La IA que vio un huracán de categoría cinco con una semana de antelación: dentro de la revolución meteorológica de DeepMind

Cuando un huracán se dirige hacia tierra, el tiempo lo es todo: un solo día adicional de aviso despeja las carreteras, vacía los hospitales, abre los refugios. Podemos calcular el segundo exacto de un amanecer a mil años vista, y sin embargo conocer con certeza el tiempo de la próxima semana sigue siendo uno de los problemas más obstinados de la física. Una mínima oscilación en la presión atmosférica de hoy puede convertirse en una gran tormenta una semana después: el famoso efecto mariposa hecho carne.

Google DeepMind lleva años lidiando con este problema: un viaje que comenzó en 2020 con modelos que leían imágenes satelitales para lluvias a corto plazo y que hoy llega a WeatherNext, que predice todo el planeta hora a hora. El invitado del podcast es Peter Battaglia, director sénior de investigación de DeepMind. La presentadora Hannah Fry abre con un caso concreto: el huracán Melissa.

Melissa nació en octubre de 2025 como una pequeña perturbación atlántica y permaneció inusualmente pequeña durante un tiempo; sistemas así pueden extraer energía de mares cálidos y convertirse en las tormentas más peligrosas. Aproximadamente una semana antes de tocar tierra, el modelo de DeepMind comenzó a insistir en que este sistema escalaría hasta categoría cinco. En ese momento ni siquiera había una tormenta tropical, muy probablemente solo una perturbación de nivel de depresión tropical. La comunidad meteorológica en X fue la primera en notar la persistencia del modelo.

Otras simulaciones observaban la misma zona del océano; algunas veían intensificación, pero ninguna coincidía a la vez en la misma confianza, trayectoria e intensidad. El sábado, el Centro Nacional de Huracanes emitió un aviso de categoría cinco cuando el sistema ni siquiera era de categoría uno: categoría cinco para el lunes, llegada a tierra para el martes. Eso les compró a los asentamientos unos tres días de tiempo de preparación.

El balance fue duro: Melissa tocó tierra en el oeste de Jamaica el 28 de octubre con vientos de 297 kilómetros por hora, y se registraron 45 muertes confirmadas. El video cita una cifra temprana más alta, mientras que informes independientes documentaron 45 fallecidos en Jamaica además de desaparecidos. Según el Centro, fue su primera predicción de categoría cinco emitida desde una intensidad inicial tan baja. Los meteorólogos dijeron que observar las puntuaciones de confianza del modelo, que se acercaban al 80 por ciento, había reforzado su propia confianza.

Fry plantea aquí la pregunta clave: ¿el modelo de IA tiene una ventaja estructural en la predicción de huracanes a largo plazo, o simplemente obtiene respuestas diferentes haciendo algo diferente? La respuesta de Battaglia es llana: la física que operó en el pasado operará en el futuro. Con suficiente evidencia histórica y modelos capaces de leer la estructura fina entre las entradas y los futuros, las predicciones se afinan de forma natural. No hay ninguna magia en el trabajo, solo disciplina de datos y calidad de modelado.

El caso no quedó como una historia de éxito aislada; el equipo convirtió la predicción de ciclones en un producto dedicado. Primero maduraron cuatro años de modelos globales que pronosticaban la superficie y la atmósfera hasta 10-15 días, y luego un equipo especializado dedicó unos dos años únicamente a los ciclones tropicales. Se construyeron alianzas con académicos y centros operativos, con meses de pruebas como evaluadores de confianza. Las evaluaciones experimentales mostraron aproximadamente un día de precisión ganado: como trasladar la habilidad de una predicción a dos días hasta tres días. Las predicciones en vivo aparecen en el sitio Weather Lab junto a las variables de temperatura y viento; cualquiera puede acceder al mismo modelo a través del feed de WeatherNext o de la aplicación del tiempo de su teléfono.

¿Por qué la predicción se vuelve más urgente? La respuesta está en la física: el tiempo es energía. El sol transporta energía electromagnética, el viento energía mecánica, la temperatura energía cinética; un planeta más cálido significa más energía, y más energía significa un tiempo más intenso. La lista de los años más calurosos, llenada por los últimos 10-15 años, se lee en sintonía con los incendios forestales y las inundaciones.

Entonces, ¿por qué la lluvia del próximo miércoles sigue siendo un misterio a pesar de todo este músculo científico? Porque las cosas pequeñas causan grandes efectos, y no podemos observar cada mariposa. Los límites de la observación se convierten en límites de la predicción. Pero el panorama no es desesperanzador: los procesos importantes dejan pequeñas huellas, migajas estadísticas. La analogía del estanque de Battaglia se queda grabada: el pequeño anillo de una piedrita anticipa la gran ola que llegará a la orilla, y el aprendizaje automático se dedica precisamente a leer esos anillos.

¿Por qué entraría un laboratorio de IA en el negocio del tiempo? Battaglia da dos razones. Primero, la misión: la predicción meteorológica es el problema de pronóstico más antiguo de la ciencia y toca la vida de todos a diario; no es abstracta, es universal. Segundo, razones personales y técnicas: el equipo había pasado años en aprendizaje automático para simulación de fluidos, y la atmósfera es un gigantesco problema de fluidos. Además, el Centro Europeo de Predicción Meteorológica a Plazo Medio tenía registros listos que abarcaban décadas: un encaje perfecto para el aprendizaje automático.

Battaglia también explica el método clásico: la predicción numérica del tiempo es un bucle de superordenador que toma la estimación actual del tiempo, calcula unas horas adelante como aproximación a las ecuaciones del movimiento de fluidos y realimenta su salida. El efecto mariposa más el acoplamiento entre escalas hacen imposible la solución exacta, así que se usan aproximaciones gruesas a escala borrosa. Aun así, es un triunfo científico y de ingeniería de décadas: el horizonte pasó de uno o dos días a dos semanas.

Lo que hace la IA es conceptualmente familiar: observar cómo se desarrolló el tiempo pasado en el tiempo, aprender los patrones estadísticos y extrapolar hacia adelante. Battaglia lo compara con ajustar una línea a números, salvo que la línea es enormemente complicada y los datos enormes. El viaje vino en tres fases: primero el aprendizaje automático parcheó los modelos numéricos, luego llegaron los modelos de imágenes regionales, y en la tercera fase llegaron los modelos que simulan el planeta entero. GraphCast fue pionero de esta tercera fase: tomar el tiempo de todo el planeta y pronosticar hasta diez días.

La mecánica de GraphCast es elegante: el modelo toma el estado completo del tiempo global y aplica la misma operación local aprendida en todas partes, reflejando que la física es la misma en todas partes. Luego lo fusiona en una representación a escala planetaria y predice de vuelta al nivel local, digamos Londres. El lado oeste de un huracán de cien kilómetros dice mucho sobre el futuro del lado este, y ver la tormenta en una sola representación permite al modelo aprovecharlo. La predicción clásica se queda en lo local mientras que la IA también lee la gran escala; ahí está en gran parte el origen de la brecha.

Luego las predicciones se volvieron probabilísticas. Un modelo determinista da una respuesta por entrada; un modelo probabilístico produce cientos de escenarios que muestran la distribución de futuros probables. Para eventos extremos esto es vital: incluso un escenario del 5-10 por ciento merece preparación. El cono de huracanes y los gráficos de espaguetis de la televisión son el lenguaje visual de esta idea. GenCast, que llegó hacia 2023 después de GraphCast, apuntó a la diversidad de escenarios en lugar del promedio, y ahí es donde subió el listón para la predicción de eventos extremos.

Dos técnicas generan esta diversidad. Primero, los modelos de difusión conocidos de la generación de video: descendiendo desde una imagen muy ruidosa hacia una imagen meteorológica, cada inicio diferente aterriza en un escenario ligeramente distinto. Segundo, la invención propia del equipo, las redes generativas funcionales: perturbar ligeramente los pesos de la red mientras se prueban cientos de escenarios de entrada. En la frase de Battaglia, cada ejecución pregunta «¿y si la mariposa estuviera por aquí?»; cientos de ejecuciones revelan el futuro más probable. En el caso de Melissa, las líneas superpuestas se leen como la confianza del modelo, las líneas dispersas como su humildad.

WeatherNext 3, en cambio, reconstruye la cadena de valor. Antes, los datos satelitales crudos se convertían en una estimación del tiempo actual, corría un modelo operativo y luego seguían modelos específicos por aplicación; Battaglia llama a esto el árbol del tiempo: las raíces son los datos, el tronco es el modelo, las ramas son las aplicaciones, las hojas son la pantalla del teléfono. El nuevo modelo va de raíz a hoja en una sola arquitectura: imágenes satelitales crudas dentro, mediciones de estaciones como las lecturas de aeropuertos directamente fuera. Las predicciones se actualizan cada hora en lugar de cada seis horas, a mayor resolución. Anunciado en septiembre de 2026, el modelo consume datos satelitales en tiempo real y también alimenta los productos de búsqueda y mapas.

El beneficio energético es concreto: la previsión de carga, es decir, la predicción de la demanda eléctrica, se apoya fuertemente en la temperatura, con calefacciones que tensan las redes en el frío y aires acondicionados en el calor. Del lado de la oferta se vigilan la velocidad del viento y la insolación. Las nuevas variables de viento y solar del modelo anticipan la oferta, mientras que la temperatura y la humedad de alta resolución anticipan la demanda. La planificación de la red se alimenta de ambos lados.

En el frente agrícola, los cultivadores son la clase de pronosticadores más antigua: las decisiones de siembra y cosecha dependen de la temperatura y la lluvia. Horizontes como la lluvia semanal o la temperatura media mensual pueden incluso cambiar la elección de semillas. En el lado de la arquitectura, no todas las novedades pesaron igual: añadir las variables solar y eólica fue relativamente fácil, mientras que la entrada satelital y la salida de estaciones exigieron un cambio estructural profundo. El balance de rendimiento se mantiene honesto: GraphCast y GenCast fueron las primeras grandes victorias en predicción determinista y probabilística; trayectoria e intensidad se unieron en un único modelo de ciclones, pero las diferencias de cuenca y regionales importan a los tomadores de decisiones, así que no se hace ninguna afirmación simplista de «somos los mejores».

El régimen de error separa a los dos campos: en los métodos clásicos un pequeño error puede crecer y estallar, ya que las ecuaciones nunca dicen «vuelve al tiempo normal». Los modelos de IA regresan a la media cuando se equivocan, comportándose como la estacionalidad, el método de pronóstico más antiguo de todos. Ahí está la paradoja: ¿cómo un modelo que revierte a la media atrapa tormentas más fuertes que nada visto? La teoría del mosaico responde: el modelo nunca vio esa tormenta, pero vio las piezas en otros rincones del planeta y fusionó estadísticas locales en un todo novedoso. Aun así, los regímenes con pocos ejemplos como el monzón anual siguen siendo un problema abierto de eficiencia de aprendizaje. La predicción de impacto espera en el horizonte: predecir no el viento, sino el daño que el viento causa a las líneas eléctricas. La física no se abandona, solo la manera de resolver sus ecuaciones; lo que establece la verdad no es la interpretación, sino la disciplina de la evaluación.