En octubre de 2025, un sistema de tormentas formado sobre el Caribe podría haber seguido dos caminos muy diferentes. Los modelos meteorológicos tradicionales no se ponían de acuerdo. El modelo de IA de Google DeepMind, WeatherTouch, no dudó: cinco días antes de tocar tierra, predijo con un 80 por ciento de confianza que la tormenta azotaría Jamaica como un huracán de categoría 5. Acertó. El huracán Melissa causó inundaciones generalizadas y deslizamientos de tierra en toda la isla, pero las comunidades recibieron advertencias antes de lo que habría sido posible de otro modo. Esa ventaja provino de un sistema que, según una investigación publicada en Nature, puede ofrecer a los meteorólogos un promedio de un día completo más de antelación que los modelos existentes.
Un día extra suena modesto. En la predicción de huracanes, no lo es.
La brecha entre trayectoria e intensidad
Durante años, los modelos meteorológicos de IA han mostrado una promesa genuina en la predicción de la trayectoria de una tormenta, es decir, la dirección en la que es probable que se desplace. Esa parte del problema es relativamente manejable: se basa en datos atmosféricos a gran escala, el tipo que los modelos globales manejan bien. Los frentes fríos, los vientos dominantes y los sistemas de alta presión dejan señales claras en los datos.
La intensidad es un problema completamente diferente. Predecir qué tan fuerte se volverá una tormenta requiere comprender las condiciones a una escala espacial mucho más pequeña: temperaturas locales del océano, dinámicas atmosféricas cerca del núcleo de la tormenta y sutiles interacciones que los modelos globales tienden a pasar por alto. Como señala Kate Musgrave, líder del grupo de ciclones tropicales en el Cooperative Institute for Research in the Atmosphere y coautora del artículo de Nature, la intensidad es algo que los modelos de IA anteriores “no podían hacer bien en absoluto”.
Esto es lo que hace que el rendimiento de WeatherNext sea notable. El modelo maneja tanto la trayectoria como la intensidad, y lo hace utilizando datos atmosféricos de menor resolución de los que los modelos numéricos tradicionales suelen requerir para la predicción de intensidad. Cuando el equipo de investigación reveló esto a la comunidad meteorológica en general, la reacción fue de sorpresa. La suposición había sido que las entradas de resolución gruesa simplemente no podían transportar suficiente señal para predecir la intensidad de la tormenta de manera confiable. WeatherNext sugiere que esa suposición era errónea, aunque los investigadores todavía no pueden explicar por qué. Ferran Alet, investigador científico en Google DeepMind y uno de los autores principales del artículo, describe el modelo claramente: “Al final del día, es una caja negra”. Algo en los datos de menor resolución es informativo de maneras que no se comprendían previamente. Qué es exactamente ese algo sigue siendo una pregunta abierta.
Mil escenarios en lugar de uno
Parte de lo que hace que el modelo sea útil operativamente no es solo su precisión en una sola predicción, sino el rango de posibilidades que genera. En lugar de producir un solo pronóstico, WeatherNext genera múltiples escenarios potenciales para una tormenta en desarrollo, capturando lo que Alet describe como el “efecto mariposa”: pequeñas desviaciones tempranas que pueden combinarse en resultados dramáticamente diferentes. El año pasado, el modelo generó 50 escenarios por tormenta. Ahora genera 1.000. Ese volumen de predicción por conjuntos (ensemble forecasting) está fuera del alcance computacional de los modelos numéricos tradicionales.
El huracán Melissa también marcó un hito específico: fue la primera vez que el Centro Nacional de Huracanes pudo predecir un huracán de categoría 5 mientras la tormenta aún estaba en intensidad de categoría 1. Ese tipo de predicción de intensidad en etapa temprana es precisamente para lo que el modelo fue diseñado para mejorar.
El rendimiento se mantuvo bajo condiciones del mundo real, lo cual no estaba garantizado. Antes de que WeatherNext se utilizara en pronósticos en vivo, los investigadores lo probaron con datos históricos. Los resultados fueron lo suficientemente sólidos como para que el equipo fuera escéptico de que se replicaran en tiempo real. Lo hicieron. “Creo que todo el mundo se sorprendió de lo bien que funcionó”, dijo Musgrave.
Por qué un día lo cambia todo sobre el terreno
La importancia de un día extra de antelación no es abstracta. Mike Brennan, director del Centro Nacional de Huracanes de EE. UU., describe claramente las apuestas prácticas: organizar evacuaciones, posicionar suministros y mover recursos de emergencia son operaciones sensibles al tiempo donde una mala decisión conlleva consecuencias graves. Históricamente, avanzar en la precisión de los pronósticos por un solo día habría requerido aproximadamente una década de trabajo incremental en el modelado tradicional. WeatherNext comprimió esa línea de tiempo.
Aquí es donde el significado más amplio de la tecnología se vuelve visible. La IA no está reemplazando a los meteorólogos que interpretan estos modelos ni a los gestores de emergencias que actúan basándose en ellos. Brennan es explícito en este punto: un pronóstico de huracán no es solo un número de trayectoria o intensidad. Traducir esos datos en una comprensión de los impactos en el mundo real, el tipo de juicio que determina cómo las comunidades se preparan y responden, todavía requiere experiencia humana. El modelo es una herramienta dentro de un sistema más grande, y una muy potente, pero la capa humana sigue siendo esencial.
Google DeepMind ha anunciado que liberará como código abierto (open source) los modelos WeatherNext utilizados durante la temporada de huracanes, poniéndolos a disposición de la comunidad de investigación en general. Alet enmarca esto como una oportunidad no solo para mejores pronósticos, sino para el descubrimiento científico. Un modelo que encuentra señales en datos donde los físicos no esperaban encontrarlas puede, una vez examinado más de cerca, revelar algo genuinamente nuevo sobre cómo funcionan los ciclones.
En resumen
WeatherNext ofrece a los meteorólogos de huracanes un promedio de un día extra de antelación precisa, una ganancia que históricamente habría tomado una década lograr mediante métodos convencionales. Hace esto manejando tanto la trayectoria como la intensidad de la tormenta, utilizando datos de menor resolución de lo que los expertos creían posible. El modelo genera 1.000 escenarios por tormenta, capturando la incertidumbre de formas que la computación tradicional no puede igualar. Lo que aún no puede hacer es explicarse a sí mismo: el mecanismo detrás de su precisión sigue siendo desconocido, lo que es en sí mismo una señal científica digna de investigar. Los meteorólogos humanos que interpretan sus resultados siguen siendo indispensables.
Basado en información de Wired.