lo que permite a los pronosticadores evaluar resultados poco frecuentes, como la intensificación rápida repentina.
La paradoja de la resolución es lo que más inquieta a los meteorólogos. Los modelos convencionales de intensidad exigen cuadrículas finas; WeatherNext trabaja con celdas de 28 kilómetros (111 kilómetros en su variante miniatura) y aun así gana. DeepMind admite que no puede explicar del todo por qué, y los investigadores independientes discrepan sobre las implicaciones. Algunos la describen como la sacudida más rápida que han presenciado en la meteorología, con sistemas de IA que con frecuencia son más veloces, menos costosos y al menos tan precisos como sus contrapartes basadas en física, aunque les preocupa que la disciplina esté cambiando la pericia meteorológica por habilidades de ciencia de datos justo cuando más importa el criterio. Otros advierten que los modelos construidos con tormentas pasadas fallarán ante eventos verdaderamente anómalos sin precedente en los datos de entrenamiento, y que dejar que los modelos meteorológicos basados en física se marchiten también dañaría la ciencia del clima, pues las dos familias comparten la mayor parte de su código.
El lanzamiento también es una prueba de apertura. DeepMind publicó el código y los pesos de tres variantes (WeatherNext Cyclones, WeatherNext 2 y la mini ejecutable en Colab) bajo una licencia Apache 2.0, con resultados en vivo en su renovado Weather Lab. La colaboración que produjo el modelo, en la que participan el National Hurricane Center, CIRA y la UK Met Office, apunta a la división de trabajo prevista: el aprendizaje automático genera las probabilidades y los pronosticadores humanos, que siguen emitiendo los avisos oficiales, deciden qué significan. Para las comunidades costeras, las aseguradoras y los planificadores de emergencias, el día extra es el entregable. Para la comunidad de investigación, el enigma más profundo es por qué un modelo que ve menos puede predecir más y si esa ventaja sobrevive a la era de tormentas que no hemos visto antes.
Fuentes: El avance de DeepMind con huracanes ha sorprendido a los científicos del clima (Ars Technica, Aug 6, 2026); WeatherNext: el modelo de IA logra un avance en el pronóstico de ciclones (Google DeepMind, Aug 6, 2026); La IA de DeepMind da un día extra de aviso ante ciclones mortales (New Scientist, Aug 6, 2026); Estudio sobre ciclones de WeatherNext (Nature, Aug 6, 2026); El WeatherNext de DeepMind gana un día completo en el pronóstico de ciclones (ExplainX, Aug 7, 2026); DeepMind abre WeatherNext y les gana un día a los pronosticadores en el pronóstico de ciclones (AI Weekly, Aug 6, 2026)
Traducido por Alessandra