WeatherNext 3: el nuevo modelo de Google que redibuja el futuro de las predicciones meteorológicas con inteligencia artificial

Las predicciones meteorológicas ya no son exclusivas de las lentas y costosas supercomputadoras gubernamentales, pues la inteligencia artificial lidera una transformación radical en la ciencia de la meteorología. Y en el paso más reciente por este camino, investigadores de las divisiones DeepMind y Google Research revelaron un nuevo modelo llamado WeatherNext 3, que promete una visión más clara de la atmósfera cambiante y predicciones más precisas y frecuentes que nunca.

Un modelo que entra en el corazón de los productos de Google

El papel de este modelo no se limita a los laboratorios de investigación, sino que Google comenzará a emplearlo para alimentar la información meteorológica que los usuarios ven en el motor de búsqueda, Google Maps y el asistente Gemini, además de ponerlo a disposición de investigadores y desarrolladores a través de las plataformas en la nube de Google. Según el ingeniero principal de la empresa, Samir Merchant, es la primera vez que algunas variables meteorológicas fundamentales alimentan y hacen funcionar un gran número de productos de Google.

El modelo ya ha demostrado su superioridad, pues registró las puntuaciones más altas de precisión entre los competidores destacados al ser evaluado en la plataforma Operational WeatherBench desarrollada por la startup Brightband, la cual mide indicadores como la temperatura, la velocidad del viento y la humedad.

Superioridad sobre los competidores tradicionales e inteligentes

WeatherNext 3 no se limitó a superar a los modelos de aprendizaje profundo competidores desarrollados por empresas como Microsoft, Nvidia y el Centro Europeo de Predicciones Meteorológicas a Medio Plazo, sino que también superó las predicciones tradicionales emitidas por el Servicio Meteorológico Nacional de Estados Unidos y el propio Centro Europeo.

La raíz de esta transformación se remonta al año 2018, cuando el Centro Europeo puso a disposición datos meteorológicos recopilados durante más de medio siglo, lo que abrió la puerta al entrenamiento de modelos de aprendizaje profundo capaces de ofrecer predicciones mucho más rápidas y con una precisión equivalente a la de las herramientas gubernamentales. Ferran Alet, investigador de DeepMind, explica que el clima es un sistema caótico en el que las pequeñas diferencias generan enormes perturbaciones, y que el aprendizaje automático aborda el núcleo del problema al aprender los patrones de una enorme cantidad de datos a pesar de contar con información incompleta y una capacidad de cálculo limitada.

Tres grandes desafíos superados por el modelo

Los modelos de inteligencia artificial anteriores sufrían de puntos débiles principales que WeatherNext 3 resolvió de una sola vez:

• Precisión espacial: mientras que los modelos antiguos predecían dentro de áreas amplias que oscilaban entre 15 y 25 kilómetros cuadrados, el nuevo modelo es capaz de predecir con una precisión de hasta 5 kilómetros en las variables fundamentales.
• Predicciones de lluvia: su desempeño mejoró en este ámbito en un 60% en comparación con la versión anterior WeatherNext 2.
• Frecuencia de la predicción: se volvió capaz de producir pronósticos por hora en lugar de los pronósticos habituales cada seis horas.

Estos saltos fueron el resultado de decisiones de diseño precisas, pues el modelo es más grande, con el equivalente a 2,4 veces la cantidad de parámetros de su predecesor, y además fue entrenado para orientar sus pronósticos hacia estaciones meteorológicas específicas, lo que proporciona predicciones más detalladas y permite evaluar su desempeño frente a datos reales de campo.

La dependencia de los datos en bruto

La capacidad de predecir con mayor frecuencia surge de la asimilación por parte del modelo de los datos satelitales recopilados en tiempo real cada hora. Alimentar los modelos con observaciones experimentales en bruto en lugar de los análisis ya procesados emitidos por las supercomputadoras promete una mayor precisión, a pesar de la dificultad técnica que ello conlleva.

Google describe su modelo como el "primero" que integra las observaciones en bruto directamente para producir una predicción global de alta precisión; sin embargo, la startup WindBorne afirma que su modelo WeatherMesh 6 integró datos en bruto de su flota de globos desde finales del año 2025. No obstante, todos los modelos siguen dependiendo parcialmente de las bases de datos meteorológicas nacionales, lo que significa que la integración completa de los datos en directo requiere más trabajo.

Un impacto que va más allá de las predicciones diarias

Mientras que los grandes modelos de lenguaje acaparan la mayor parte de la atención, la revolución de los transformadores (Transformers) en la meteorología no es menos importante. Su velocidad y su bajo costo prometen un impacto económico tangible en las regiones pobres, a las que los altos precios de los sensores y las supercomputadoras habían privado de predicciones precisas.

Bill Gates señaló recientemente que las predicciones meteorológicas impulsadas por la inteligencia artificial se consideran un beneficio esencial de esta tecnología, pues contribuyen a mejorar la productividad de los cultivos en los países en desarrollo. Alet añade que las predicciones de alta precisión del viento, la lluvia y la cobertura de nubes harán que los proyectos de energías renovables sean más fiables. Y concluye que el núcleo de la misión de Google es ofrecer información útil al usuario, y que mucho de lo que la gente busca está relacionado con el clima de una forma u otra.

✦ بقلم فريق دروب أيديا