DeepMind apunta a una brecha de larga data en el pronóstico de ciclones
Google DeepMind ha presentado WeatherNext Cyclones, o WN-C, un sistema de inteligencia artificial diseñado para pronosticar ciclones tropicales prediciendo tanto hacia dónde irá una tormenta como qué tan fuerte llegará a ser. Esa combinación importa porque el pronóstico operativo ha estado dividido durante mucho tiempo entre dos fortalezas: algunos modelos son mejores para la trayectoria de las tormentas, mientras que otros son mejores para la intensidad. Según el informe proporcionado, WN-C está pensado para abordar ambas tareas en un solo sistema y, en las pruebas, ampliar en aproximadamente un día la habilidad útil de pronóstico frente a los principales enfoques operativos.
El modelo fue desarrollado con el Centro Nacional de Huracanes de Estados Unidos, el Cooperative Institute for Research in the Atmosphere y la Oficina Meteorológica del Reino Unido. DeepMind también ha estado ejecutando pronósticos en vivo en Google Weather Lab desde junio de 2025, lo que sugiere que la empresa está posicionando el sistema no solo como una demostración de investigación, sino como algo más cercano a una herramienta operativa de apoyo a la decisión.
Por qué la intensidad de los ciclones sigue siendo un problema difícil
La predicción de ciclones tropicales ha mejorado de forma constante durante décadas, pero no de manera uniforme en todas las tareas. Pronosticar la trayectoria de una tormenta generalmente se ha vuelto más fiable que pronosticar cambios rápidos en su fuerza. La fuente proporcionada describe esto como una compensación incorporada en el ecosistema actual de modelos. Los sistemas globales, como el conjunto del Centro Europeo de Prediccións Meteorológicas a Plazo Medio, son fuertes en la guía de trayectoria, pero su resolución gruesa limita su capacidad para resolver bien la intensidad. Los modelos regionales especializados, como el Hurricane Analysis and Forecast System de NOAA, pueden afinar las estimaciones de intensidad, pero pueden sacrificar el desempeño en la trayectoria.
Ese intercambio no es académico. Los responsables de emergencias, las aseguradoras, las empresas de servicios públicos, los operadores portuarios y las autoridades locales suelen necesitar ambas respuestas al mismo tiempo: si una tormenta impactará y si llegará como un ciclón moderado o como una amenaza mayor de rápida intensificación. Si un modelo puede mejorar ambas cosas en un solo flujo de trabajo, podría simplificar las operaciones de pronóstico y reducir la incertidumbre durante las ventanas de preparación más importantes.
Cómo se ven las ganancias reportadas
Según la fuente candidata, WN-C superó a los sistemas comparativos tanto en métricas de trayectoria como de intensidad. Para pronósticos a cinco días, la posición estimada del centro de la tormenta se desvió en promedio 230 kilómetros, frente a 370 kilómetros para el ENS del ECMWF y 335 kilómetros para el modelo GenCast anterior de DeepMind. En pronósticos de intensidad a tres días, se informó que WN-C fue 3,75 nudos más preciso que HAFS.
El informe también dice que el modelo más que duplicó el rendimiento del ENS y GenCast en pronósticos probabilísticos de intensidad en múltiples horizontes temporales. Eso es especialmente relevante para los umbrales de fuerza de huracán, donde los responsables de decisiones no solo buscan una velocidad de viento proyectada, sino probabilidades de que una tormenta cruce niveles de peligro clave. En ese marco, WN-C parece orientarse menos a reemplazar una sola línea determinista de trayectoria y más a ser una herramienta para la planificación basada en riesgo.
Un ejemplo operativo citado en la fuente fue el huracán Melissa en 2025. DeepMind dijo que el modelo ayudó al Centro Nacional de Huracanes a identificar a tiempo una intensificación rápida. La intensificación rápida es uno de los problemas de pronóstico más difíciles e importantes operativamente, porque las tormentas que se fortalecen con rapidez pueden superar las decisiones de evacuación y la preparación de infraestructuras.
Datos más gruesos, salida más fuerte
Una de las afirmaciones más llamativas de la fuente es que WN-C funciona con datos mucho más gruesos que los usados en modelos regionales especializados. El espaciamiento de la rejilla reportado es de unos 28 kilómetros, y hasta una versión compacta opera a 111 kilómetros. Aun así, DeepMind afirma que el modelo supera a sistemas que dependen de un detalle espacial mucho más fino.
Eso plantea dos posibles implicaciones. La primera es práctica: si el modelo extrae más valor predictivo de entradas de menor resolución, podría reducir costes computacionales y ampliar el acceso a pronósticos de alta calidad. La segunda es científica: sugiere que los sistemas de IA pueden estar aprendiendo patrones de evolución de las tormentas a partir de contextos atmosféricos amplios de formas que no se ajustan limpiamente a las expectativas tradicionales sobre resolución y calidad del pronóstico.
La fuente señala que ni siquiera los desarrolladores de DeepMind explican por completo por qué el sistema rinde tan bien. Ese es un matiz importante. Los buenos resultados comparativos aún pueden dejar abiertas preguntas sobre robustez, casos límite, modos de fallo e interpretabilidad. En el pronóstico meteorológico de alto riesgo, esas preguntas importan casi tanto como la precisión bruta.
Por qué el lanzamiento importa más allá de un solo modelo
La importancia más amplia de WN-C es que refleja un cambio en la forma en que la IA entra en la ciencia operativa. No se trata solo de una capa estilo chatbot sobre datos meteorológicos. Es un sistema de pronóstico específico de un dominio, dirigido a un problema en el que un mejor rendimiento puede traducirse directamente en avisos más tempranos, evacuaciones más focalizadas y una mejor protección de la infraestructura energética, de transporte y de comunicaciones.
La fuente enmarca la mejora del rendimiento como aproximadamente equivalente a una década de progreso en el pronóstico meteorológico tradicional. Incluso si esa comparación resulta demasiado optimista en un uso más amplio en el mundo real, la señal es clara: los modelos meteorológicos de IA están pasando de ser complementos experimentales a sistemas que podrían influir en la práctica de pronóstico de primera línea.
Eso no significa que los modelos convencionales desaparezcan. El pronóstico operativo suele construirse sobre conjuntos, verificaciones cruzadas y experiencia humana, no sobre un único modelo ganador. Pero WN-C añade presión al campo al mostrar que los sistemas de IA ya no están limitados a nichos estrechos de pronóstico. Si pueden mejorar a la vez trayectoria e intensidad, una de las compensaciones operativas más persistentes en la predicción de ciclones podría empezar a reducirse.
Qué observar a continuación
La siguiente pregunta es si las victorias en los indicadores publicados se sostienen a lo largo de futuras temporadas de tormentas, distintas cuencas oceánicas y raros eventos extremos. Los pronosticadores también querrán saber cómo se comporta el modelo cuando las condiciones atmosféricas quedan fuera de su historial de entrenamiento, y si puede integrarse sin fricciones en los flujos existentes de alertas y avisos.
Por ahora, WeatherNext Cyclones parece un paso significativo en la IA aplicada al riesgo meteorológico. La afirmación más importante no es simplemente que sea mejor que sistemas de IA anteriores, sino que podría mejorar al mismo tiempo que los modelos operativos globales y especializados, precisamente en el área donde los errores de pronóstico pueden acarrear el mayor costo humano y económico.
Este artículo se basa en la cobertura de The Decoder. Leer el artículo original.
Originally published on the-decoder.com