El modelo de inteligencia artificial WeatherNext, desarrollado por Google DeepMind en colaboración con Google Research, demostró una capacidad sin precedentes para predecir ciclones tropicales con hasta un día más de antelación que los modelos meteorológicos tradicionales, según un estudio publicado esta semana en la revista Nature. El avance, equivalente a aproximadamente una década de progreso meteorológico, fue puesto a prueba con éxito durante la temporada de huracanes y podría transformar la forma en que se emiten alertas tempranas ante fenómenos climáticos extremos.
El caso más llamativo fue el huracán Melissa, que en octubre de 2025 se formó en el mar Caribe. Mientras los modelos tradicionales divergían sobre su trayectoria —si permanecería débil y se dirigiría a Haití o si se intensificaría rumbo a Jamaica—, WeatherNext predijo con un 80 por ciento de confianza, cinco días antes de tocar tierra, que el sistema impactaría Jamaica como un huracán de categoría 5. La predicción resultó acertada: Melissa fue un fenómeno catastrófico que provocó inundaciones y deslizamientos en la isla, pero la advertencia anticipada permitió a las comunidades prepararse mejor.
Según Ferran Alet, investigador principal de Google DeepMind y uno de los autores del artículo, el modelo ofrece en promedio un día adicional de precisión predictiva: sus pronósticos a tres días son tan precisos como los que los modelos anteriores lograban a dos días. "Incluso unas pocas horas pueden marcar la diferencia", señaló Mike Brennan, director del Centro Nacional de Huracanes de Estados Unidos, quien destacó que organizar evacuaciones, distribuir suministros y movilizar recursos son tareas donde el tiempo resulta crucial.
Uno de los logros más significativos del modelo es su capacidad para predecir la intensidad de los ciclones, una tarea que durante años había resultado esquiva para los sistemas de inteligencia artificial. Predecir la trayectoria requiere datos a escala global sobre frentes fríos y vientos predominantes, mientras que la intensidad depende de condiciones atmosféricas y oceánicas mucho más localizadas. Kate Musgrave, jefa del grupo de ciclones tropicales del Cooperative Institute for Research in the Atmosphere y coautora del estudio, explicó que los modelos anteriores basados en inteligencia artificial lograban predecir trayectorias con razonable precisión, pero "la intensidad no podían predecirla en absoluto".
Melissa marcó además un hito histórico: fue la primera vez que el Centro Nacional de Huracanes pudo predecir un huracán de categoría 5 cuando la tormenta apenas se encontraba en etapa de categoría 1. Este tipo de intensificación rápida puede convertir un sistema relativamente manejable en una emergencia de la noche a la mañana, lo que subraya el valor de las alertas tempranas.
El modelo no solo genera una predicción única, sino que produce un abanico de escenarios posibles. El año pasado generaba 50 escenarios por tormenta; actualmente produce mil. Esta variedad permite capturar el llamado "efecto mariposa", donde pequeñas desviaciones pueden traducirse en cambios mucho mayores. "Con nuestra capacidad de cómputo, simplemente no podemos hacer esto con nuestros modelos numéricos existentes", apuntó Musgrave.
Un aspecto que ha sorprendido a los propios investigadores es que WeatherNext logra estas predicciones utilizando datos atmosféricos de resolución relativamente baja, cuando la intuición científica sugería que predecir la intensidad requería información de alta resolución. "Cuando le dijimos a la comunidad que nuestro modelo solo usaba una resolución bastante gruesa, se quedaron en shock", reconoció Alet, quien admitió que el sistema opera en cierto modo como una "caja negra": los investigadores desconocen exactamente qué señales detecta en los datos, aunque sospechan que capturan información sobre el comportamiento de los ciclones que hasta ahora había pasado desapercibida para la física convencional.
Entrenar un modelo de aprendizaje automático para eventos extremos presenta un reto particular: las máquinas necesitan grandes volúmenes de datos, pero los fenómenos extremos son infrecuentes por naturaleza. La solución, según explicó Alet, fue entrenar al sistema para ser competente tanto en meteorología general como en ciclones específicos, aprovechando la abundancia de datos climáticos generales.
Brennan del NHC advirtió, sin embargo, que WeatherNext es una herramienta más en el arsenal de los pronosticadores, no un reemplazo. "No hay garantía de que un modelo, porque haya funcionado bien el año pasado o para una tormenta en particular, vaya a ser el mejor modelo para la próxima temporada o la próxima tormenta", advirtió. Subrayó además que el factor humano sigue siendo esencial: "Un huracán no es solo una trayectoria o un pronóstico de intensidad. Requiere que expertos traduzcan eso en cuáles serán los impactos, y son los impactos los que matan a la gente".
Google DeepMind anunció que publicará como código abierto los modelos WeatherNext utilizados durante la temporada de huracanes, permitiendo a investigadores de todo el mundo utilizarlos y mejorarlos. Alet expresó su esperanza de que esta apertura impulse nuevos descubrimientos científicos sobre el funcionamiento de los ciclones. "La inteligencia artificial nos está dando nuevas herramientas para indagar en las leyes del universo", concluyó.
En un contexto donde los ciclones tropicales han causado más de 700 mil muertes y 1,4 billones de dólares en pérdidas económicas a nivel global durante los últimos cincuenta años, según datos citados por DeepMind, cada hora adicional de anticipación puede traducirse en vidas salvadas.