Modelos fundacionales de series de tiempo: ríos y latidos

Una red neuronal que nunca vio tu río, nunca vio tu cuenca y se entrenó en parte con demanda eléctrica y conteos de tránsito ya puede pronosticar el caudal de tu río casi tan bien como un modelo entrenado con treinta años de mediciones locales. Ese es el hallazgo de investigadores de la Universidad de Texas en Austin, en un paper cuyo título trae su propio escepticismo: “Zero-shot Forecasting of Streamflow Using Time Series Foundation Models: Are We There Yet?”. Los modelos fundacionales de series de tiempo son modelos grandes, preentrenados con cantidades enormes de datos numéricos secuenciales de muchos dominios, capaces después de pronosticar una serie nueva sin reentrenarse. Para las familias que viven donde no hay una sola estación de medición, esa diferencia no es académica.

Puntos clave

• Alexander Sun y Albert Sun (UT Austin, con la empresa Hydrotify) publicaron en Machine Learning: Earth en 2026, probando pronóstico zero-shot de caudal en más de 500 cuencas de EE. UU.
• El modelo fundacional que probaron, Sundial, rindió casi tan bien como redes LSTM entrenadas específicamente con décadas de datos locales de río.
• El mejor desempeño fue en cuencas con señal estacional clara, sobre todo las alimentadas por deshielo, y el peor en sistemas complejos.
• El mecanismo es transferencia: patrones como estacionalidad, tendencia y picos se repiten en electricidad, tránsito e hidrología, así que un modelo que los aprende una vez los aplica en cualquier parte.
• El propio título del paper es la lección de crianza: “¿ya llegamos?” es cómo un científico honesto etiqueta un resultado prometedor y no terminado.

Qué probó exactamente el equipo de UT Austin

Publicado en marzo de 2026 y reportado por Phys.org el 20 de marzo, el estudio salió del Dr. Alexander Sun en UT Austin, con Albert Sun y la empresa Hydrotify, en Machine Learning: Earth (DOI 10.1088/3049-4753/ae4982). La pregunta era acotada y útil: ¿puede un modelo general de series de tiempo pronosticar el caudal de una cuenca en la que nunca se entrenó?

El diseño importa. “Zero-shot” significa que el modelo recibe la historia reciente de un río como entrada y predice el tramo siguiente, sin ajuste fino en ese río y sin haber sido entrenado en hidrología. La referencia fueron redes LSTM, el mejor enfoque conocido para caudal desde hace una década, entrenadas con décadas de registros de estación. En más de 500 cuencas de Estados Unidos, el modelo fundacional Sundial quedó cerca. Lo interesante es el patrón de los errores: mejor desempeño en cuencas con estructura estacional fuerte, en particular las de deshielo, donde el ciclo anual domina. Peor donde el sistema es complejo: muchos embalses, respuesta rápida a tormentas, o gestión humana del agua.

Sun explicó la motivación sin vueltas: la información confiable de agua es esencial para las comunidades, pero muchas regiones siguen sin los registros de largo plazo que los métodos tradicionales necesitan. Ese es el punto. En los lugares con más mortalidad por inundación, muchas veces no hay historia de estaciones para entrenar nada.

Modelos fundacionales de series de tiempo: cómo un solo modelo sirve para ríos, ventas y latidos

Arranca por qué es una serie de tiempo: una secuencia de números indexada por el tiempo. Caudal de un río. Demanda eléctrica por hora. Frecuencia cardíaca. Ventas diarias. Cada campo construyó históricamente sus propios modelos con sus propios expertos.

Los modelos fundacionales rompieron ese patrón aprovechando un hecho estructural: las formas en los datos de series de tiempo se repiten entre dominios. Ciclos diarios, semanales, anuales, tendencias lentas, picos repentinos que decaen, saltos de nivel después de un evento. Un modelo que aprende a representar y continuar esas formas a partir de millones de secuencias aprendió algo reusable, del mismo modo que un modelo de lenguaje entrenado con texto general puede resumir un documento legal que nunca estudió.

Las dos recetas mejor documentadas muestran qué tan literal es el préstamo desde el modelado de lenguaje.

Chronos (Ansari et al., 2024, arXiv 2403.07815) es el ejemplo más claro. Escala y cuantiza los valores numéricos en un vocabulario fijo de tokens, y después entrena modelos transformer de la familia T5, de 20 millones a 710 millones de parámetros, con pérdida de entropía cruzada. Literalmente la receta de lenguaje, con números convertidos en palabras. Preentrenado en 42 conjuntos públicos más datos sintéticos de procesos gaussianos, igualó o superó a modelos entrenados específicamente en conjuntos reservados.

TimesFM (Das, Kong, Sen y Zhou, 2023, arXiv 2310.10688) usa un enfoque de decodificador con parches: corta la serie en parches y predice el siguiente, solo decodificador, como un GPT de números. Los autores reportan precisión zero-shot “cercana a la de los modelos supervisados de punta para cada conjunto individual”.

De ahí salen dos consecuencias, y las dos le sirven a un chico. Primera: el modelo no tiene idea de qué es un río. Aprendió que cierta forma de subida y caída suele continuar de cierta manera. Por eso le va bien con el deshielo estacional, que tiene una forma repetida limpia, y peor con la descarga discrecional de un operador de represa, que es una decisión humana sin firma estadística. Segunda: más datos de preentrenamiento suben el techo, y por eso estos modelos siguen mejorando sin que nadie agregue conocimiento de hidrología.

Los límites merecen el mismo espacio. Un modelo fundacional no puede saber de una represa nueva aguas arriba, de un incendio que cambió el suelo, ni de un cambio de política de riego. Eso son cambios de régimen, y ninguna cantidad de preentrenamiento sobre patrones pasados cubre un futuro que rompe el patrón. Es exactamente la debilidad complementaria de los modelos informados por física, que codifican estructura causal pero necesitan que alguien escriba las ecuaciones. El trabajo serio de pronóstico de crecidas en 2026 usa los dos.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el patrón que se repite

Dibuja una onda simple en papel cuadriculado: arriba, abajo, arriba, abajo, cuatro ciclos. Tapa el último ciclo y pídele que dibuje lo que viene. Puede, porque aprendió la forma. Ahora dibuja una onda distinta, digamos un pico alto que baja despacio, y tapa otra vez el final. Casi todos la continúan bien al primer intento. Dile: eso es lo que la computadora aprendió a hacer, solo que con millones de formas en vez de dos. Después muéstrale algo real: el gráfico diario de temperatura del termostato o del clima de tu ciudad.

De 9 a 12 años: el experimento zero-shot

Elijan un número que la familia pueda registrar dos semanas: minutos de pantalla, pasos caminados o la temperatura a las 7 de la mañana. Después de diez días, tapa los últimos cuatro y que tu hijo los prediga con los primeros seis. Anoten los errores. Después dale un conjunto distinto (por ejemplo, diez días de pasajeros de una línea de bus de un portal de datos abiertos) y que prediga los últimos cuatro de ese. Le va a ir decente, sin saber nada de buses. Eso es transferencia zero-shot hecha por un humano, y el punto entra fuerte.

De 13 en adelante: nombrar el modo de falla

Que tu adolescente lea el resumen del paper de UT Austin y responda tres cosas: qué significa “zero-shot”, en qué cuencas funcionó mejor y por qué el título termina con signo de pregunta. Después la tarea real: nombrar un evento específico que dejaría equivocado al modelo y explicar por qué el preentrenamiento no ayuda. Una represa nueva. Una ciudad que pavimenta una llanura de inundación. Un año de sequía sin análogo en el registro. Eso es razonamiento científico y entra en una página.

La pregunta que debes hacer: “¿Qué tendría que pasar en el mundo real para que el patrón de este modelo deje de funcionar?”

El mismo modelo, seis dominios

Dominio	La serie	Ciclo que aprovecha el modelo	Dónde falla
Caudal de ríos	Descarga diaria u horaria	Deshielo anual, temporada seca y de lluvias	Operación de represas, cambio de uso del suelo
Demanda eléctrica	Megavatios por hora	Ritmos diarios y semanales, temperatura	Nuevas tarifas, paros industriales
Ventas	Unidades diarias	Ciclos semanales, feriados, día de pago	Competencia nueva, demanda viral
Frecuencia cardíaca	Latidos por minuto	Ritmo circadiano, bloques de actividad	Enfermedad, cambio de medicación
Calidad del aire	Partículas por hora	Horas pico de tránsito, inversiones térmicas	Incendios, fuentes de emisión nuevas
Volumen de tránsito	Vehículos por hora	Picos de traslado, calendario escolar	Obras, cierres de vías

La columna derecha es la honesta. Cada falla listada es un cambio en el sistema, no un cambio en los números. Esa distinción es la idea más transferible de todo el artículo.

¿Y en América Latina?

Este es probablemente el caso más claro en el que un avance técnico le sirve más a la región que al país donde se inventó. La densidad de estaciones hidrológicas en las cuencas andinas, amazónicas y del Paraná es una fracción de la de Estados Unidos o Europa, y muchas series están cortadas por años sin financiamiento. Un método que funciona razonablemente bien sin décadas de historia local es exactamente la herramienta que falta para los pronósticos de crecida en el Magdalena, el Rímac o el Río de la Plata.

Y hay un detalle que conviene decirle a tu hijo: el paper es de dos autores, uno de ellos estudiante de grado. No hace falta un laboratorio de mil personas para probar si una herramienta nueva sirve en tu región. Hace falta datos abiertos, código abierto y una pregunta bien planteada. Varias universidades de la región (la Universidad de los Andes, la UNAM, la PUCP, la UBA) publican datos hidrológicos y de calidad de aire que un estudiante de secundaria avanzada podría usar para replicar el ejercicio a escala chica. Con PISA 2025 mostrando que solo un 30 % de los estudiantes peruanos y un 29 % de los colombianos alcanzan la competencia básica en matemáticas, los proyectos con datos reales y preguntas propias valen más que otra hoja de ejercicios.

Qué hacer en casa

Instala el hábito de preguntar “¿entrenado con qué?”

Cuando un chico escucha que una IA predice algo, la pregunta útil es con qué se entrenó y si lo que predice se parece a eso. Un modelo preentrenado con electricidad y tránsito pronosticando un río de deshielo es un estiramiento defendible. El mismo modelo pronosticando un río debajo de una represa nueva no lo es. Los chicos pueden evaluar eso sin matemática.

Registren un número en familia por un mes

Cualquiera. Horas de sueño, minutos de lectura, temperatura del desayuno. El acto de graficarlo convierte un concepto abstracto en un dibujo que tu hijo siente propio, y hace que el vocabulario (tendencia, estacionalidad, pico, valor atípico) sea algo que usa en vez de memorizar. Toma dos minutos al día.

Usa portales de datos abiertos en vez de números inventados

Los servicios hidrológicos y ambientales de la mayoría de los países de la región publican mediciones. Encontrar la estación más cercana y leer un hidrograma después de una tormenta toma diez minutos y hace más por la alfabetización científica que una guía de ejercicios.

Combina este concepto con su complemento

Los modelos fundacionales aprenden patrones y no pueden conocer causas. Los modelos informados por física codifican causas y necesitan ecuaciones. Enseñar los dos, uno después del otro, le da a un chico un modelo mental honesto de la computación científica moderna. Nuestro explicador de IA con física es la otra mitad, y el de cómo funcionan los modelos de IA cubre las bases.

Lo que no hay que hacer

No dejes que la conclusión sea “una IA para todo”. El título del paper es una pregunta por algo, y los resultados fueron desparejos según el tipo de cuenca. Un chico que aprende “los modelos fundacionales son generales, entonces siempre funcionan” aprendió algo falso y difícil de desaprender.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo puede definir una serie de tiempo y señalar la estacionalidad en un gráfico real, usando el número que registró la familia.
• Señales de alerta en el mes 2: Tu hijo trata un pronóstico como un hecho, o no puede nombrar un evento que rompería el patrón de un modelo.
• Autoevaluación del mes 3: Después de la próxima tormenta u ola de calor, comparen el pronóstico oficial con lo que pasó. ¿El error fue más grande en la situación inusual? Ahí está la lección llegando sola.

Preguntas frecuentes

¿Es lo mismo que ChatGPT pero para números?

Más cerca de lo que uno esperaría. Chronos literalmente convierte valores numéricos en tokens y entrena un transformer con entropía cruzada, la misma receta del texto. TimesFM usa una arquitectura de solo decodificador con parches. El parecido es el punto: el transformer resultó ser un aprendiz general de secuencias.

¿Por qué un modelo entrenado con electricidad ayuda a predecir un río?

Porque los dos tienen ciclos diarios y anuales, tendencias graduales y picos que decaen. El modelo aprende esas formas abstractas, no la materia. Ese también es el límite: transfiere la forma y no puede transferir conocimiento sobre represas o suelos.

¿Esto reemplaza a los hidrólogos?

No. Alguien tiene que elegir el modelo, validarlo contra observaciones locales, decidir qué error es aceptable para una decisión de evacuación y notar cuándo el sistema cambió. El paper de UT Austin es justamente hidrólogos revisando una herramienta, que es el trabajo.

¿Qué es un LSTM, si el paper lo usa como referencia?

Una red de memoria de largo y corto plazo, un tipo de red recurrente que fue el estándar para predicción de caudal por cerca de una década. Se entrena cuenca por cuenca con la historia de esa cuenca. La comparación importa porque el LSTM tiene todas las ventajas de datos y el modelo fundacional casi lo igualó igual.

¿Mi adolescente puede probar uno de estos modelos?

Sí. Chronos y TimesFM tienen implementaciones públicas, y pronosticar un CSV con los números que registró tu familia es un muy buen primer proyecto. Espera que lo difícil sea la instalación, no el concepto.

¿Le creo a un pronóstico de inundación hecho con un modelo fundacional?

Sigue los avisos oficiales, que vienen de organismos nacionales que combinan varios modelos con criterio humano. Estos modelos de investigación mejoran los insumos de ese proceso. Es un aporte real y no una razón para dudar de una orden de evacuación.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Sun, A., & Sun, A. (2026). “Zero-shot Forecasting of Streamflow Using Time Series Foundation Models: Are We There Yet?” Machine Learning: Earth. DOI 10.1088/3049-4753/ae4982
2. Phys.org. (2026, 20 de marzo). “AI brings flood and drought forecasting to data-scarce regions.” https://phys.org/news/2026-03-ai-scarce-regions.html
3. Ansari, A. F., et al. (2024). “Chronos: Learning the Language of Time Series.” arXiv 2403.07815. https://arxiv.org/abs/2403.07815
4. Das, A., Kong, W., Sen, R., & Zhou, Y. (2023). “A decoder-only foundation model for time-series forecasting.” arXiv 2310.10688. https://arxiv.org/abs/2310.10688
5. Penn State. “AI-powered model predicts floods, improves water management worldwide.” https://www.psu.edu/news/research/story/ai-powered-model-predicts-floods-improves-water-management-worldwide
6. Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/
7. US Geological Survey. “National Water Dashboard.” https://dashboard.waterdata.usgs.gov/