In brief
- Google DeepMind lanzó WeatherNext 2, un sistema de predicción meteorológica con IA que genera pronósticos globales ocho veces más rápido y con mayor resolución que los modelos tradicionales.
- Basado en Redes Generativas Funcionales (FGN), el modelo produce escenarios más precisos de temperatura, viento, humedad, presión y ciclones, superando al anterior WeatherNext Gen en 99,9% de las variables probadas.
- WeatherNext 2 ya se integró en Search, Gemini, Pixel Weather y Google Maps, y promete mejorar la preparación frente a eventos climáticos extremos mediante pronósticos más rápidos y confiables.
El lunes, Google DeepMind presentó un nuevo sistema de predicción meteorológica con inteligencia artificial, capaz de generar predicciones climáticas globales ocho veces más rápido que las herramientas tradicionales, según informó.
WeatherNext 2, se posiciona como una herramienta para ayudar a las agencias a prepararse para condiciones severas más rápidamente, mientras el mundo continúa lidiando con desastres naturales frecuentes impulsados por un clima cada vez más cálido.
Para lograrlo, genera cientos de posibles escenarios a partir de un único punto de partida, cada uno calculado en menos de un minuto en una Unidad de Procesamiento de Tensores, un chip especializado desarrollado por Google para acelerar cargas de trabajo de machine learning e inteligencia artificial.
"Dependemos de predicciones meteorológicas precisas para decisiones críticas, desde cadenas de suministro hasta redes energéticas y planificación de cultivos", escribió Peter Battaglia, científico de investigación de Google DeepMind, en X. "La inteligencia artificial está transformando cómo pronosticamos el clima".
Weather affects everything and everyone. Our latest AI model developed with @GoogleResearch is helping us better predict it. ⛅
WeatherNext 2 is our most advanced system yet, able to generate more accurate and higher-resolution global forecasts. Here’s what it can do - and why… pic.twitter.com/yVdFFlAHpE
— Google DeepMind (@GoogleDeepMind) November 17, 2025
Despliegue en productos de Google
La predicción de WeatherNext 2 ya está funcionando en Search, Gemini, Pixel Weather y la API de Clima de Google Maps, con soporte más amplio próximamente.
"Estamos trabajando con los equipos de Google para integrar WeatherNext en nuestro sistema de pronósticos", señaló Akib Uddin, gerente de producto de WeatherNext 2. "Sea en búsqueda, Android o Google Maps, el clima afecta a todos, y al hacer mejores predicciones meteorológicas, podemos ayudar a todos".
Los modelos convencionales pueden tardar horas, limitando la frecuencia con la que se pueden actualizar los escenarios, indicó DeepMind. Al utilizar inteligencia artificial avanzada, WeatherNext 2 superó su modelo operativo anterior, WeatherNext Gen, según afirma la empresa.
"Es aproximadamente ocho veces más rápido que el modelo probabilístico anterior que lanzamos el año pasado, y en términos de resolución, es seis veces mayor", agregó Battaglia. "En lugar de hacer pasos cada seis horas, toma pasos cada hora. Supera al anterior WeatherNext Gen en el 99,9% de las variables que probamos".
En términos prácticos, esto significa que el nuevo sistema produjo pronósticos más precisos de temperatura, viento, humedad y presión casi en todas partes y en casi todos los puntos de la ventana de 15 días.
DeepMind atribuyó las mejoras a un nuevo enfoque de modelado descrito en un documento de investigación de junio sobre Redes Generativas Funcionales (FGN), que cambia la forma en que el sistema representa la incertidumbre y genera variaciones de pronósticos.
Un nuevo enfoque de modelado
FGN se entrena solo en pronósticos de una sola variable, o "marginales", como temperatura, viento o humedad en una ubicación específica, según Google.
A pesar de esto, el modelo aprende cómo interactúan esas variables, permitiéndole predecir patrones más amplios e interconectados, como eventos de calor regional y comportamiento de ciclones.
Google señaló que FGN igualó a GenCast en pronósticos de temperatura extrema a dos metros y lo superó en pronósticos de viento extremo a diez metros, dependiendo de la variable.
El modelo también mostró una calibración más sólida en diferentes plazos y un mejor rendimiento cuando los pronósticos se evaluaron sobre regiones más grandes en lugar de puntos individuales.
Utilizando la Puntuación de Probabilidad de Ranking Continuo, una métrica de precisión estándar que verifica qué tan cerca está el rango completo de resultados predichos por un modelo de lo que realmente ocurrió, el documento informa mejoras promedio del 8,7% para CRPS promediado por grupos y del 7,5% para CRPS máximo por grupos en comparación con GenCast.
Rendimiento en predicción de ciclones
FGN también mejoró los pronósticos de ciclones tropicales.
En comparación con las trayectorias históricas del Archivo Internacional de Mejores Trayectorias para la Gestión del Clima, las predicciones del conjunto medio redujeron los errores de posición en aproximadamente 24 horas de anticipación entre los pronósticos de tres a cinco días.
Una versión de FGN ejecutada en intervalos de 12 horas mostró un error más alto que la versión de seis horas, pero aún superó a GenCast en plazos de más de dos días.
Los pronósticos de probabilidad de trayectoria mostraron un mayor Valor Económico Relativo en la mayoría de las proporciones de costo-pérdida y plazos.
DeepMind indicó que las herramientas experimentales de predicción de ciclones construidas con esta tecnología han sido compartidas con agencias meteorológicas.
"Obtienes pronósticos más precisos y los obtienes más rápido, lo que ayuda a todos a tomar las decisiones correctas, especialmente cuando comenzamos a ver cada vez más fenómenos meteorológicos extremos", agregó Uddin. "Creo que hay todo un espectro de aplicaciones para una mejor predicción meteorológica".