Google DeepMind ha publicado en Nature los resultados de WeatherNext, su modelo de predicción de ciclones, y ha liberado el código y los pesos en GitHub. El anuncio llegó el 6 de agosto con el dato que sostiene todo lo demás: sus previsiones llevan de media un día o más de ventaja sobre los modelos operativos que usan hoy los servicios meteorológicos.
Un día de ventaja en un aviso de huracán es tiempo de evacuación. DeepMind calcula que ese salto equivale a una década de progreso en meteorología convencional.
Puntos clave
- Un único modelo predice trayectoria, intensidad y estructura del viento. Los sistemas anteriores necesitaban modelos distintos para cada cosa.
- Lo que WeatherNext da a tres días es lo que los sistemas previos daban a dos.
- Entrenado con casi 20 terabytes de datos atmosféricos globales y el archivo histórico IBTrACS de trayectorias de ciclones.
- Una previsión a 15 días tarda menos de un minuto en una TPU.
- Se liberan tres variantes: WeatherNext Cyclones, WeatherNext 2 y WeatherNext 2-mini.
Cómo se ha llegado aquí
La predicción meteorológica clásica resuelve ecuaciones físicas sobre una malla del planeta. Funciona, y consume supercomputadores enteros durante horas para cada pasada. Esa factura de cómputo limita cuántos escenarios se pueden explorar, y en un ciclón lo que importa son precisamente los escenarios de cola: el 5% de trayectorias que meten la tormenta en una ciudad.
WeatherNext aprende de datos históricos en vez de resolver la física paso a paso. El resultado es que una previsión probabilística a 15 días sale en menos de un minuto sobre una sola TPU. Los investigadores lo dicen con estas palabras: eso permite "evaluar rápido la distribución de probabilidad de riesgos de cola potencialmente devastadores".
Meter trayectoria, intensidad y estructura del viento en un solo modelo tiene su gracia técnica. La intensidad es el parámetro que peor se le ha dado históricamente a los modelos físicos, y es el que decide si una tormenta se queda en susto o arrasa una costa.
Qué se ha liberado
Son tres modelos con código y pesos abiertos en GitHub:
- WeatherNext Cyclones: el que corrió durante la temporada de huracanes y cuyos resultados aparecen en el paper de Nature.
- WeatherNext 2: la versión posterior que Google puso en operación en octubre de 2025.
- WeatherNext 2-mini: la versión compacta, que corre en una sola TPU dentro de un cuaderno de Colab gratuito.
Ese tercero es el interesante para cualquiera que quiera trastear sin infraestructura. Un cuaderno gratuito y una TPU bastan para reproducir previsiones.
Por qué importa
Salvo que trabajes en seguros, logística marítima o agricultura, un modelo de ciclones no te toca el día a día. Lo que sí cuenta es el patrón que enseña.
DeepMind ha cogido un problema con décadas de simulación física detrás, lo ha resuelto con un modelo entrenado sobre datos históricos, y ha bajado el coste de cada predicción de horas de supercomputador a menos de un minuto de TPU. Ese mismo movimiento se está repitiendo en previsión de demanda, planificación de rutas y control de calidad industrial.
Si en tu empresa hay un proceso donde alguien lanza una simulación pesada y espera, ahí hay un candidato. La pregunta útil es cuántos años de datos históricos tienes de ese proceso, porque eso es lo que decide si el modelo aprende algo o no.
Y el hecho de que Google publique pesos abiertos de algo que le costó 20 terabytes de entrenamiento no es filantropía pura: cuanto más se use su modelo, más se estandariza su formato de datos y su stack. Sigue siendo un regalo utilizable.
Relacionado
