WeatherNext Cyclones abre sus pesos para pronosticar huracanes

Cuando un modelo de lenguaje mejora un benchmark, la consecuencia práctica puede tardar en aparecer. Cuando mejora el pronóstico de un ciclón, unas horas pueden cambiar cuándo se moviliza un equipo, se cierra un puerto o se evacua una zona. Esa diferencia hace especialmente valioso —y delicado— el resultado de WeatherNext Cyclones: Google DeepMind ha publicado el código y los pesos de un modelo que pronostica conjuntamente trayectoria, intensidad y extensión del viento, y que ya se utilizó como orientación durante la temporada atlántica de 2025.

El artículo aceptado en Nature atribuye al sistema una ventaja media de un día o más frente a modelos operativos de referencia sobre ciclones de 2023 a 2025. No se limita a estimar por dónde pasará el centro: produce hasta quince días de evolución atmosférica global y campos específicos para la posición, el viento máximo, la presión y los radios de viento de cada tormenta. Una muestra aleatoria genera una trayectoria posible; muchas muestras forman una distribución de escenarios.

La idea rompe una separación histórica. La trayectoria depende mucho de corrientes atmosféricas globales, que captan bien los modelos generales, mientras que la intensidad nace de procesos pequeños alrededor del núcleo y suele exigir modelos regionales de mucha mayor resolución. WeatherNext trabaja con una cuadrícula de unos 28 kilómetros, entrena a la vez la atmósfera global y objetivos extraídos del archivo histórico de ciclones, y aun así mejora ambas tareas. No demuestra que el detalle físico haya dejado de importar. Sí demuestra que una representación relativamente gruesa contiene más señal útil sobre intensidad de la que se suponía.

Un día de ventaja no es un día más de aviso

La cifra necesita traducción. Los autores comparan errores sobre los mismos casos y preguntan cuánto antes alcanza WeatherNext la precisión que otro modelo logra después. En 2023–2024, por ejemplo, su media de conjunto llegó al mismo umbral de error de trayectoria que el conjunto del ECMWF con unas 27 horas adicionales; frente al antiguo HWRF, obtuvo unas 40 horas en un umbral concreto de error de intensidad. El «día» es una equivalencia agregada de habilidad predictiva, no la promesa de que cada alerta se emitirá 24 horas antes.

La evaluación es más seria que una gráfica elegida al azar. Empareja sólo los momentos en que todos los modelos comparados pronostican el mismo ciclón activo, usa reglas probabilísticas que premian tanto la exactitud como una incertidumbre bien calibrada y estima significación reamostrando ciclones completos. El suplemento metodológico también reconoce una ventaja del promedio de muchos miembros frente a una predicción determinista y separa las comparaciones probabilísticas.

Hay límites menos visibles. El modelo aprendió de reanálisis atmosféricos y del archivo IBTrACS; la «verdad» de intensidad combina observaciones que son más incompletas en unos océanos y épocas que en otros. Las comparaciones homogéneas excluyen los casos que algún modelo no siguió como ciclón activo, una decisión estándar que mejora la justicia del cara a cara pero no mide por completo la génesis o desaparición de tormentas. Y el resultado histórico no prueba todavía cómo cambia una decisión humana bajo presión.

Por eso importa la temporada de 2025. WeatherNext empezó a entregar pronósticos públicos en junio y el National Hurricane Center (NHC) utilizó su salida, llamada GDMI tras el posprocesado, junto con otras orientaciones. El informe oficial de verificación de esa temporada ofrece una lectura más sobria que el titular: GDMI fue ligeramente mejor en trayectoria a corto plazo, mientras los pronósticos oficiales superaron en general a la mayoría de modelos dinámicos y consensos. La intensidad resultó difícil para todo el sistema en una temporada con varios episodios de intensificación rápida.

Tampoco fue una prueba congelada. El 25 de septiembre Google cambió el tracker que transforma los campos de la red en trayectorias tabulares; el nuevo método redujo saltos y mejoró sobre todo los radios de viento. El paper informa por separado el modelo con el tracker final y lo que realmente estuvo disponible en cada momento de 2025. Esa distinción evita mejorar retrospectivamente una temporada ya vivida.

La evidencia operacional, por tanto, no rebaja el resultado: lo coloca. El modelo produjo una señal útil, entró en el proceso real y a veces fue la mejor orientación; el pronosticador siguió siendo quien combinó observaciones, modelos y experiencia para emitir la alerta. En 2026, la documentación de verificación del NHC ya incluye GDMI entre los componentes posibles del consenso de trayectoria TVCN. La integración más significativa no es sustituir al meteorólogo, sino añadir una distribución nueva y rápida al conjunto que debe juzgar.

Pesos abiertos, cadena incompleta

La publicación permite ir bastante más allá de mirar un gráfico. El repositorio distingue checkpoints entrenados sólo con datos anteriores a cada temporada para reproducir las evaluaciones de 2023 y 2024, el modelo que funcionó en 2025 y una versión Mini. Incluye inferencia, tracker, ejemplos, un cuaderno ejecutable y acceso a los pesos. El código usa Apache 2.0 y los demás materiales, CC BY 4.0. Investigadores pueden volver a calcular métricas, estudiar fallos por cuenca, cambiar el posprocesado o adaptar el sistema a riesgos locales.

«Abierto» no significa sencillo ni totalmente autosuficiente. Los modelos completos necesitan una GPU H100 o TPU con memoria suficiente, además de condiciones iniciales meteorológicas actualizadas. Entrenar de nuevo exige grandes archivos de ECMWF y datos históricos sujetos a sus propios términos. La versión Mini cabe en una P100 y puede probarse en un entorno gratuito, pero sus autores avisan de que no iguala al sistema principal.

También conviene leer con cuidado la velocidad. Un pronóstico de quince días tarda alrededor de un minuto en una TPU v5p. El conjunto operativo de 50 miembros se paraleliza sobre 64 dispositivos, y el de 1.000 miembros utiliza 256. La IA reduce de manera extraordinaria el coste respecto a muchas simulaciones físicas de alta resolución, pero el mapa de mil futuros no aparece gratis en un portátil.

Mi lectura es que la aportación principal no es una competición entre «IA» y «física». WeatherNext depende de observaciones, reanálisis, modelos numéricos para sus condiciones iniciales, archivos construidos por agencias y meteorólogos que interpretan la salida. Lo nuevo es que una red puede convertir esa infraestructura científica acumulada en un conjunto global de escenarios mucho más barato, con señales directas sobre una tormenta, y hacerlo con calidad suficiente para entrar en una mesa operacional.

Abrir los pesos vuelve esa afirmación más discutible en el mejor sentido: otros pueden comprobar dónde funciona, dónde falla y si la mejora sobre promedios se mantiene para decisiones concretas. El siguiente estándar debería ser precisamente ese. No basta con publicar una ventaja media; hace falta seguir cada temporada, conservar las versiones realmente usadas, medir falsas confianzas y estudiar si el nuevo dato mejora avisos y decisiones cuando se combina con personas. Un día de habilidad predictiva puede ser enorme. Convertirlo en un día de protección sigue siendo trabajo de todo el sistema.

Fuentes

• Google DeepMind, WeatherNext: AI model achieves breakthrough in forecasting cyclones, 6 de agosto de 2026.
• Alet et al., Operational Tropical Cyclone Forecasting with AI, Nature, 6 de agosto de 2026, y material suplementario.
• Google DeepMind, repositorio, checkpoints y licencias de WeatherNext, consultado el 24 de agosto de 2026.
• National Hurricane Center, Forecast Verification Report: 2025 Hurricane Season, 30 de marzo de 2026.
• National Hurricane Center, documentación y composición de modelos de verificación, actualizada el 8 de julio de 2026.