La predicción meteorológica ha dependido tradicionalmente de modelos basados en física que simulan el comportamiento de la atmósfera mediante complejas ecuaciones. Estos sistemas, ejecutados por supercomputadoras, requieren enormes cantidades de energía y tiempo. Frente a este panorama, DeepMind, la filial de inteligencia artificial de Google, presenta una alternativa que promete transformar la forma en que se generan estos pronósticos: GenCast, un modelo de IA entrenado para anticipar el clima de manera más eficiente.Cómo funciona GenCastGenCast se alimenta de cuatro décadas de datos meteorológicos históricos del archivo ERA5 del Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF). Este archivo contiene registros detallados de temperatura, presión y velocidad del viento en distintos puntos del planeta y a diversas alturas. El modelo fue entrenado con datos hasta 2018 y se puso a prueba con registros reales de 2019.Los resultados fueron sorprendentes: superó al modelo ENS del ECMWF en un 97,4% de los casos y alcanzó un 99,8% de precisión en predicciones que iban más allá de las 36 horas. Esta eficacia convierte a GenCast en uno de los sistemas más prometedores en el campo de la meteorología por IA.Velocidad y eficiencia como ventajas claveUno de los principales atractivos de GenCast no es solo su precisión, sino también su eficiencia computacional. Mientras los modelos tradicionales requieren horas de cálculo en supercomputadoras, GenCast puede generar 50 posibles escenarios climáticos en tan solo 8 minutos utilizando chips especializados Google Cloud TPU v5. Esta rapidez abre nuevas posibilidades para aplicaciones en tiempo real y sistemas de alerta temprana, especialmente en situaciones críticas como tormentas o incendios forestales.A diferencia de los modelos físicos que necesitan aumentar la resolución de los datos para mejorar la precisión, algo que incrementa exponencialmente el costo computacional, GenCast logra resultados notables sin necesidad de esa complejidad. Actualmente opera con una resolución de 28 kilómetros cuadrados en el ecuador, comparado con los 9 kilómetros del ENS actualizado. Pero según Ilan Price, de DeepMind, el modelo no necesita igualar esa resolución para ser competitivo, gracias a la naturaleza del aprendizaje automático.El papel de la IA como complemento, no sustitutoAunque los avances son llamativos, varios expertos señalan que estos modelos no reemplazan a los sistemas tradicionales, al menos por ahora. David Schultz, de la Universidad de Manchester, advierte que la eficacia de GenCast depende en gran parte de los datos generados por los modelos físicos previos. Es decir, sin las inversiones realizadas durante décadas por centros como ECMWF o NOAA, el entrenamiento de estos modelos de IA no sería posible.Es como si un ajedrecista aprendiera a vencer a los campeones analizando todos sus movimientos previos: su destreza sigue dependiendo del conocimiento acumulado. Por tanto, GenCast no sustituye el modelo clásico, sino que lo complementa y optimiza.Límites actuales y retos futurosSergey Frolov, de la NOAA, remarca que el progreso de la IA está limitado por la resolución de los datos de entrenamiento. Si se quiere avanzar más allá, será necesario mejorar la calidad de esos datos, algo que solo se logra invirtiendo más en modelos físicos detallados. Es un ciclo de dependencia donde uno alimenta al otro.Por otra parte, Kieran Hunt, de la Universidad de Reading, destaca que los pronósticos por conjuntos o «ensembles» pueden beneficiarse especialmente de la IA. Este enfoque, que consiste en ejecutar múltiples predicciones con ligeras variaciones para capturar un rango de posibilidades, permite detectar eventos extremos de manera anticipada, incluso si al principio parecen poco probables. El caso de la ola de calor en Reino Unido en 2022, con temperaturas que superaron los 40°C, fue anticipado por algunos miembros del conjunto días antes de que los modelos convergieran en ese escenario.La capacidad de la IA para generar rápidamente muchos escenarios puede convertirse en una herramienta clave para mejorar estos sistemas de predicción probabilística.Una evolución continua en la meteorologíaGenCast se suma a otros proyectos previos de DeepMind orientados a la meteorología. Entre ellos están los modelos de «nowcasting», que predicen la probabilidad de lluvia en áreas de un kilómetro cuadrado usando apenas cinco minutos de datos de radar. La empresa también investiga cómo integrar componentes de IA en modelos físicos tradicionales para acelerar cálculos sin perder exactitud.Este enfoque mixto podría representar un nuevo estándar: no se trata de elegir entre IA o física, sino de combinar ambas para obtener lo mejor de cada mundo. La IA aporta velocidad y eficiencia; los modelos físicos, solidez y profundidad. Juntos, pueden lograr predicciones meteorológicas más accesibles, sostenibles y precisas.La noticia GenCast, la IA de DeepMind que mejora la predicción meteorológica con menos recursos fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.