El Google DeepMind informó que desarrolló WeatherNext Cyclones (WN-C), un modelo de inteligencia artificial que predice simultáneamente la trayectoria y la intensidad de los ciclones tropicales. En un estudio publicado en Nature, el sistema demuestra capacidad de adelantarse casi un día a los principales modelos operativos, una ganancia equivalente a los avances de los métodos tradicionales en la última década.
El modelo se construyó en colaboración con el National Hurricane Center (NHC), el Cooperative Institute for Research in the Atmosphere (CIRA) y el UK Met Office. Desde junio de 2025, las predicciones se ejecutan en vivo en el Weather Lab de Google. Durante el huracán Melissa, que azotó Jamaica en 2025, el WN-C ayudó al NHC a predecir la rápida intensificación de la tormenta a tiempo, según DeepMind. La rápida intensificación ocurre cuando un ciclón gana al menos 30 nudos en la velocidad del viento en 24 horas.
Fin de un dilema de décadas
La predicción de ciclones siempre ha chocado con un dilema. Los modelos globales, como el sistema ensemble (ENS) del ECMWF, son fuertes en la trayectoria, pero toscos en la intensidad. Los modelos regionales especializados, como el Hurricane Analysis and Forecast System (HAFS) de la NOAA, ofrecen lecturas de intensidad más precisas, pero pierden precisión en la trayectoria. El WN-C combina las dos funciones en un único sistema.
Para un pronóstico de cinco días, el error medio de la posición estimada del centro de la tormenta es de 230 km, frente a 370 km del ENS y 335 km del GenCast, el modelo anterior de DeepMind. En pronósticos de intensidad a tres días, el WN-C es 3,75 nudos más preciso que el HAFS.
El WN-C también puntúa más del doble que el ENS y el GenCast en pronósticos probabilísticos de intensidad en varios plazos de antelación. Para la probabilidad de vientos de 64 nudos, el umbral en el que una tormenta alcanza la fuerza de huracán, el modelo ofrece un mayor valor práctico para la toma de decisiones, según DeepMind.
Datos toscos, pronósticos precisos
El WN-C opera con una cuadrícula de datos en la que cada punto cubre unos 28 km, aproximadamente cien veces más tosca que la de los modelos regionales especializados. Incluso una variante compacta, con 111 km por punto, produce resultados competitivos, según DeepMind. "La alta resolución no es un requisito estricto para la predicción de intensidad de última generación", escriben los autores. La razón por la que el modelo genera pronósticos tan precisos en esa resolución sigue siendo una cuestión abierta.
Técnica y entrenamiento
En lugar de la difusión utilizada en GenCast, el WN-C usa Redes Generativas Funcionales (FGN). GenCast necesita decenas de pasadas por la red neuronal en cada etapa del pronóstico; la FGN requiere una única pasada y es ocho veces más rápida. Para representar la incertidumbre, el sistema inyecta ruido en las capas de control de la red, en lugar de añadir ruido a píxeles individuales, produciendo escenarios diferentes, pero físicamente consistentes.
El entrenamiento combinó casi 20 terabytes de datos atmosféricos globales de los análisis del ECMWF con un banco de unos 5.000 ciclones históricos. Los datos tabulares de las tormentas (posición, intensidad y extensión) se proyectaron en la misma cuadrícula geográfica que los datos meteorológicos, lo que permitió que la red aprendiera con ambas fuentes juntas. Los estudios de ablación del artículo muestran que este entrenamiento conjunto es lo que impulsa las mejoras.
Pronósticos a escala
Un pronóstico de 15 días se ejecuta en menos de un minuto en un chip de IA de Google, lo que permitió a DeepMind elevar el número de ejecuciones paralelas por tormenta de 50 a 1.000. Conjuntos grandes como este pueden ayudar a capturar eventos extremos raros con mayor fiabilidad. El Índice de Éxito Crítico, que pondera los aciertos frente a las falsas alarmas y los eventos perdidos, salta de un valor inferior a 0,3 a 0,5.
Complemento, no sustituto
Los modelos numéricos tradicionales siguen siendo relevantes, afirma DeepMind. El NHC suele combinar resultados de varios modelos basados en la física en un promedio ponderado para sus avisos oficiales, divididos entre trayectoria (TVCN) e intensidad (IVCN). En una simulación que añadió el WN-C a estos consensos, el modelo mejoró los pronósticos de trayectoria en promedio un 28% y los de intensidad en alrededor de un 6%. La menor mejora en intensidad sugiere que los modelos tradicionales todavía tienen un peso relevante en esta área.
El código y los pesos de WeatherNext 2 y WeatherNext Cyclones se han puesto a disposición del público en GitHub. La variante mini se ejecuta en una sola TPU en un notebook gratuito de Colab. Para avisos oficiales, los autores recomiendan los servicios meteorológicos nacionales; el WN-C es una herramienta de apoyo para los previsores, no un sustituto.
El WN-C es la evolución más reciente de una línea abierta de DeepMind: GenCast, lanzado a finales de 2024, fue el primer modelo probabilístico en superar el ensemble del ECMWF; WeatherNext 2 se presentó el año pasado; y Weather Lab, la plataforma de Google para la predicción de ciclones, se lanzó en junio de 2025 con el modelo experimental que ahora se convierte en WeatherNext Cyclones.
