En su primera temporada de huracanes, la revolucionaria IA Deepmind de Google no solo igualó décadas de experiencia humana, sino que superó los resultados de dos de los modelos de superordenadores más avanzados del mundo.
A medida que el Centro Nacional de Huracanes y las agencias de predicción meteorológica mundiales procesan los datos de verificación finales, la cuestión ya no es si la IA puede realizar predicciones meteorológicas, si no cuánto tardarán los métodos tradicionales en adaptarse o en desaparecer por completo.
A medida que la temporada de huracanes del Atlántico de 2025 llega a su fin, las primeras evaluaciones del rendimiento de los modelos revelan un cambio en la fiabilidad de las previsiones que podría redefinir la meteorología.
La IA puede solucionar verdaderos retos tecnológicos y salvar vidas
El Laboratorio Meteorológico de Google DeepMind, que comenzó a emitir previsiones de ciclones tropicales en junio, ha superado de forma decisiva a los modelos tradicionales basados en la física utilizados por las agencias meteorológicas nacionales.
Los meteorólogos e investigadores que revisan los datos preliminares afirman que los resultados suponen el primer desafío serio en décadas al dominio mundial de los sistemas de predicción meteorológica numérica, como el Sistema de Predicción Global del Servicio Meteorológico Nacional de Estados Unidos.
El científico climático de la Universidad de Miami Brian McNoldy analizó la precisión de las predicciones de 13 tormentas con nombre durante esta temporada.
Su comparación preliminar muestra que el modelo de IA de DeepMind produjo de forma sistemática errores de posición medios inferiores a los del GFS de Estados Unidos en intervalos de predicción de hasta 5 días. Según sus cálculos, el error de seguimiento de DeepMind a 120 horas fue de una media de 165 millas náuticas, frente a las 360 millas náuticas del GFS, lo que supone una diferencia de más del doble.
El contraste es especialmente significativo si se tienen en cuenta los enfoques técnicos que hay detrás de cada sistema. El GFS se basa en ecuaciones físicas explícitas que simulan el movimiento atmosférico en tres dimensiones, y se ejecuta en superordenadores a gran escala de la NOAA con ciclos frecuentes de asimilación de datos.
El sistema de DeepMind, por el contrario, es una red neuronal entrenada con décadas de datos meteorológicos archivados, lo que le permite inferir patrones atmosféricos de forma estadística en lugar de a partir de principios físicos básicos. Su arquitectura puede ofrecer previsiones en cuestión de minutos en clústeres de GPU estándar, lo que elimina la necesidad de una infraestructura computacional masiva.
El modelo de DeepMind no solo superó los resultados individuales del modelo GFS, sino que también superó los pronósticos oficiales generados por humanos y los modelos de consenso como TVCN y HCCA, que combinan los resultados de múltiples modelos para reducir el sesgo.
Si se verifican con las estadísticas finales del Centro Nacional de Huracanes, estos resultados representarían la primera vez que un sistema de IA supera tanto los pronósticos automatizados como los pronósticos de consenso humanos en la cuenca atlántica.
El excepcional rendimiento del sistema de DeepMind plantea interrogantes sobre el papel a largo plazo de la predicción numérica tradicional del tiempo. Los modelos basados en la física, como el GFS, deben integrar ecuaciones que describen la dinámica de fluidos, la transferencia de radiación y la termodinámica en millones de puntos de la cuadrícula.
Este proceso requiere una gran potencia de cálculo y, a menudo, introduce errores de truncamiento numérico. Por el contrario, los modelos neuronales basados en datos deducen la dinámica subyacente directamente a partir de conjuntos de datos de reanálisis global, sin necesidad de ecuaciones explícitas.
Estas arquitecturas pertenecen a una clase de métodos de IA conocidos como “modelos generativos profundos”, capaces de aprender patrones de alta dimensión. Se cree que el marco de DeepMind utiliza funciones de codificador-decodificador optimizadas para la predicción espacio-temporal, lo que le permite manejar tanto el seguimiento como la predicción de la intensidad dentro de una única arquitectura de red.
Durante esta temporada de huracanes, también ha demostrado un rendimiento fiable en la estimación de las velocidades máximas del viento y las fluctuaciones de presión, tareas que incluso los sofisticados sistemas basados en la física siguen manejando de forma inconsistente.
Mientras tanto, el rendimiento del GFS este año ha desconcertado a los meteorólogos. Aunque el modelo se sometió a una importante actualización en 2019 con el núcleo dinámico Finite-Volume Cubed-Sphere (FV3), la transición parece haber producido una regresión en lugar de una mejora.
Lowry y otros sugieren que las deficiencias en los datos observacionales, posiblemente relacionadas con los recortes presupuestarios federales, pueden haber agravado el problema, aunque eso sigue siendo una especulación. El Servicio Meteorológico Nacional aún no ha publicado su evaluación interna.
