Google presenta un nuevo modelo de IA para el clima con pronósticos más rápidos y precisos

En breve

• WeatherNext 2 genera cientos de pronósticos globales en menos de un minuto, lo que permite actualizaciones de escenarios más frecuentes que los modelos convencionales.
• Google ya está utilizando el sistema en Búsqueda, Gemini, Pixel Weather y Maps, con un lanzamiento más amplio planeado.
• Un nuevo enfoque de modelado, Redes Generativas Funcionales, mejoró la precisión en medidas clave, incluyendo el seguimiento de vientos extremos y ciclones.

El Centro de Arte, Moda y Entretenimiento de Decrypt.

Descubre SCENE

Google DeepMind presentó un nuevo sistema de pronóstico del tiempo impulsado por IA el lunes, capaz de generar predicciones climáticas globales ocho veces más rápido que las herramientas tradicionales, dijo.

Llamado WeatherNext 2, el sistema se está posicionando como una herramienta para ayudar a las agencias a prepararse más rápidamente para condiciones severas, a medida que el mundo continúa lidiando con desastres naturales frecuentes provocados por un clima cada vez más cálido.

Para hacer esto, genera cientos de posibles escenarios a partir de un único punto de partida, cada uno calculado en menos de un minuto en una única Unidad de Procesamiento Tensorial, un chip especializado desarrollado por Google para acelerar el aprendizaje automático y las cargas de trabajo de IA.

“Dependemos de predicciones meteorológicas precisas para decisiones críticas, desde cadenas de suministro hasta redes eléctricas y planificación de cultivos”, escribió el científico investigador de Google DeepMind, Peter Battaglia, en X. “La IA está transformando la forma en que pronosticamos el clima.”

El clima afecta a todo y a todos. Nuestro último modelo de IA desarrollado con @GoogleResearch nos está ayudando a predecirlo mejor. ⛅

WeatherNext 2 es nuestro sistema más avanzado hasta ahora, capaz de generar pronósticos globales más precisos y de mayor resolución. Esto es lo que puede hacer - y por qué… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 de noviembre de 2025

<br>

Despliegue en productos de Google

El pronóstico de WeatherNext 2 ya se está ejecutando en Search, Gemini, Pixel Weather y la API de clima de Google Maps, con un soporte más amplio que llegará en una fecha posterior.

“Estamos trabajando con los equipos de Google para integrar WeatherNext en nuestro sistema de pronóstico”, dijo Akib Uddin, gerente de producto de WeatherNext 2, en un comunicado. “Ya sea que estés en búsqueda, Android o Google Maps, el clima afecta a todos, y al hacer mejores predicciones del clima, podemos ayudar a todos.”

Los modelos convencionales pueden tardar horas, limitando la frecuencia con la que se pueden actualizar los escenarios, dijo DeepMind. Al usar IA avanzada, WeatherNext 2 superó su modelo operativo anterior, WeatherNext Gen, afirma la empresa.

“Es aproximadamente ocho veces más rápido que el modelo probabilístico anterior que lanzamos el año pasado, y en términos de resolución, es seis veces mayor,” dijo Battaglia en un comunicado. “Así que en lugar de dar pasos de seis horas, da pasos de una hora. Supera al anterior modelo de pronóstico del tiempo en el 99.9% de las variables que probamos.”

En términos prácticos, eso significa que el nuevo sistema produjo pronósticos más precisos de temperatura, viento, humedad y presión en casi todas partes y en casi cada punto de la ventana de 15 días.

DeepMind atribuyó las ganancias a un nuevo enfoque de modelado descrito en un artículo de investigación de junio sobre Redes Generativas Funcionales, o FGN, que cambia la forma en que el sistema representa la incertidumbre y genera variaciones en las previsiones.

Un nuevo enfoque de modelado

FGN está entrenado solo en pronósticos de una sola variable, o “marginales”, como la temperatura, el viento o la humedad en una ubicación específica, según Google.

A pesar de esto, el modelo aprende cómo interactúan esas variables, lo que le permite predecir patrones más amplios e interconectados, como eventos de calor regional y el comportamiento de los ciclones.

Google dijo que FGN igualó a GenCast en pronósticos extremos de temperatura a dos metros y lo superó en pronósticos extremos de viento a diez metros, dependiendo de la variable.

El modelo también mostró una mejor calibración a lo largo de los plazos y un mejor rendimiento cuando las previsiones se evaluaron en regiones más grandes en lugar de puntos individuales.

Usando el Continuous Ranked Probability Score—una métrica de precisión estándar que verifica qué tan cerca está el rango completo de resultados predichos de un modelo de lo que realmente ocurrió—el artículo informa mejoras promedio del 8.7% para CRPS promediado y del 7.5% para CRPS maximizado en comparación con GenCast.

Desempeño en la previsión de ciclones

FGN también mejoró los pronósticos de ciclones tropicales.

Comparado con las trayectorias históricas del Archivo Internacional de Mejores Trayectorias para la Gestión Climática, las predicciones de media del conjunto redujeron los errores de posición en aproximadamente 24 horas de tiempo de anticipación entre pronósticos de tres y cinco días.

Una versión de FGN ejecutada en intervalos de 12 horas mostró un mayor error que la versión de seis horas, pero aún superó a GenCast en tiempos de anticipación de más de dos días.

Las previsiones de probabilidad de seguimiento mostraron un Mayor Valor Económico Relativo en la mayoría de las relaciones costo-pérdida y tiempos de entrega.

DeepMind dijo que las herramientas experimentales de predicción de ciclones construidas con esta tecnología se han compartido con agencias meteorológicas.

“Obtienes pronósticos más precisos, y los obtienes más rápido, y eso ayuda a todos a tomar las decisiones correctas, especialmente a medida que comenzamos a ver más y más fenómenos meteorológicos extremos”, dijo Uddin. “Creo que hay todo un espectro de aplicaciones para una mejor predicción del tiempo.”