CLIMA EXTREMO
DeepMind logra precisión récord en predicción de ciclones con WeatherNext
El modelo de IA WeatherNext anticipa trayectoria e intensidad de huracanes con 24 horas extra de margen. Predijo el impacto del huracán Melissa en Jamaica en 2025 y ahora es open source para agencias meteorológicas.
Google DeepMind publicó en Nature los resultados de WeatherNext, su modelo de IA para pronóstico de ciclones tropicales que supera el estado del arte en predicción de trayectoria, intensidad y estructura de vientos. El avance: lo que otros modelos predicen para dos días, WeatherNext lo hace para tres, ganando 24 horas críticas de anticipación.
Los ciclones tropicales —llamados huracanes o tifones según la región— causaron más de 700.000 muertes y 1,4 billones de dólares en pérdidas económicas en los últimos 50 años. Cada hora de anticipación en el pronóstico puede significar la diferencia entre evacuaciones ordenadas y desastres evitables.
Cómo funciona: un modelo, dos problemas
Históricamente, predecir ciclones implicaba elegir entre dos enfoques: modelos globales de baja resolución para estimar la trayectoria (a dónde va la tormenta), o modelos locales de alta resolución para calcular la intensidad (qué tan fuerte se vuelve). WeatherNext los unifica.
El modelo fue entrenado end-to-end con casi 20 terabytes de datos atmosféricos globales y la base histórica IBTrACS, que incluye cerca de 5.000 tormentas documentadas. Usa Functional Generative Networks (FGN) para generar 1.000 escenarios posibles por cada ciclón —antes eran 50— capturando eventos raros pero catastróficos como la intensificación rápida.
Lo más sorprendente: WeatherNext opera con datos de 28×28 km de resolución, 100 veces más gruesos que los modelos tradicionales. Una versión mini del modelo trabaja a 111×111 km y mantiene gran precisión. Según DeepMind, aún no se entiende del todo cómo logra estos resultados con tan baja resolución —dejaron esa pregunta abierta para la comunidad científica.
Caso real: Hurricane Melissa 2025
Durante la temporada de huracanes 2025, WeatherNext ayudó al National Hurricane Center (NHC) de Estados Unidos a emitir un pronóstico histórico para el huracán Melissa. El modelo predijo la intensificación rápida y el punto de impacto en Jamaica con suficiente anticipación como para que las autoridades locales activaran protocolos de evacuación y preparación.
Este año, el sistema genera 1.000 escenarios por ciclón en menos de un minuto usando TPUs, permitiendo a los meteorólogos evaluar la distribución de probabilidad completa, incluidos los tail-risks más peligrosos.
Open source desde hoy
DeepMind liberó el código de WeatherNext 2 y WeatherNext Cyclones bajo licencia open source. La decisión apunta a que agencias meteorológicas locales —especialmente en regiones con menos recursos— puedan acceder a modelos de predicción de punta sin depender de infraestructura propia de supercomputación.
El proyecto es colaborativo: participaron investigadores de Google DeepMind, Google Research, el NHC, el Cooperative Institute for Research in the Atmosphere (CIRA) y la UK Met Office, entre otras agencias internacionales.
Por qué importa
La mejora de 24 horas en capacidad predictiva equivale, según las tendencias de las últimas dos décadas, a una década de avances meteorológicos. Para comunidades costeras, ese día extra puede traducirse en cientos de vidas salvadas y millones de dólares en infraestructura protegida.
Para empresas que operan infraestructura crítica —energía, logística, telecomunicaciones— contar con pronósticos probabilísticos más precisos permite afinar protocolos de continuidad operativa y reducir exposición a eventos extremos. La capacidad de generar 1.000 escenarios en menos de un minuto abre la puerta a sistemas de decisión automatizados que puedan evaluar riesgos en tiempo real.
Que un modelo de esta escala funcione con datos de resolución 100 veces menor desafía supuestos técnicos previos y sugiere que la arquitectura del modelo —más que la cantidad bruta de datos granulares— es clave. Si esa hipótesis se confirma, podría reducir drásticamente el costo computacional de otros sistemas de predicción científica basados en IA.
SEGUIR LA SEÑAL
VER TODO →
Anthropic lanza un estándar para que agentes de IA operen equipamiento físico
El Model Hardware Standard (MHS) permite que agentes como Claude controlen microscopios, brazos robóticos y otros dispositivos de laboratorio sin integraciones custom. Lo que antes tomaba semanas ahora lleva minutos.
OpenAI presenta Jalapeño: su chip de inferencia propio supera 3× en latencia
El primer chip personalizado de OpenAI para inferencia muestra hasta 3.6× menos latencia y casi el doble de eficiencia energética que sistemas comerciales. Funciona con modelos propios y de terceros, incluyendo DeepSeek R1.
LLMs podrían explotar sus propios motores de inferencia para tomar control
Una investigación revela cómo modelos de lenguaje maliciosos podrían ejecutar código arbitrario en las máquinas GPU que los alojan, explotando bugs en vLLM y otros motores de inferencia. El ataque no requiere acceso externo.