Por Canuto  

Google presentó WeatherNext 3, un modelo de inteligencia artificial que promete pronósticos más precisos, frecuentes y granulares, con mejoras especialmente relevantes para la lluvia y las estaciones meteorológicas. La tecnología comenzará a alimentar productos como Search, Maps y Gemini, aunque el avance todavía convive con desafíos en la integración directa de datos meteorológicos sin procesar.
***

  • WeatherNext 3 puede generar pronósticos horarios y alcanzar una resolución de hasta 5 kilómetros en variables clave.
  • Google asegura que el modelo mejoró 60% las evaluaciones de lluvia frente a WeatherNext 2.
  • La tecnología llegará a Search, Google Maps y Gemini, además de estar disponible en la nube para investigadores y usuarios.

Google presentó WeatherNext 3, un nuevo modelo de inteligencia artificial diseñado para anticipar con mayor detalle cómo cambia la atmósfera y actualizar sus predicciones con más frecuencia. El sistema, desarrollado por científicos de Google DeepMind y Google Research, comenzará a alimentar información meteorológica en Search, Google Maps y Gemini, mientras también estará disponible para usuarios e investigadores a través de las plataformas de nube de Google.

La compañía sostiene que el modelo alcanzó el mejor desempeño entre los principales sistemas evaluados por Operational WeatherBench, una herramienta de comparación creada por la startup Brightband. La evaluación considera variables como temperatura, velocidad del viento y humedad, y, según los resultados citados por Google, WeatherNext 3 superó tanto a modelos de aprendizaje profundo de Google, Microsoft, Nvidia y el Centro Europeo para Pronósticos Meteorológicos a Plazo Medio como a pronósticos tradicionales de instituciones meteorológicas.

Un modelo pensado para consultas más precisas

Samier Merchant, ingeniero sénior de Google, explicó que esta será la primera ocasión en que algunas variables centrales del nuevo sistema impulsen directamente varios productos de la compañía. El cambio puede parecer cotidiano para quien consulta si lloverá antes de salir, pero implica trasladar un modelo atmosférico avanzado a servicios digitales que millones de personas utilizan para buscar información, planificar recorridos o interactuar con asistentes de inteligencia artificial.

WeatherNext 3 puede producir predicciones horarias, en lugar del intervalo estándar de seis horas utilizado por muchos pronósticos, y alcanza una resolución de hasta 5 kilómetros para variables clave. Google también informó que sus evaluaciones de lluvia mejoraron 60% frente a WeatherNext 2, una evolución relevante porque las precipitaciones suelen presentar mayores dificultades para los modelos de inteligencia artificial que otras mediciones atmosféricas.

La mejora no se limita a una cuadrícula general sobre una región extensa. Los investigadores entrenaron el modelo para orientar sus predicciones hacia estaciones meteorológicas específicas, de modo que pueda estimar, por ejemplo, qué registrará cada hora una estación ubicada en un aeropuerto. Esa capacidad conecta el pronóstico con mediciones verificables en tierra y permite comparar el rendimiento del sistema contra puntos concretos, en vez de limitarse a promedios espaciales.

Daniel Rothenberg, científico atmosférico de Brightband, describió esa orientación como un paso hacia tareas de pronóstico más cercanas a un proceso completo de principio a fin. En su análisis, predecir directamente lo que una estación determinada medirá acerca el modelo al resultado práctico que necesitan usuarios, empresas y operadores, aunque la utilidad final seguirá dependiendo de la calidad de las observaciones y de la zona analizada.

La apuesta por datos satelitales y aprendizaje profundo

Durante décadas, la mayor parte de los pronósticos meteorológicos dependió de supercomputadoras gubernamentales que procesan ecuaciones matemáticas destinadas a representar la física del clima. Estos sistemas lograron una precisión notable, pero requieren grandes recursos computacionales y suelen operar con una velocidad comparativamente menor frente a los modelos de aprendizaje profundo, que pueden generar resultados con mayor rapidez una vez entrenados.

La disponibilidad pública de más de medio siglo de datos meteorológicos producidos por esos sistemas, publicada por el Centro Europeo para Pronósticos Meteorológicos a Plazo Medio en 2018, abrió una nueva etapa para la investigación. Los desarrolladores comenzaron a entrenar modelos capaces de aprender patrones atmosféricos a partir de grandes volúmenes de información, con la expectativa de aproximar resultados comparables a los de las herramientas gubernamentales usando menos tiempo de cómputo.

Ferran Alet, gestor de científicos investigadores de plantilla en DeepMind, explicó que el clima es caótico y que pequeñas diferencias pueden amplificarse de manera masiva. A su juicio, el aprendizaje automático aborda el problema de aproximar una física ruidosa a partir de información incompleta y de recursos computacionales limitados, por lo que los modelos pueden encontrar regularidades que serían difíciles de capturar mediante reglas diseñadas manualmente.

WeatherNext 3 también puede actualizar sus pronósticos con mayor frecuencia porque incorpora datos satelitales meteorológicos recopilados en tiempo real cada hora. Trabajar directamente con observaciones empíricas sin procesar podría mejorar la precisión al evitar parte de la dependencia de análisis preparados por supercomputadoras, aunque lograr que un modelo opere de forma confiable con datos sin formato sigue siendo un desafío técnico.

Google describió WeatherNext 3 como el primer modelo de inteligencia artificial que incorpora directamente observaciones sin procesar para realizar pronósticos globales de alta resolución. Sin embargo, la startup WindBorne señaló que su modelo WeatherMesh 6 utiliza desde finales de 2025 observaciones brutas procedentes de su flota de globos meteorológicos y de otras fuentes, mientras Google respondió que su sistema ofrece una resolución global superior.

Más capacidad, pero todavía con límites

El nuevo modelo tiene 2,4 veces más parámetros que su predecesor y sus diseñadores ajustaron los objetivos de las cabezas del decodificador para producir respuestas consideradas más útiles. En los modelos meteorológicos, esos cambios no solo buscan aumentar la capacidad general, sino también orientar la generación hacia variables y formatos que tengan valor directo para una consulta concreta, como la lluvia esperada en una hora determinada.

Los investigadores de DeepMind ya habían adaptado sus sistemas para visualizar trayectorias de ciclones, una tarea que exige representar fenómenos concretos además de entregar métricas promedio en una cuadrícula tridimensional. Con WeatherNext 3, Google amplió esa lógica hacia estaciones meteorológicas particulares, una decisión que puede favorecer pronósticos locales y evaluaciones comparables, pero que no elimina la incertidumbre inherente a una atmósfera cambiante.

Aunque el modelo puede procesar observaciones brutas, tanto Google como sus competidores todavía dependen de conjuntos de datos meteorológicos nacionales para completar sus pronósticos. Esa dependencia significa que la integración directa de información observada aún no constituye una asimilación totalmente independiente de los sistemas públicos, por lo que el desarrollo de modelos más autónomos requerirá trabajo adicional y acceso consistente a mediciones de calidad.

La comparación con pronósticos tradicionales también debe interpretarse dentro de las métricas utilizadas y de los escenarios evaluados. Operational WeatherBench examina variables importantes, pero ningún resultado aislado garantiza que un sistema sea superior en cada región, fenómeno o emergencia; la lluvia localizada, los ciclones y los cambios súbitos continúan exigiendo validaciones específicas antes de convertir una predicción en una decisión crítica.

La expansión de la inteligencia artificial meteorológica puede tener consecuencias más amplias que facilitar la elección entre paraguas y chaqueta. Las agencias meteorológicas de Europa y Estados Unidos ya incorporan modelos de IA en sus productos, mientras la menor velocidad y el menor costo de estas herramientas podrían acercar pronósticos avanzados a regiones donde los sensores de alta calidad y las supercomputadoras resultan demasiado costosos.

Impacto potencial en energía y agricultura

Bill Gates citó recientemente los pronósticos meteorológicos impulsados por inteligencia artificial como un beneficio importante de esta tecnología, especialmente por su posible aporte al rendimiento agrícola en países en desarrollo. Una anticipación más precisa de lluvia, viento o temperaturas puede ayudar a organizar labores agrícolas, aunque el impacto dependerá de que las comunidades tengan acceso oportuno a los datos y capacidad para convertirlos en decisiones.

Los pronósticos de mayor resolución también pueden servir para mejorar la planificación de proyectos de energía renovable. Alet señaló que disponer de mejores estimaciones sobre viento, lluvia y nubosidad podría hacer más confiables las operaciones vinculadas con fuentes renovables, cuya producción fluctúa según las condiciones atmosféricas y necesita previsiones más detalladas para equilibrar oferta, demanda y almacenamiento.

Para Google, el atractivo del modelo se relaciona con la frecuencia con que las personas buscan información sobre el clima, directa o indirectamente. Alet sostuvo que la compañía intenta proporcionar información útil al usuario y que muchas consultas tienen alguna relación con las condiciones meteorológicas, una lógica que explica la incorporación de WeatherNext 3 en Search, Maps y Gemini.

El despliegue en productos masivos también convierte al clima en un caso relevante para observar cómo la IA transforma servicios cotidianos sin necesidad de que el usuario conozca la arquitectura del modelo. Si WeatherNext 3 cumple sus promesas, la diferencia podría percibirse en alertas más oportunas, rutas mejor planificadas y previsiones locales más claras, aunque la precisión deberá comprobarse continuamente frente a mediciones reales.

El avance de Google muestra que la revolución de los transformadores no se limita a los modelos de lenguaje y a las aplicaciones generativas. En meteorología, estas arquitecturas compiten con décadas de simulación física y abren una disputa tecnológica en la que la velocidad, la resolución, el costo y la capacidad de incorporar observaciones recientes serán tan importantes como la precisión promedio.

WeatherNext 3 representa un paso significativo, pero no el final de la evolución del pronóstico basado en inteligencia artificial. La competencia con sistemas como WeatherMesh 6, la dependencia de datos nacionales y la necesidad de validar cada predicción contra estaciones concretas dejan claro que todavía habrá que medir el desempeño en el mundo real antes de declarar resuelto el problema de saber cuándo lloverá.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados