Redes neuronales de grafos: cómo la IA lee mapas y moléculas

El 6 de agosto de 2026, Google DeepMind liberó el código y los pesos de su familia WeatherNext y publicó el paper correspondiente en Nature. El resultado principal: evaluado contra ciclones históricos de 2023 a 2025, el modelo de ciclones dio alrededor de 24 horas extra de aviso confiable frente a los sistemas operativos líderes. Un pronóstico a tres días quedó tan preciso como antes lo era uno a dos días. Detrás de eso hay una idea que vale media hora de tu tiempo. Las redes neuronales de grafos, sin jerga, son redes que trabajan sobre puntos y las conexiones entre ellos, actualizando cada punto con los mensajes de sus vecinos. Esa misma estructura sirve para tormentas, moléculas, redes de calles y redes sociales, y por eso vale enseñarla.

Puntos clave

• Un grafo son nodos más aristas. Una red de grafos actualiza cada nodo pasando mensajes por las aristas, una y otra vez.
• El primer modelo de clima de DeepMind, GraphCast (Lam et al., 2022), usaba exactamente esto: nodos de una malla sobre el globo, paso de mensajes, pronósticos a 10 días a 0,25° en menos de un minuto.
• Los más nuevos WeatherNext 2 y WeatherNext Cyclones usan Functional Generative Networks para los conjuntos; DeepMind liberó las tres variantes más una versión mini bajo Apache 2.0 en GitHub el 6 de agosto de 2026.
• Para moléculas, el mismo marco (Gilmer et al., 2017) trata los átomos como nodos y los enlaces como aristas, y superó a los descriptores químicos hechos a mano en el benchmark QM9.
• Tu hijo puede aprender el paso de mensajes con hilo, notas adhesivas y una regla sobre promediar vecinos, en unos veinte minutos.

Qué liberó DeepMind el 6 de agosto

El lanzamiento de WeatherNext incluye tres modelos: WeatherNext 2 (el pronosticador general, resolución 0,25°, afinado con datos de ECMWF HRES), WeatherNext Cyclones (también 0,25°, ajustado para trayectoria e intensidad de ciclones tropicales) y WeatherNext 2-mini, una versión liviana a 1° que según DeepMind corre en un notebook gratuito de Google Colab. El código y los notebooks son Apache 2.0; el resto del material es CC BY 4.0. El paper asociado, Alet et al. (2026) en Nature, se titula “Operational Tropical Cyclone Forecasting with AI”.

Los números, dichos con cuidado: evaluado sobre ciclones de 2023 a 2025 contra ECMWF-ENS para trayectoria y HWRF para intensidad, el modelo de ciclones les dio a los pronosticadores en promedio “un día extra de precisión predictiva”. DeepMind además genera conjuntos de 1.000 miembros donde los sistemas operativos suelen correr 50. El modelo de ciclones trabaja con una resolución efectiva de entrada de 28 por 28 kilómetros (111 km en la variante mini), muchísimo más gruesa que los modelos convencionales de huracanes, y aun así gana en error de trayectoria. Esa es la parte que llama la atención de los meteorólogos.

Ojo con la advertencia que DeepMind no esconde: son pronósticos de trayectoria e intensidad, no de qué va a pasar en una calle específica. La marea de tormenta, el total de lluvia y las inundaciones locales siguen dependiendo de modelos posteriores y de pronosticadores humanos. Un día extra de anticipación vale mucho y no es lo mismo que certeza.

Redes neuronales de grafos: el paso de mensajes, paso a paso

Arranca por el enfoque equivocado, porque hace obvio el correcto. Una red convolucional, el caballo de batalla de la IA de imágenes, supone que tus datos viven en una cuadrícula regular y que los vecinos son los píxeles de al lado. La Tierra es una esfera, así que una cuadrícula de latitud y longitud amontona nodos en los polos y los separa en el ecuador. Las moléculas no son cuadrículas en absoluto: un carbono puede tener cuatro vecinos o dos, a distancias irregulares. La cuadrícula es la forma equivocada para los dos problemas.

Un grafo arregla la forma. Defines nodos (un lugar, un átomo, una persona) y aristas (qué nodos están conectados). Después corres el paso de mensajes, formalizado por Gilmer, Schoenholz, Riley, Vinyals y Dahl en 2017. Cada ronda tiene tres pasos:

1. Mensaje. Cada nodo calcula un vector chico para enviar por cada una de sus aristas, según su propio estado y las propiedades de la arista (distancia, tipo de enlace).
2. Agregación. Cada nodo suma o promedia los mensajes que le llegan de sus vecinos.
3. Actualización. Cada nodo revisa su propio estado usando los mensajes agregados, mediante una red neuronal pequeña.

Corre eso una vez y la información viaja un salto. Córrelo dieciséis veces y la información de un nodo a dieciséis saltos ya te llegó. Así es como una red de grafos de clima propaga la influencia de un sistema de presión a miles de kilómetros sin que nadie le haya explicado qué es el viento. Y las funciones aprendidas en los pasos 1 y 3 son compartidas por todos los nodos, así que el modelo aprende reglas parecidas a la física una vez y las aplica en todos lados. Ese compartir de pesos es lo que hace que estos modelos sean lo bastante chicos para entrenarse.

GraphCast, publicado por Lam y colegas de DeepMind en 2022, armó su grafo como una malla multiescala sobre el globo, con aristas cortas para efectos locales y aristas largas para los distantes, y después corrió el paso de mensajes. El resultado: cientos de variables meteorológicas predichas a 10 días a 0,25 grados “en menos de un minuto”, superando al HRES de ECMWF en 90 % de 1.380 objetivos de verificación. Ese paper es la razón por la que el campo cambió de rumbo.

Ahora, una actualización honesta sobre la arquitectura. El WeatherNext 2 más nuevo no es simplemente un GraphCast más grande. Usa lo que DeepMind llama Functional Generative Network (Alet et al., 2025, arXiv 2506.10772), que genera conjuntos mediante “perturbaciones aprendidas del modelo” en vez de agregarle ruido a las entradas. El propio repositorio de DeepMind lista GraphCast (red de grafos) y GenCast (basado en difusión) como los modelos heredados de la familia. Así que la versión honesta para un chico es esta: el paso de mensajes en grafos fue el avance que volvió competitivos a los modelos de clima aprendidos, y los sistemas de producción de hoy evolucionaron más allá del GraphCast puro sin abandonar la forma de pensar la atmósfera como un grafo.

El lado de las moléculas es más limpio. Trata cada átomo como nodo con su elemento, cada enlace como arista con su tipo y longitud, y corre el paso de mensajes. Gilmer et al. reportaron resultados de punta en QM9, un benchmark de propiedades moleculares, tan buenos que sugirieron que el campo necesitaba datasets más difíciles. Esa arquitectura hoy es estándar en descubrimiento de fármacos y ciencia de materiales: el trabajo de materiales GNoME de DeepMind usó redes de grafos para filtrar millones de cristales candidatos.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el círculo de susurros con números

Seis notas adhesivas en la mesa, cada una con un número, conectadas con tramos de hilo (no todas con todas). Regla: en cada ronda, cada nota cambia su número al promedio entre ella misma y las que están atadas a ella. Hagan tres rondas, anotando los números cada vez. Tu hijo va a ver cómo los números convergen y va a notar que la nota atada a muchas cambia rápido y la aislada se queda atrás. Eso es agregación, y es el mecanismo completo al nivel de un niño de cinco.

De 9 a 12 años: dibujar el grafo de su propia semana

Que tu hijo dibuje nodos para los lugares a los que va (casa, colegio, plaza, casa de la abuela) y aristas para los viajes que de verdad hace, con el tiempo de viaje escrito en cada arista. Después plantea una pregunta que necesite más de un salto: “si se inunda la calle de la plaza, ¿cómo cambia llegar a casa de la abuela?”. Tiene que propagar información por las aristas para responder. Después muéstrale un mapa del clima y pregúntale qué serían los nodos y las aristas. Casi todos lo entienden al instante.

De 13 en adelante: correr el modelo mini

DeepMind dice que WeatherNext 2-mini corre en un notebook gratuito de Colab. Con supervisión, que tu adolescente abra el repositorio, lea la tarjeta del modelo y pruebe el notebook. Incluso si el código le queda grande, salen tres habilidades concretas: leer una tarjeta de modelo, entender una cifra de resolución (1° vs. 0,25°) y ver que “estado del arte” es un archivo descargable, no un misterio. Después que arme en papel el grafo de la molécula de cafeína y cuente cuántas rondas de mensajes hacen falta para que el nitrógeno de un extremo “escuche” al oxígeno del otro.

La pregunta que debes hacer: “¿Cuántas rondas de pasar mensajes harían falta para que una noticia del otro extremo del grafo llegue a este nodo?”

Una estructura, muchos dominios

Dominio	Los nodos son	Las aristas son	Qué predice el modelo
Clima global	Puntos de malla sobre la superficie y niveles atmosféricos	Enlaces de malla vecinos y de largo alcance	Campos de temperatura, viento y presión de horas a días
Ciclones tropicales	La misma malla, más gruesa (28 km efectivos)	Enlaces de malla	Trayectoria, intensidad, estructura del viento, en conjuntos de 1.000 miembros
Moléculas	Átomos, etiquetados con su elemento	Enlaces químicos, con tipo y longitud	Energía, solubilidad, afinidad, propiedades espectroscópicas
Cristales y materiales	Átomos en una celda que se repite	Distancias entre vecinos cercanos	Estabilidad, energía de formación
Redes de calles y transporte	Cruces o estaciones	Tramos de calle o rutas	Tiempo de viaje, propagación de congestión
Redes sociales y de citas	Personas o papers	Seguimientos o citas	Pertenencia a comunidades, difusión de influencia

La tabla es la lección. Cuando un chico ve un mecanismo resolver seis problemas sin relación, aprendió algo sobre cómo generaliza la ciencia de verdad, y eso es más raro que cualquier dato suelto sobre tormentas.

¿Y en América Latina?

Los ciclones tropicales no son un tema abstracto para la región: el Caribe, la costa del Golfo de México y el Pacífico mexicano viven temporada de huracanes cada año, y un día extra de aviso es la diferencia entre evacuar ordenado y evacuar a las corridas. Los servicios meteorológicos nacionales, como el SMN en México o el IDEAM en Colombia, ya combinan varios modelos globales; los modelos de grafos abiertos agregan otra fuente a esa mezcla sin costo de licencia.

Hay un segundo ángulo que le puede gustar más a tu hijo. Los grafos también describen redes de transporte, y cualquier chico de Bogotá, Santiago o Ciudad de México entiende intuitivamente un grafo si lo dibuja como el mapa del metro o del Transmilenio. Empieza por el mapa que ya conoce, después salta a la atmósfera. Y ojo con el contexto educativo: PISA 2025, publicado el 8 de septiembre de 2026, muestra que solo un 29 % de los estudiantes colombianos y un 24 % de los argentinos alcanzan la competencia básica en matemáticas, contra un 65 % de promedio OCDE. Conceptos visuales y manipulables como los grafos son justo el tipo de matemática que sobrevive a esas brechas, porque se aprende con hilo y papel antes de necesitar álgebra.

Qué hacer en casa

Dale a tu hijo la palabra “grafo” en su sentido real

Casi todos los chicos oyen “gráfico” y piensan en barras. El sentido matemático, puntos y conexiones, es uno de los conceptos más útiles de toda la computación y es totalmente accesible a los nueve años. Dos tardes de notas adhesivas e hilo compran un concepto que va a reusar en química, geografía y cualquier curso de programación.

Usa la temporada de huracanes como ventana de enseñanza

Cuando haya una tormenta en las noticias, abran juntos el cono de pronóstico y conversen sobre qué significa: es la dispersión de un conjunto de simulaciones, no el tamaño de la tormenta. Es el gráfico peor leído de toda la cobertura meteorológica, y los conjuntos de 1.000 miembros de DeepMind hacen que el concepto importe más, no menos.

Separa “más rápido” de “mejor”

El titular de GraphCast fue la velocidad: minutos en una máquina contra horas en una supercomputadora. Es real y no es lo mismo que precisión. Que tu hijo diga cuál de las dos le importa para decidir si se suspenden las clases. Ser preciso sobre qué mide un número es la habilidad de fondo.

Conéctalo con lo que ya le gusta

Un chico que juega con kits de modelos moleculares ya construye grafos. Uno que dibuja el mapa del metro construye grafos. Uno que dibuja quién se lleva bien con quién en su curso construye grafos. Nombrar la estructura con la que ya juega sube el techo de lo que puede aprender después. Nuestros textos sobre cómo la IA predice el clima y cómo aprenden las redes neuronales siguen el hilo.

Lo que no hay que hacer

No le digas a tu hijo que la IA reemplazó a los meteorólogos. Los avisos los siguen emitiendo los servicios oficiales, los pronosticadores humanos siguen ajustando la guía, y los modelos son insumos. Exagerar esto es como los chicos terminan desconfiando del aviso que sí importa.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo puede definir nodos y aristas y explicar qué hace “una ronda de paso de mensajes”.
• Señales de alerta en el mes 2: Tu hijo dice “ahora la IA predice el clima” sin poder nombrar qué predice (campos atmosféricos, no inundación calle por calle).
• Autoevaluación del mes 3: En la próxima tormenta en las noticias, ¿tu familia lee bien el cono de pronóstico como dispersión de un conjunto? Si sí, el concepto aterrizó.

Preguntas frecuentes

¿Una red de grafos es lo mismo que una red neuronal?

Es una familia de redes neuronales con una estructura específica: las conexiones de los datos deciden qué unidades le hablan a cuáles. Una red totalmente conectada ignora la estructura; una convolucional supone una cuadrícula; una de grafos lee la estructura que le das. La misma matemática abajo, distinta suposición sobre la forma.

¿Por qué es mejor para el clima que un modelo de imágenes?

Porque la Tierra es una esfera y la atmósfera tiene varios niveles, así que una cuadrícula plana de píxeles distorsiona mucho las distancias cerca de los polos. Una malla de grafo te deja poner nodos parejos y conectar explícitamente puntos cercanos y lejanos, que es como viaja de verdad la influencia atmosférica.

¿Mi hijo puede correr uno de estos modelos?

El modelo mini de ciclones está pensado para correr en un notebook gratuito de Colab, así que técnicamente sí, con supervisión. En la práctica, un chico de secundaria básica aprovecha más la versión de papel e hilo más la lectura de la tarjeta del modelo. Deja el código para un adolescente motivado.

¿Significa que los pronósticos con IA son siempre mejores?

No. Las comparaciones publicadas son fuertes en trayectoria de ciclones y en muchas variables globales, y más débiles o no probadas en otras cosas, incluidos los extremos locales de lluvia. El pronóstico operativo mezcla varios modelos. Trata la victoria de un modelo en un benchmark como evidencia, no como veredicto.

¿Qué carreras usan esto?

Modelado del clima, química computacional, descubrimiento de fármacos, ciencia de materiales, logística y detección de fraude usan aprendizaje en grafos. El requisito común es álgebra lineal más programación, y el diferencial es conocer un dominio lo suficiente para definir el grafo correcto.

¿El “código abierto” acá es de verdad?

En su mayoría. El código y los notebooks son Apache 2.0, los pesos se descargan y el paper está publicado. Correr los modelos completos pide hardware serio (una GPU clase H100 o una TPU). Reproducir el entrenamiento desde cero está fuera del alcance de casi todos, que es el límite permanente de lo “abierto” en la IA de frontera.

---

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. Google DeepMind. (2026, 6 de agosto). “AI model achieves breakthrough in forecasting cyclones.” https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
2. Alet, F., et al. (2026). “Operational Tropical Cyclone Forecasting with AI.” Nature. https://www.nature.com/articles/s41586-026-10953-2
3. Lam, R., Sanchez-Gonzalez, A., Willson, M., et al. (2022). “GraphCast: Learning skillful medium-range global weather forecasting.” arXiv 2212.12794. https://arxiv.org/abs/2212.12794
4. Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). “Neural Message Passing for Quantum Chemistry.” arXiv 1704.01212. https://arxiv.org/abs/1704.01212
5. Alet, F., et al. (2025). “Skillful joint probabilistic weather forecasting from marginals.” arXiv 2506.10772. https://arxiv.org/abs/2506.10772
6. Google DeepMind. “WeatherNext model repository.” GitHub. https://github.com/google-deepmind/weathernext
7. 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/