DeepMind logra precisión récord en predicción de ciclones con WeatherNext

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.