Google ha presentado WeatherNext 2, su modelo de pronóstico meteorológico basado en inteligencia artificial (IA) más avanzado hasta la fecha. Desarrollado por Google DeepMind y Google Research, este sistema es capaz de generar cientos de escenarios meteorológicos en menos de un minuto en una sola TPU, lo que supone una mejora de velocidad de hasta ocho veces respecto al modelo anterior. Ofrece predicciones con resolución horaria, mejora la exactitud en prácticamente todas las variables (temperatura, viento, humedad, presión…) y ya está integrado en plataformas como Google Search, Gemini, la app Pixel Weather y, próximicamente, en Google Maps.

¿Qué aporta WeatherNext 2 y cómo funciona?

WeatherNext 2 se basa en una arquitectura llamada Functional Generative Network (FGN), que introduce ruido directamente en la estructura del modelo para generar variabilidad coherente entre los escenarios simulados. Gracias a este planteamiento, a partir de una única entrada puede producir cientos de posibles evoluciones del clima con diferencias sutiles pero realistas. Google describe este enfoque con detalle en su artículo técnico de DeepMind.

Este diseño probabilístico ayuda a anticipar fenómenos extremos, ya que no se limita a un único resultado probable. Al variar la entrada mediante ruido funcional y emplear múltiples redes neuronales, el sistema captura tanto incertidumbre epistémica como aleatoria; es decir, detecta lo que el modelo no conoce y también lo que es inherentemente imprevisible. La comunidad de machine learning ha debatido su arquitectura en foros donde se destacan sus ventajas frente a los modelos deterministas tradicionales.

En términos de rendimiento, WeatherNext 2 es hasta ocho veces más rápido que su predecesor. Genera un pronóstico global de 15 días en menos de un minuto empleando una sola TPU, mientras que los modelos numéricos basados en ecuaciones físicas requieren horas en supercomputadores.

Además, la resolución temporal mejora hasta una granularidad de una hora, lo que permite un análisis meteorológico mucho más útil para operaciones sensibles al tiempo, tal como explica Dataconomy.

Un aspecto especialmente llamativo es que WeatherNext 2 es capaz de reconstruir sistemas complejos (“joints”) como olas de calor o patrones de viento regionales a pesar de haber sido entrenado únicamente con variables marginales. Este comportamiento emergente ilustra hasta qué punto el modelo ha aprendido la dinámica atmosférica a partir del histórico de datos.

Aplicaciones reales y cómo se usa

WeatherNext 2 no se queda en un entorno experimental: Google ya lo utiliza en sus propios servicios. Las predicciones de este modelo han empezado a integrarse en Google Search, en Gemini y en la aplicación Pixel Weather, y la empresa ha confirmado su llegada progresiva a la Weather API de Google Maps.

Para investigadores y desarrolladores, el modelo está disponible dentro de Google Earth Engine y BigQuery, permitiendo que cualquier institución pueda consultar o analizar predicciones a escala global. Además, existe un programa de acceso anticipado a través de Vertex AI, que facilita adaptar el modelo a sectores específicos como energía, logística o agricultura. Google explica estos usos y opciones en su nota técnica de blog.google.

La capacidad de generar cientos de escenarios tiene implicaciones importantes para la gestión del riesgo. Servicios de emergencia, por ejemplo, pueden estudiar la probabilidad de lluvias torrenciales en una zona concreta comparando el escenario medio con los escenarios extremos. Algunos organismos meteorológicos ya han realizado pruebas con el modelo para anticipar la trayectoria y la intensidad de ciclones con mayor precisión, especialmente en las primeras fases de formación. Estas aplicaciones comienzan a aparecer en artículos como el publicado por Cointeeth.

Ventajas clave y mejoras frente al modelo anterior

Uno de los puntos más sólidos de WeatherNext 2 es la mejora global de precisión, que según Google alcanza el 99,9 % de las variables evaluadas en todas las escalas temporales analizadas (desde unas horas hasta 15 días).

Otra ventaja técnica se encuentra en la reducción del error en predicciones de ciclones. Como generan distribuciones probabilísticas completas y no un único resultado, las trayectorias potenciales se representan con mayor coherencia. Esto ayuda a planificar evacuaciones, cortes preventivos de suministro eléctrico o despliegues de equipos de emergencia sin depender de una única predicción determinista.

La eficiencia computacional es otro pilar clave. El hecho de que pueda ejecutarse en una sola TPU reduce drásticamente el coste de cálculo. Con modelos tradicionales basados en dinámica de fluidos, un pronóstico global precisa simular ecuaciones con decenas de millones de celdas espaciales y pasos temporales, lo que consume gran potencia de cálculo. En este caso, la IA ya ha aprendido las relaciones implícitas entre variables atmosféricas, lo que elimina el cálculo físico explícito y acelera todo el proceso.

El sector energético también está prestando atención a este enfoque. La generación eléctrica renovable—especialmente eólica y solar—depende de predicciones fiables con buena resolución temporal. Al poder estimar escenarios múltiples, un gestor de red puede anticipar caídas simultáneas de producción y ajustar reservas en consecuencia. De forma similar, en agricultura de precisión permite decidir riegos o tratamientos fitosanitarios basándose en probabilidades condicionales, no en predicciones puntuales.

Por último, la densidad de datos que genera WeatherNext 2 abre la puerta a usos en ciudades inteligentes: desde anticipar picos de demanda energética a optimizar circulación mediante alertas de lluvia intensa, pasando por planificación de infraestructuras sensibles al clima.

Reflexiones adicionales

WeatherNext 2 representa un paso firme hacia modelos meteorológicos basados en IA capaces de competir con la predicción numérica tradicional, al menos en horizontes temporales de escala media. Su integración directa en Search, Gemini y Pixel Weather demuestra que la tecnología está lo bastante madura como para desplegarse masivamente.

No obstante, su uso debe enfocarse como complemento, no sustituto. La atmósfera es un sistema caótico y extremadamente sensible a las condiciones iniciales; ningún modelo —ni físico ni de IA— puede escapar a esa incertidumbre. En episodios muy atípicos o en condiciones sin precedentes, los modelos de IA podrían reaccionar peor si no disponen de datos históricos similares, por lo que sigue siendo esencial combinar la experiencia de los meteorólogos, los modelos físicos tradicionales y las nuevas herramientas de aprendizaje automático.

Las predicciones más rápidas y con un abanico de escenarios amplía pueden ayudar a reducir riesgos y mejorar la toma de decisiones en múltiples ámbitos. En un contexto donde los fenómenos extremos aumentan en frecuencia, disponer de un modelo como WeatherNext 2 puede aportar información esencial para proteger vidas y recursos.