>
Actualidad>
Ciencia y Tecnología>
WeatherNext 2 de Google DeepMind: pronósticos más rápidos y precisos a escala globaldomingo, 13 de septiembre 2026
WeatherNext 2 de Google DeepMind: pronósticos más rápidos y precisos a escala global
WeatherNext 2 mejora la precisión del 99,9 % y genera cientos de escenarios en menos de un minuto.
Ciencia y Tecnología
Por: Yexika Montilla | 20 de noviembre 2025 | 20:06
Pie de foto: El modelo de IA que acelera los pronósticos globales y mejora el 99,9 % de las variables atmosféricas.
Google DeepMind y Google Research presentaron WeatherNext 2, un modelo de IA que genera cientos de escenarios meteorológicos en menos de un minuto con una sola TPU, mejora la resolución hasta una hora y supera a su predecesor en el 99,9 % de variables y plazos (0–15 días). Ya impulsa Búsqueda, Gemini, Pixel Weather y se integra con la Weather API de Maps; sus datos están disponibles en Earth Engine y BigQuery, con acceso temprano en Vertex AI.
El clima gobierna decisiones que van desde rutas aéreas y cadenas logísticas hasta la organización de un día de trabajo. En esa frontera se instala WeatherNext 2, el modelo de pronóstico de Google DeepMind y Google Research que lleva la IA a la capa operativa: pasar de “una mejor predicción” a “planes mejores”. Su valor diferencial es probabilístico: desde un único estado atmosférico inicial, produce cientos de trayectorias posibles del tiempo, en segundos, con consistencia física entre variables. Esa variedad permite ver no solo “lo más probable”, sino también colas de riesgo que exigen preparación. “Predecir es abrazar la incertidumbre”, repiten los meteorólogos; la novedad es que ahora se puede medir y explorar esa incertidumbre con granularidad horaria y alcance global en mapas y productos de consumo masivo.
Este salto no llega en el vacío. La última ola de modelos de aprendizaje automático ya superó a varios enfoques numéricos tradicionales en ciertas métricas, pero faltaba traducir investigación en infraestructura diaria. WeatherNext 2, según Google, cierra ese puente: genera previsiones ocho veces más rápidas que sistemas previos, con resolución temporal de hasta una hora y horizontes de cero a quince días, y lo hace desde plataformas que la gente usa: Búsqueda, Gemini, Pixel Weather y Google Maps. Para investigación y empresas, los datos se consultan en Earth Engine y BigQuery; además, hay acceso temprano en Vertex AI para inferencia y personalización. La consecuencia es práctica: pronósticos más oportunos y un abanico de escenarios que mejoran planes, seguros y respuestas ante emergencias.
Cómo genera escenarios: FGN y ruido funcional
El corazón técnico de WeatherNext 2 es la Functional Generative Network (FGN), una arquitectura que inyecta “ruido” directamente en el espacio funcional del modelo para crear variabilidad coherente entre las predicciones. En términos simples, en lugar de agregar azar a la salida, el sistema “sacude” su representación interna de la atmósfera de forma controlada, lo que conserva relaciones físicas entre variables y niveles de presión. Este enfoque permite entrenarse sobre “marginales” —variables individuales como temperatura, humedad o viento— y, aun así, aprender “joints”: estructuras espaciales y temporales amplias, como una ola de calor que se expande por regiones o el patrón de producción de un parque eólico durante varios días. La FGN optimiza directamente métricas probabilísticas, como CRPS, para que los conjuntos (ensembles) resultantes sean útiles en decisión.
La literatura técnica muestra por qué esto es relevante. Los ensembles clásicos dependen de ejecutar decenas o centenas de miembros con pequeñas perturbaciones y alto costo computacional; aquí, la variedad surge en una sola pasada y mantiene estructura conjunta sin sobreentrenarse a correlaciones espurias. El trabajo académico que presenta FGN reporta mejoras frente al estado del arte en métricas deterministas y probabilísticas, además de trayectorias de ciclones tropicales más hábiles, lo que ilustra su capacidad para fenómenos extremos. En WeatherNext 2, esa idea se adopta y escala: las redes neuronales, entrenadas por variable, generan múltiples pronósticos físicamente realistas en menos de un minuto por TPU, listos para comparar riesgos y gatillar acciones.
Velocidad, resolución y horizontes de pronóstico
La promesa de “más rápido” tiene cifras concretas: cada corrida de WeatherNext 2 produce cientos de escenarios en menos de un minuto usando una sola TPU, cuando un enfoque basado en modelos físicos puede tardar horas en supercomputadores. En operaciones, esa diferencia separa advertencias oportunas de alarmas tardías: aerolíneas que reprograman antes, ciudades que ajustan turnos de recolección por tormentas, o centros de despacho eléctrico que balancean turbinas y baterías frente a nubosidad cambiante. La resolución temporal de hasta una hora convierte el pronóstico en un instrumento de corto plazo, útil para ventanas de seis a doce horas donde se deciden turnos, vuelos o mantenimiento. El sistema ejecuta cuatro pronósticos de seis horas al día, alineados con la actualización del estado global más reciente.
El horizonte de 0 a 15 días cubre desde el “ahora” táctico hasta el “medio alcance” estratégico. En ese tramo, la habilidad de un modelo no se mide solo por un número de error puntual, sino por cómo conserva estructura: frentes, ríos de humedad, vientos en altura. Google afirma que WeatherNext 2 supera al modelo anterior en el 99,9 % de variables y plazos, incluyendo temperatura, viento y humedad, y que mejora la capacidad de anticipar eventos extremos. Esa superioridad se refleja en mapas de verificación por niveles de presión y en métricas como CRPS, comparadas con la generación previa de la familia WeatherNext. Para equipos de riesgo, mayor habilidad probabilística se traduce en menos sorpresas y en planes graduados por probabilidad de impacto.
Desempeño frente a modelos anteriores y “joints” complejos
En la práctica, “mejor desempeño” significa que, al comparar miembro por miembro, la distribución de escenarios se acerca más a lo que ocurre en la atmósfera real. WeatherNext 2 muestra curvas de error más bajas y mapas de habilidad más extensos frente a su generación previa y frente a enfoques alternativos de ML en múltiples variables y niveles. La novedad de entrenar sobre marginales pero predecir joints reduce uno de los dolores de cabeza clásicos: pronósticos que aciertan temperatura promedio pero descoordinan viento y humedad, dificultando el cálculo de sensación térmica o la estimación de niebla. En los gráficos de verificación divulgados por Google, los bloques rojos de “supera” dominan casi todo el tablero de variables y plazos.
Ese comportamiento conjunto es vital para fenómenos de gran escala. Una ola de calor no es solo grados de temperatura: depende de vientos, subsidencia y humedad del suelo. Un parque eólico no rinde por “viento promedio”, sino por la interacción de ráfagas, cizalladura y estabilidad en capas específicas. WeatherNext 2 busca capturar esas interdependencias con un coste computacional acotado, dando cabida a análisis de “qué pasaría si” sobre la misma atmósfera inicial. “El pronóstico perfecto no existe, pero sí el pronóstico útil”, resume un investigador de Google DeepMind citado en la nota; útil significa prever rangos posibles y asignarles probabilidad antes de que el evento cobre fuerza.
Integraciones en el ecosistema Google y acceso para terceros
El anuncio llega con integraciones inmediatas. Los usuarios ya ven mejoras en Búsqueda, Gemini y Pixel Weather, y los desarrolladores pueden consumir datos desde Earth Engine y BigQuery para análisis geoespaciales o series históricas. En Google Cloud, un programa de acceso temprano en Vertex AI habilita inferencia personalizada sobre el modelo, lo que abre la puerta a afinaciones por región, variable o caso de uso (por ejemplo, optimizar alertas para un operador eléctrico en un valle andino con microclimas). En Google Maps Platform, la Weather API agrega pronóstico de hora en hora, condiciones actuales y diarios, con el compromiso de incorporar estos avances en Google Maps en las semanas posteriores al anuncio.
Para equipos técnicos, esta disponibilidad evita ciclos largos de integración. La Weather API entrega datos listos para aplicaciones; Earth Engine expone catálogos y operadores geoespaciales; BigQuery facilita consultas SQL sobre pronósticos voluminosos sin mover datos; y Vertex AI añade la capa de MLOps, permisos y despliegue. Esa combinación permite construir desde paneles ciudadanos hasta tableros de despacho energético, con rutas que ponderan lluvia probable o nubosidad que atenúa fotovoltaica. En términos de gobernanza, centralizar acceso reduce fricción de licencias y alinea seguridad con políticas existentes en Google Cloud, un punto sensible para administraciones públicas y sectores regulados.
Aplicaciones y riesgos: decisiones, emergencias y ciencia abierta
Las aplicaciones se multiplican cuando el pronóstico incorpora rango y coherencia física. En logística, un puerto puede decidir escalonar atraques si una fracción no despreciable de escenarios muestra vientos sobre umbrales operativos. En agricultura, un productor ajusta riego o tratamientos ante combinaciones de temperatura y humedad propicias a plagas. En energía, un operador estima generación eólica y fotovoltaica con bandas de incertidumbre que se transforman en compras o reservas. Y en gestión de emergencias, la evaluación de eventos de baja probabilidad y alto impacto —inundaciones repentinas, vientos severos— gana horas valiosas para activar protocolos, reservar capacidad hospitalaria o definir cierres preventivos en rutas críticas.
El anuncio incluye un énfasis en transferencia de investigación a impacto. Google sostiene que seguirá integrando nuevas fuentes de datos, ampliará el acceso y proporcionará herramientas y datos abiertos para acelerar el descubrimiento científico en meteorología y clima. La publicación académica de FGN marca una ruta: documentar arquitecturas, métricas y límites para permitir réplica y mejora por la comunidad. Quedan desafíos: sesgos en datos de entrada, cobertura desigual por regiones con observaciones escasas y la necesidad de comunicación de riesgo clara para públicos no técnicos. Aun así, al combinar velocidad, precisión y escenarios, WeatherNext 2 empuja el estándar de “pronóstico útil” hacia un entorno donde planificar bien es tan crucial como acertar el valor puntual.
Fuente: Google, arXiv, Google Developers, Google Maps Platform
Suscribete
Twitter
Facebook
Instagram
Linkedin
Enviar