La inteligencia artificial acaba de cambiar por completo cómo pronosticamos el clima

En octubre pasado, días antes de que el huracán Melissa azotara Jamaica, no estaba claro con qué rapidez se intensificaría ni qué trayectoria seguiría. Sin embargo, en Google, un modelo experimental de inteligencia artificial analizaba decenas de escenarios, incluyendo la posibilidad de que se convirtiera en el huracán más fuerte jamás registrado en la isla.

Cinco días antes de que la tormenta tocara tierra —mientras los modelos meteorológicos tradicionales no se decidían sobre si se debilitaría y cambiaría de dirección—, el modelo de inteligencia artificial, llamado WeatherNext, predijo con un 80% de certeza que Melissa se intensificaría rápidamente, pasando de categoría 1 a categoría 5, y que tocaría tierra en Jamaica. Google envió sus predicciones al Centro Nacional de Huracanes de Estados Unidos, que utilizó los modelos para elaborar un pronóstico de alta intensidad sin precedentes.

Ese pronóstico temprano “fue crucial”, afirma Evan Thompson, director principal del Servicio Meteorológico de Jamaica. “Queríamos obtener la información lo antes posible y luego difundir ese mensaje al público de forma continua”. Un huracán de categoría 5 nunca había tocado tierra en la isla. La oficina meteorológica advirtió a los residentes que cualquier cosa que hubieran experimentado antes “no se compararía con esto”, dice Thompson, e instó a la gente a prepararse como pudieran.

Cuando finalmente llegó la tormenta, el pronóstico fue correcto. La velocidad del viento superó los 211 kilómetros por hora y los daños fueron catastróficos: los techos de más de 120,000 edificios fueron arrancados y decenas de miles más quedaron destruidos, dejando a familias sin hogar. Cuarenta y cinco personas perdieron la vida. Pero las alertas tempranas (y el hecho de que se mantuvieran constantes a medida que se acercaba la tormenta) hicieron que la gente las tomara en serio y probablemente salvaron más vidas.

El modelo de Google DeepMind fue más preciso que cualquier otro modelo que el Centro Nacional de Huracanes (NHC) utilizó durante la tormenta. Ahora, con el inicio de la nueva temporada de huracanes el 1 de junio, el NHC volverá a trabajar con Google. El año pasado, el modelo ejecutó un conjunto de 50 posibles escenarios futuros cada seis horas; Este año, analizará 1,000 escenarios futuros cada seis horas, lo que aumentará aún más la probabilidad de predecir tormentas inusuales. “Este incremento significativo debería proporcionar una guía más estable y consistente”, afirma Philippe Papin, especialista sénior en huracanes del NHC.

Google es una de las varias empresas que trabajan para utilizar la inteligencia artificial y transformar la predicción meteorológica ante la creciente intensidad de los fenómenos meteorológicos extremos. Entre ellas se incluyen otras grandes empresas tecnológicas como Microsoft, Nvidia y Huawei, así como startups como Atmo, Tomorrow.io y WindBorne, algunas de las cuales también recopilan mejores datos mediante satélites económicos o globos meteorológicos rediseñados.

Las herramientas de inteligencia artificial son mucho más económicas y rápidas que los modelos meteorológicos tradicionales. En muchos casos, también son más precisas. A medida que el cambio climático intensifica las tormentas y las hace menos predecibles, los meteorólogos se ven presionados para emitir alertas precisas con mayor antelación. Y las empresas de IA están deseosas de ofrecer parte de su capacidad de procesamiento para ayudar, demostrando así una aplicación práctica de esta tecnología que beneficia a los científicos y salva vidas.

Las mejores predicciones meteorológicas también podrían transformar la forma en que las empresas responden al riesgo climático —desde el desvío de paquetes durante tormentas de nieve hasta ayudar a las compañías eléctricas a predecir mejor la disponibilidad de energía solar o eólica en la red— y expandir el mercado de la predicción meteorológica, ya que las predicciones más precisas y a largo plazo se vuelven valiosas para una mayor variedad de empresas.

Nvidia impulsa la revolución de las predicciones

Durante décadas, las predicciones meteorológicas han funcionado de la misma manera: costosas supercomputadoras, a menudo propiedad de gobiernos, ejecutan complejos modelos basados ​​en la física que intentan imitar lo que sucede en la atmósfera. La inteligencia artificial funciona de manera diferente, utilizando décadas de datos meteorológicos históricos para predecir lo que sucederá a continuación.

“Es una forma completamente nueva de simular la atmósfera”, afirma Mike Pritchard, físico atmosférico y director de investigación de simulación climática en Nvidia. Hace una década, comenta, los expertos en el campo no esperaban que funcionara tan bien como lo hace. Pero las primeras investigaciones sugerían que incluso sistemas complejos y caóticos como el clima podrían reproducirse mediante aprendizaje automático, y académicos con acceso a potentes ordenadores Nvidia habían demostrado que era posible entrenar modelos grandes y complejos. Dentro de los departamentos de investigación de las empresas tecnológicas, abordar el desafío del clima fue el siguiente paso lógico.

Las empresas ya trabajaban en videos con inteligencia artificial, entrenando modelos para predecir el siguiente fotograma de un video basándose en el anterior. El clima es un problema más complejo, pero resulta que la tecnología es transferible. En aquel entonces, “gran parte del progreso en la emulación de imágenes y video con IA era de baja dimensionalidad”, afirma Pritchard. “Pero a los investigadores de inteligencia artificial les gustan los desafíos que parecen del futuro. Un desafío en aquel momento era: ¿sería posible crear video a una escala de miles por miles de píxeles y decenas de canales?”.

En 2022, empresas tecnológicas e investigadores académicos comenzaron a implementar los primeros modelos importantes de IA para la predicción meteorológica. Google DeepMind lanzó GraphCast. Huawei, el gigante tecnológico chino, presentó Pangu-Weather, un modelo que analizaba la atmósfera en tres dimensiones. Nvidia, en colaboración con socios del Instituto Tecnológico de California y el Laboratorio Nacional Lawrence Berkeley, lanzó FourCastNet.

Pronto quedó claro que las predicciones de los modelos de inteligencia artificial podían competir con las predicciones tradicionales en precisión, e incluso superar a los modelos más antiguos. Este enfoque también presenta otras ventajas. La inteligencia artificial puede ser entre 100 y 1,000 veces más eficiente que una supercomputadora, ya que aprende patrones a partir de datos históricos en lugar de resolver repetidamente ecuaciones físicas en millones de celdas de la atmósfera.

Anteriormente, el costo de estas supercomputadoras (que pueden ascender a decenas o cientos de millones de dólares) impedía que los países más pobres dispusieran de ellas.

“En realidad, solo unos ocho países han contado con modelos de predicción meteorológica”, afirma Julian Green, emprendedor en serie y actual director ejecutivo de Brightband, una startup de inteligencia artificial meteorológica con la misión de democratizar la predicción del tiempo. “Y suelen ser los países más ricos. Tanto esos modelos como la inversión en observaciones hacen que las predicciones de los países ricos sean mucho mejores que las de los países pobres. Hay datos que demuestran que la predicción a siete días para un país rico es mejor que la predicción para mañana en un país pobre”.

Al principio, las predicciones de inteligencia artificial solo se probaban en experimentos. Pero el año pasado, el Centro Europeo de Previsiones Meteorológicas a Medio Plazo implementó el primer sistema operativo de predicción basado en IA. Para los principales indicadores meteorológicos, los modelos de inteligencia artificial son entre un 10% y un 20% más precisos que los mejores modelos físicos. (Se están realizando investigaciones para comparar el rendimiento en fenómenos meteorológicos específicos, pero, por ejemplo, en el caso de los monzones, las predicciones de IA presentan muchos menos errores que las predicciones tradicionales).

Aún no funciona a la perfección: un estudio reciente destacó que la inteligencia artificial puede tener dificultades para predecir fenómenos meteorológicos extremos, ya que se entrena con datos del pasado. Sin embargo, los investigadores están probando formas de optimizarla para los fenómenos meteorológicos más extremos, como entrenarla no solo con datos reales, sino también incorporando ejemplos teóricos más extremos.

Y los modelos siguen mostrando una mejora radical. En el pasado, la predicción meteorológica mejoraba lentamente. Aproximadamente cada década se lograba un día de precisión, por lo que una predicción a siete días ahora tiene la misma precisión que una a cinco días hace 20 años. Pero la inteligencia artificial está acelerando rápidamente el ritmo de mejora.

En una sola generación de modelos de inteligencia artificial, “hemos logrado el progreso que antes requería una década o más”, afirma Ferran Alet, científico investigador de Google DeepMind.

Los pronósticos meteorológicos tradicionales “se basan en suposiciones humanas imperfectas sobre cómo funcionan algunos procesos en la atmósfera”, afirma Pritchard, de Nvidia, señalando que aún no comprendemos del todo la física que subyace a la formación del clima. La inteligencia artificial evita esas suposiciones aprendiendo únicamente de datos. Y los modelos son cada vez más inteligentes.

“Un físico puede analizar el modelo, observar su respuesta y darse cuenta de que se trata de física aprendida”, explica Pritchard. “Esto se puede comprobar realizando algunas pruebas de credibilidad”. Y descubrir cómo modelar sistemas con “caos de alta dimensión”, como el clima, contribuirá a la innovación futura, como las predicciones de la calidad del aire.

El ritmo de cambio “es una locura, para ser sinceros”, afirma el científico meteorológico Monte Flora, quien trabajó en modelos meteorológicos de IA para la Administración Nacional Oceánica y Atmosférica (NOAA) antes de los despidos del año pasado. Ahora está desarrollando un modelo interno para The Weather Co. “Me siento un poco abrumado, ya que intento mantenerme al día”.

No está claro hasta dónde puede llegar la tecnología; dado que el clima es inherentemente caótico, algunos errores son inevitables. Pero es probable que los pronósticos a dos semanas sean cada vez más precisos. A medida que la IA mejora, mejores datos le permiten realizar pronósticos aún más lejanos.

Un nuevo globo podría transformar la forma en que las empresas utilizan los datos meteorológicos

En una fábrica en Redwood City, California, WindBorne está ampliando su línea de producción para su globo meteorológico personalizado de 8 metros de altura. Los globos están diseñados para permanecer en el aire durante semanas (un globo meteorológico típico, en cambio, podría durar solo un par de horas antes de explotar) y navegar de forma remota cambiando de altitud para aprovechar diferentes corrientes de viento, lo que les permite recopilar muchos más datos. La startup ahora tiene 400 globos en el aire en todo momento y trabaja para aumentar esa cifra a 10,000.

Fundada por graduados de Stanford en 2019, WindBorne comenzó recopilando mejores datos para la predicción meteorológica tradicional. Hace dos años, el equipo se propuso mejorar también la IA. Ahora, casi todos los modelos de IA se entrenan con un conjunto de datos llamado ERA5, que contiene décadas de datos históricos reconstruidos a partir de observaciones meteorológicas y modelos de predicción. Sin embargo, ERA5 solo estima las condiciones en puntos de la cuadrícula separados por unos 25 kilómetros. En el espacio intermedio, “prácticamente no hay datos de entrenamiento disponibles”, afirma el cofundador Kai Marshland.

Gracias a que los globos de WindBorne pueden volar mucho más lejos que los globos meteorológicos tradicionales y, además, pueden dirigirse a ubicaciones específicas si es necesario, es posible cubrir la Tierra con mucho más detalle. La empresa ahora lanza sus globos desde sitios estratégicamente elegidos alrededor del planeta. En Corea del Sur, sus globos sobrevuelan el Pacífico, proporcionando datos cruciales antes de que las tormentas azoten la costa oeste de Estados Unidos. En su último punto de lanzamiento, en Uruguay, la empresa está proporcionando los primeros datos de sondeo —mediciones atmosféricas desde un globo— que se han recopilado en la zona.

La combinación de IA y datos únicos es fundamental, afirma Bill Clerico, fundador y socio gerente de Convective Capital, una firma de capital riesgo especializada en tecnología para incendios forestales, que invirtió en WindBorne en 2024. (En el caso de los incendios forestales, los datos de los globos sonda pueden ser cruciales tanto para la prevención —por ejemplo, para ayudar a una compañía eléctrica a saber cuándo debe cortar el suministro eléctrico— como para predecir cómo se propagará un incendio una vez iniciado).

“Hay muchas empresas que están innovando únicamente a nivel de software”, comenta Clerico. “Creo que estas empresas se enfrentan a preguntas muy difíciles sobre su capacidad de defensa a largo plazo. El estado del arte en modelos cambia a pasos agigantados. Hay muchísimas empresas que reciben financiación y que desarrollan soluciones. Se puede tener el mejor modelo de IA del mundo ahora mismo, y eso podría cambiar en 30 días”.

Datos meteorológicos en tiempo real y agentes pueden generar información empresarial clave

Tomorrow.io, otra empresa del sector, recopila datos de su propia flota de 13 satélites que muestrean cada punto de la Tierra aproximadamente cada 60 minutos. “La brecha que observamos es que el 90% de la población mundial, es decir, más de 5,000 millones de personas, desconoce los datos meteorológicos en tiempo real”, afirma el CEO Shimon Elkabetz. Al igual que los datos de sondeo obtenidos con globos sonda, los datos satelitales de la empresa pueden ayudar a mejorar los pronósticos. Al mismo tiempo, la IA permite procesar la creciente cantidad de mediciones.

“Antes, procesar modelos físicos globales llevaba entre una y seis horas”, explica Elkabetz. “Con la IA, se puede hacer en un minuto, o incluso segundos. Y gracias a ello, se puede procesar mucha más información de forma eficiente… Ahora los datos son aún más importantes”.

La empresa también desarrolla agentes de IA para diferentes casos de uso. Para las aerolíneas, por ejemplo, Tomorrow.io no solo comparte el pronóstico, sino también recomendaciones específicas, como la cantidad de camiones de deshielo necesarios para afrontar la nieve en un aeropuerto a una hora determinada. En el caso de una empresa como Uber, Tomorrow.io puede recomendar la ubicación de los conductores antes de que la demanda de pasajeros aumente debido a una tormenta. Para las empresas que distribuyen productos con plazos de entrega ajustados, como los farmacéuticos, el software puede ayudar a optimizar la logística para que las entregas lleguen antes de una tormenta. En un reciente evento de Fórmula 1, los datos de Tomorrow.io contribuyeron a modificar el cronograma.

Al igual que Clerico, Elkabetz afirma que tener el mejor modelo de IA no es suficiente. “Tenemos 30 doctores en la empresa dedicados exclusivamente a la creación de modelos de IA, y lo hacemos día tras día. Pero recordamos que eso no basta para generar un impacto”, comenta. “Todos tienen equipos brillantes. Todos están creando. Creo que lo que realmente importa es cómo se implementa este modelo. ¿Cómo se pone a disposición de quien toma las decisiones para que pueda tomar la decisión correcta en el momento oportuno?”.

Ciencia abierta, intereses privados

Para varias de las empresas que compiten por mejorar la predicción mediante IA, parte del objetivo actual es compartir la tecnología. Earth-2 de Nvidia, un conjunto de herramientas de predicción lanzado a principios de este año que puede procesar datos de observación y ofrecer predicciones con hasta 15 días de antelación, es de código abierto y está disponible para que cualquiera lo use, desde gobiernos nacionales hasta empresas energéticas.

“Nvidia no es un proveedor de servicios meteorológicos”, afirma Pritchard. “No tenemos intención de serlo. Nuestro objetivo es producir software de alta calidad —que además funciona a la perfección en nuestras GPU— para acelerar e impulsar este ecosistema, y ​​hacerlo de forma transparente, para que todos puedan intercambiar información y experimentar el proceso completo de entrenamiento, prueba y análisis de simulaciones meteorológicas”.

Señala que la motivación es ayudar al mundo a responder mejor a los fenómenos meteorológicos extremos y fomentar una mayor adopción de la IA. El modelo gratuito de Nvidia está diseñado como una base que otros pueden usar para construir un ecosistema más amplio de modelos personalizados para diferentes ámbitos.

La startup Brightband utiliza la tecnología de Nvidia, junto con otros modelos de IA de acceso público, incluidos los de Google y Microsoft. A su vez, al ejecutar los modelos y generar datos de pronóstico, comparte los resultados para que cualquiera pueda ver el rendimiento de la IA y dónde necesita mejorar.

“Lo primero que consideramos es que no podemos tener éxito como empresa si la predicción meteorológica con IA no es buena”, afirma Green, CEO de Brightband. “Y no somos los únicos que podemos lograrlo. Por eso queremos que muchas personas talentosas se incorporen a la predicción meteorológica e integren la IA, y compartimos software de código abierto para fomentar la innovación en general”.

Google, al igual que otras empresas del sector, ha publicado artículos sobre sus innovaciones en la predicción meteorológica para que otros puedan aprender de ellas. “Creo que los mejores modelos son artículos científicos publicados que ofrecen todos los detalles”, afirma Peter Battaglia, director sénior de investigación de Google DeepMind. “En su mayoría, son código abierto”. Para las empresas tecnológicas, es en parte una forma de consolidar su reputación y demostrar el potencial de la IA.

A medida que los modelos se validan y se aceptan, surge una clara oportunidad económica para las empresas que los desarrollan, y surgen interrogantes sobre la posible privatización. En cuanto a los datos, cuando la administración Trump recortó cientos de puestos de trabajo en la NOAA en 2025, y otros se jubilaron anticipadamente o renunciaron, la agencia comenzó a comprar datos a empresas como WindBorne. En el ámbito de la IA, a medida que la predicción dependa menos de las costosas supercomputadoras y pueda ejecutarse con modelos de IA relativamente económicos, es posible imaginar que las empresas privadas acaben desempeñando un papel más importante. Y con ello, existe cierto riesgo de que los mejores pronósticos solo estén disponibles para quienes puedan pagarlos.

Por ahora, los cambios tienen una clara ventaja. En India, la IA está ayudando a predecir los monzones y a proporcionar a los agricultores pronósticos sobre los momentos óptimos para sembrar o usar fertilizantes. (Un estudio de la Universidad de Chicago descubrió que proporcionar un pronóstico preciso del monzón ha ayudado a algunos agricultores a casi duplicar sus ingresos). En el África subsahariana, que históricamente contaba con muy pocos datos meteorológicos, WindBorne colaboró ​​con la Fundación Gates para recopilar datos de forma más rentable que nunca, de modo que puedan utilizarse en pronósticos meteorológicos con IA y alertar a los agricultores con antelación sobre fenómenos meteorológicos extremos. Tomorrow.io está trabajando con agricultores en Kenia y Filipinas, y con los gobiernos de Indonesia y Tailandia.

Establecer un sistema nacional de pronóstico meteorológico de vanguardia ya no requiere grandes equipos ni equipos costosos; un sistema de IA puede funcionar con una unidad de inferencia relativamente económica como la DGX Spark de Nvidia, que cuesta aproximadamente 4500 dólares. El entrenamiento de la IA aún requiere más equipamiento, pero esto se está llevando a cabo a escala global, y los países pueden utilizar esos datos sin necesidad de volver a entrenar la IA por sí mismos.

“Existe una enorme oportunidad en el mundo en desarrollo”, afirma Pritchard. “Antes se necesitaba un gran equipo para reunir el personal y la capacidad informática necesarios para realizar pronósticos meteorológicos especializados. Pero eso ha cambiado por completo en la era de la IA”.