Google DeepMind ha publicado resultados revisados por pares en Nature para WeatherNext Cyclones, un modelo de IA meteorológica que logra precisión de épocas en la predicción de trayectoria de ciclone tropical, intensidad y estructura del viento. En ciclones de 2023–2025, el modelo ofrece una ventaja promedio de tiempo líder de un día completo sobre modelos operacionalesldír (ECMWF-ENS, HWRF)—significando que pronósticos de tres días rivalicen con lo que sistemas anteriores brindaban a dos días. El modelo ejecuta un conjunto de 1.000 miembros en una sola TPU en menos de un minuto, generando mapas de riesgo probabilísticos para eventos raros de intensificación. Google ahora es de código abierto tres variantes: WeatherNext Cyclones (versión que corrió durante la temporada de huracanes 2025), WeatherNext 2 y WeatherNext 2-mini (versión compacta para Colab gratuito).
El modelo unifica un dilema de pronóstico ancestral: los modelos globales sobresalen en trayectoria (hacia dónde va el ciclón) pero fallan en intensidad (qué tan fuerte se vuelve), mientras que los modelos locales de alta resolución hacen lo opuesto. WeatherNext une ambos aprendiendo de un conjunto de datos de doble modalidad: 20 terabytes de reannálisis atmosférico global más base de datos histórica de 5.000 ciclones IBTrACS. A diferencia de los modelos basados en física, requiere solo resolución de entrada de 28x28 km (100 veces más gruesa que los modelos regionales tradicionales), logrando esto a través de Redes Generativas Funcionales que capturan eficientemente la incertidumbre aleatoria. En uso operacional durante 2025, ayudó al Centro Nacional de Huracanes de EE.UU. a emitir advertencias tempranas para la intensificación rápida del Huracán Melissa en Jamaica.
Para meteorólogos, gerentes de emergencias y sectores dependientes del clima (agricultura, seguros, energía renovable), el lanzamiento de código abierto importa más que el documento de Nature: una década de progreso meteorológico comprimida en pesos gratuitos y descargables. La ventaja de tiempo de un día corresponde a decisiones crítícas de evacuación y movilización de recursos. Los meteorologistas ahora pueden explorar 1.000 escenarios alternativos por ciclón, desplazando el pronóstico de determinístico a riesgo probabilístico. Impacto práctico: las comunidades ganan ~24h más tiempo para prepararse para impactos que amenazan la vida, un margen que los meteorólogos describen como transformador. Para profesionales de IA, el resultado revela que la alta resolución no es un requisito previo para el modelado de clima extremo cuando se entrena de extremo a extremo en grandes conjuntos de datos especializados.