Google lanza un nuevo modelo de inteligencia artificial para pronósticos meteorológicos

Científicos de Google DeepMind y Google Research han presentado hoy un nuevo modelo de inteligencia artificial destinado a la predicción meteorológica. Este sistema, denominado WeatherNext 3, permite una visión más nítida de los cambios en la atmósfera y ofrece predicciones sobre su comportamiento con una mayor frecuencia. La herramienta representa la última etapa de una transformación en la meteorología impulsada por técnicas de aprendizaje profundo. Google ha confirmado que este modelo comenzará a suministrar información a los usuarios a través de sus servicios de búsqueda, Google Maps y Gemini, además de estar disponible para investigadores y usuarios en las plataformas de nube de la compañía.

Samier Merchant, ingeniero sénior de personal en Google, explicó que esta será la primera ocasión en la que variables fundamentales alimentarán y darán soporte a una gran cantidad de productos de la empresa. El nuevo modelo ya ha demostrado ser el más preciso entre los principales competidores evaluados en Operational WeatherBench, una herramienta creada por la empresa emergente Brightband para comparar pronósticos basados en inteligencia artificial. El sistema analiza métricas críticas como la temperatura, la velocidad del viento y la humedad.

En las pruebas comparativas, WeatherNext 3 no solo superó a otros modelos de aprendizaje profundo desarrollados por empresas como Microsoft y Nvidia, o por el Centro Europeo de Previsiones Meteorológicas a Medio Rango (ECMWF), sino que también obtuvo mejores resultados que los pronósticos tradicionales del Servicio Meteorológico Nacional de Estados Unidos y del propio ECMWF. Actualmente, la mayoría de los pronósticos meteorológicos provienen de supercomputadoras gubernamentales que procesan ecuaciones matemáticas para describir la física del clima; aunque estos sistemas son precisos, resultan costosos y lentos en comparación.

Desde que el ECMWF publicó en 2018 más de medio siglo de datos meteorológicos generados por estos sistemas, los investigadores en aprendizaje profundo comenzaron a entrenar modelos capaces de realizar predicciones con una rapidez superior y una precisión comparable a las herramientas gubernamentales. Ferran Alet, gestor de científicos de investigación en DeepMind, señaló que el clima es caótico y las pequeñas diferencias pueden provocar perturbaciones masivas. Según Alet, el aprendizaje automático aborda el problema de la física ruidosa y aproximada derivada de información incompleta y capacidad de cómputo limitada, aprendiendo patrones a partir de grandes volúmenes de datos.

El modelo WeatherNext 3 ha sido diseñado para superar tres debilidades principales de los modelos de predicción por inteligencia artificial. Anteriormente, estos sistemas solían predecir áreas demasiado extensas, de entre 15 y 25 kilómetros cuadrados, lo cual no siempre resulta útil; además, no siempre eran precisos con la lluvia y dependían de conjuntos de datos formateados por agencias gubernamentales. Los investigadores informaron que WeatherNext 3 puede predecir variables clave con una resolución de 5 kilómetros. Asimismo, sus evaluaciones sobre la lluvia muestran una mejora del 60% respecto a la versión anterior, WeatherNext 2, y ahora es capaz de generar pronósticos cada hora en lugar del estándar de cada seis horas.

Estas mejoras derivan de decisiones específicas en el diseño, ya que WeatherNext 3 es un modelo de mayor tamaño, con 2,4 veces más parámetros que su predecesor, ajustando los objetivos de las cabezas del decodificador para ofrecer respuestas más útiles. Mientras que la mayoría de los pronósticos meteorológicos entregan métricas promediadas en una cuadrícula tridimensional, los investigadores de DeepMind ya habían recibido elogios por ajustar su modelo para visualizar las trayectorias de los ciclones. En esta ocasión, los diseñadores han entrenado el modelo para que oriente sus pronósticos hacia estaciones de datos meteorológicos específicas, lo que permite obtener predicciones más detalladas y evaluar el rendimiento frente a datos reales de campo.

Daniel Rothenberg, científico atmosférico en Brightband, destacó que la idea con muchas aplicaciones de inteligencia artificial es ejecutar tareas de la forma más directa posible. Añadió que la capacidad de este modelo para predecir lo que una estación específica, como la del aeropuerto de Denver, medirá cada hora, conecta la tarea de pronóstico con el núcleo de la información. El modelo puede predecir con mayor frecuencia porque es capaz de procesar datos de satélites meteorológicos recopilados en tiempo real cada hora. Aunque el uso de observaciones empíricas directas en lugar de análisis de supercomputadoras promete mayor precisión, sigue siendo un reto técnico procesar datos sin formato. Google afirma que WeatherNext 3 es el primer modelo de inteligencia artificial en incorporar directamente observaciones en bruto para un pronóstico global de alta resolución, mientras que la startup WindBorne afirma que su modelo, WeatherMesh 6, ya incorpora datos de globos meteorológicos desde finales de 2025. No obstante, Google subrayó que sus pronósticos ofrecen una mayor resolución a nivel global. Ambos modelos siguen dependiendo de conjuntos de datos meteorológicos nacionales, por lo que se requiere más trabajo para lograr una asimilación de datos directa real.

A pesar de que los modelos de lenguaje extenso reciben la mayor atención mediática, la revolución de los transformadores en la meteorología ha sido igualmente relevante. Agencias meteorológicas en Europa y Estados Unidos ya utilizan modelos de inteligencia artificial en sus productos de pronóstico, cuya velocidad y bajo coste prometen un impacto económico en regiones desfavorecidas donde el coste de sensores de alta calidad y supercomputadoras dificulta el acceso a predicciones precisas. Bill Gates mencionó recientemente que los pronósticos meteorológicos impulsados por inteligencia artificial son un beneficio crucial de esta tecnología, ya que mejores predicciones mejoran el rendimiento de las cosechas en países en desarrollo. Por su parte, Ferran Alet, de DeepMind, indicó que pronósticos de mayor resolución sobre el viento, la lluvia y la cobertura de nubes serán útiles para hacer que los proyectos de energía renovable sean más fiables. Concluyó que el objetivo de Google es proporcionar información útil al usuario, gran parte de la cual está relacionada con el estado del tiempo.

Etiquetas: Inteligencia Artificial, Google