IA y predicción del tiempo: cómo GraphCast supera modelos tradicionales

La temporada de huracanes de 2023 fue la más activa en décadas en el Atlántico. Mientras los modelos de predicción tradicionales tardaban horas en generar sus pronósticos y diferían en sus predicciones de trayectoria, un sistema de inteligencia artificial de Google DeepMind producía su pronóstico en menos de un minuto. Y en muchos casos, era más preciso. Los meteorólogos que llevan décadas confiando en ecuaciones físicas masivas miraron los resultados con una mezcla de asombro e incomodidad. Algo cambió en 2023 en cómo predecimos el tiempo, y la historia de ese cambio es también una historia sobre qué puede hacer la IA, qué no puede hacer, y por qué ambas partes de esa respuesta importan para familias en LATAM.

Puntos clave

• GraphCast de Google DeepMind fue más preciso que el modelo IFS del ECMWF (el mejor modelo físico del mundo) en 90% de las 1,380 variables meteorológicas evaluadas a 10 días de pronóstico (Lam et al., 2023, Science).
• El modelo genera un pronóstico de 10 días en menos de 1 minuto en una sola TPU, versus las horas de cómputo que requieren los supercomputadores tradicionales.
• Los modelos de IA aprenden patrones estadísticos en décadas de datos meteorológicos históricos; los modelos físicos simulan las ecuaciones de la atmósfera desde primeros principios. Son enfoques fundamentalmente distintos.
• Los modelos físicos siguen siendo superiores para eventos climáticos extremos sin precedente histórico, para pronósticos de más de 15 días, y para integrar observaciones de satélite en tiempo real.
• El cambio climático hace que el pasado histórico sea menos representativo del futuro, lo que es un límite estructural de los modelos de IA entrenados en datos históricos.

Cómo se predice el tiempo: los dos enfoques

Para entender por qué la IA es disruptiva en meteorología, hay que entender qué reemplaza.

El enfoque físico: ecuaciones de la atmósfera

Los modelos meteorológicos tradicionales como el IFS (Integrated Forecasting System) del Centro Europeo de Predicción Meteorológica de Rango Medio (ECMWF) funcionan simulando la atmósfera de la Tierra como un sistema físico. Dividen la atmósfera en millones de celdas tridimensionales y aplican las leyes de la física —termodinámica, mecánica de fluidos, transferencia de radiación— para calcular cómo cambia cada variable en cada celda con el tiempo.

Esto requiere una cantidad monumental de cómputo. El IFS corre en un supercomputador con decenas de miles de procesadores y tarda horas en generar un pronóstico de 10 días. El resultado es poderoso: el modelo tiene comprensión física real del sistema que simula. Puede en principio simular eventos que nunca han ocurrido antes, porque sigue las leyes de la física, no solo los patrones del pasado.

El enfoque de IA: reconocimiento de patrones en datos históricos

GraphCast (Lam et al., 2023) y Pangu-Weather (Bi et al., 2023) funcionan de forma completamente diferente. En lugar de simular física, aprenden patrones estadísticos en 40 años de datos meteorológicos históricos del reanálisis ERA5 del ECMWF: la reconstrucción más completa disponible del estado de la atmósfera global desde 1979.

GraphCast usa una arquitectura de red neuronal de grafos, donde cada punto de la cuadrícula global es un nodo y los bordes representan las conexiones entre puntos cercanos. El modelo aprendió que cuando ciertas configuraciones de temperatura, presión, viento y humedad ocurren en ciertos patrones geográficos, ciertas condiciones siguen en los días posteriores. No “sabe” por qué. Sabe que fue así en los datos históricos, con suficiente consistencia para hacer predicciones útiles.

El resultado sorprendió a la comunidad científica. Lam et al. (2023), publicado en Science, encontraron que GraphCast superó al IFS en 90.0% de las 1,380 variables y niveles de presión evaluados, incluyendo para eventos de alto impacto como ciclones tropicales.

La OMM (WMO, 2023) confirmó en su reporte del estado del clima global que los modelos de IA meteorológicos representan “la mayor disrupción en predicción del tiempo desde la introducción de la predicción numérica en los años 50.”

Por qué los modelos físicos siguen siendo necesarios

Sería un error leer esos resultados y concluir que los modelos físicos se volvieron obsoletos. No lo son, y el razonamiento es importante.

Eventos sin precedente histórico: Si el cambio climático genera condiciones atmosféricas que nunca ocurrieron en los 40 años de datos de entrenamiento, un modelo de IA no tiene referencia para esas condiciones. Un modelo físico puede simularlas porque sigue ecuaciones, no patrones. CEPAL (2023) documentó que América Latina ya está experimentando fenómenos climáticos extremos fuera del rango histórico: lluvias en zonas del Sahel mexicano, tormentas de intensidad récord en el Caribe, sequías en regiones que no las tenían en sus registros históricos.

Pronósticos de más de 15 días: Los modelos de IA degradan su precisión más rápidamente que los físicos a horizontes de tiempo más largos. Para planificación de cosechas, gestión de recursos hídricos o preparación de infraestructura en LATAM —todas áreas donde los pronósticos de varios meses son cruciales— los modelos físicos o híbridos siguen siendo necesarios.

Asimilación de observaciones en tiempo real: Los modelos operacionales del ECMWF integran continuamente nuevas observaciones de satélites, radares, globos sonda y estaciones meteorológicas. Los modelos de IA actuales no están diseñados para actualizar sus predicciones en tiempo real con esas observaciones de la misma forma. El ECMWF está trabajando en modelos híbridos que combinen ambos enfoques (ECMWF, 2024).

La conexión con el cambio climático y LATAM

Para familias latinoamericanas, la relevancia de este cambio tecnológico no es abstracta. LATAM es una de las regiones más vulnerables al cambio climático globalmente. CEPAL (2023) señala que para 2050, más del 30% de las especies endémicas de la región podrían perder hábitat viable, los ciclos de lluvias que sustentan la agricultura de millones de familias están cambiando, y el nivel del mar amenaza ciudades costeras desde Veracruz hasta Buenos Aires.

WMO (2023) reportó que 2023 fue el año más caliente jamás registrado, con temperaturas promedio globales 1.45°C por encima del promedio preindustrial. La mejora en predicción meteorológica tiene consecuencias directas: pronósticos más precisos de huracanes en el Caribe salvan vidas en Cuba, Haití, México y Centroamérica. Mejor predicción de lluvias extremas en la cuenca del Plata ayuda a planificar evacuaciones en Argentina, Paraguay y Uruguay. Predicción más precisa de fenómenos El Niño/La Niña impacta directamente la planificación agrícola en toda la región andina.

Tipo de modelo	Mejor para	Limitaciones clave	Tiempo de cómputo	Ejemplo
Modelos físicos (NWP)	Eventos sin precedente, asimilación en tiempo real, pronósticos >15 días	Cómputo masivo requerido, costoso de operar	Horas (supercomputador)	ECMWF IFS, GFS (NOAA)
IA meteorológica	Pronósticos de 1-10 días, velocidad, costo de inferencia	Limitado por datos históricos, falla fuera de distribución histórica	Minutos (una TPU)	GraphCast (Google), Pangu-Weather (Huawei)
Modelos híbridos (en desarrollo)	Combinar ventajas de ambos enfoques	En fase de investigación, no operacionales aún	A definir	AIFS (ECMWF)
Modelos regionales	Alta resolución para zonas específicas	Requieren condiciones de frontera de modelos globales	Horas	Modelos del SMN (MX), SENAMHI (PE/BO)

Cómo enseñarle esto a tu hijo

Edades 5-8: El juego del detective del tiempo

Antes de dormir, lleva a tu hijo a la ventana y observen el cielo. Hablen de las pistas que tienen: ¿hay nubes? ¿Qué tipo? ¿El viento sopla fuerte o despacio? ¿Está húmedo o seco? Pídele que haga su predicción del tiempo para mañana basándose en esas pistas. Al día siguiente, comparen con lo que pasó y con lo que dijo la app del clima. La pregunta: “¿Quién acertó más, tú o la app? ¿Qué información tenía la app que tú no tenías?” Esto construye intuición sobre la diferencia entre observación local y modelos globales que integran datos de toda la Tierra.

Edades 9-12: Compara pronósticos de diferentes fuentes

Elige un día con tiempo interesante previsto (lluvia, tormenta, viento fuerte). Una semana antes, revisa el pronóstico para ese día en tres fuentes distintas: la app del celular que usan habitualmente (generalmente basada en modelos como GFS o European), Weather.com, y si tienes acceso, el Servicio Meteorológico Nacional de tu país. Anota los pronósticos. Cuando llegue el día, documenta qué ocurrió realmente. ¿Quién acertó más? ¿En qué variables hubo más diferencia? Este ejercicio produce conversación sobre por qué distintos modelos difieren y cómo se evalúa la calidad de una predicción.

Edades 13+: Explora ERA5 y los datos abiertos de ECMWF

El reanálisis ERA5 del ECMWF está disponible públicamente a través de Copernicus Climate Change Service. Con Python y unas líneas de código, un adolescente puede descargar datos históricos de temperatura, presión o precipitación para su ciudad y visualizarlos. Comparar la temperatura promedio de agosto en su ciudad en 1980, 2000, y 2020 produce una visualización concreta del cambio climático con datos reales.

Una pregunta más avanzada: “Si GraphCast se entrenó con datos hasta cierta fecha, ¿cómo le afecta que el clima de los últimos años esté fuera del rango histórico de entrenamiento?” Esa pregunta no tiene respuesta sencilla, y eso es precisamente el punto.

La pregunta clave: “Si un modelo aprendió del pasado para predecir el futuro, ¿qué pasa cuando el futuro empieza a ser diferente del pasado?”

Qué observar en 3 meses

Mes 1: Introduce el hábito de revisar pronósticos meteorológicos y verificar su precisión los días siguientes. No como ejercicio formal, sino como conversación: “Ayer decía que iba a llover a las 3. ¿A qué hora llovió?” Ese hábito de verificar predicciones es transferible a muchos otros contextos donde su hijo encontrará predicciones basadas en IA.

Mes 2: Si hay eventos climáticos extremos en la región (que en LATAM son cada vez más frecuentes), sigue la cobertura periodística y científica juntos. ¿Cómo predijeron los modelos el evento? ¿Con cuánta anticipación? ¿Qué fue lo que más acertaron y qué les falló? WMO publica boletines accesibles después de eventos importantes.

Mes 3: Para adolescentes con interés en ciencia o ingeniería, los concursos nacionales de ciencias en México (Olimpiada Nacional de Ciencias), Colombia (ONDAS), y Argentina (olimpiadas científicas nacionales) tienen categorías donde proyectos de análisis de datos climáticos son cada vez más frecuentes y valorados. Los datos de ERA5 son un punto de partida excelente.

Señal de alarma: Si tu hijo desarrolla la idea de que “la IA ya sabe predecir perfectamente el tiempo y no hay nada más que aprender”, eso es un malentendido importante. Los límites actuales de los modelos de IA en condiciones fuera de distribución son exactamente el problema más activo de investigación en meteorología computacional.

Preguntas frecuentes

¿Los pronósticos del tiempo van a ser perfectos pronto gracias a la IA?

No en el corto plazo, y hay una razón física de fondo: la atmósfera es un sistema caótico. Esto significa que pequeñísimas diferencias en las condiciones iniciales producen pronósticos muy diferentes a medida que avanza el tiempo. Este límite, descrito matemáticamente por Edward Lorenz en los años 60, existe independientemente de la tecnología que use el modelo. La IA puede mejorar significativamente la precisión en los horizontes de 1-10 días, pero no puede superar los límites fundamentales del caos determinista.

¿Qué tienen que ver los modelos de IA meteorológicos con los modelos de cambio climático?

Son distintos. Los modelos de cambio climático (GCMs) simulan el clima de la Tierra a escala de décadas y siglos para proyectar tendencias bajo distintos escenarios de emisiones. Los modelos de predicción meteorológica, incluyendo GraphCast, predicen el tiempo en los próximos días. Los modelos de IA como GraphCast están en la segunda categoría. Los modelos de cambio climático siguen siendo principalmente físicos porque necesitan simular condiciones climáticas futuras sin precedente histórico.

¿Puedo ver pronósticos de GraphCast para mi ciudad en LATAM?

Google publicó GraphCast como código abierto y hay interfaces web experimentales que lo usan. Para uso operacional en tu ciudad, los servicios meteorológicos nacionales de tu país (SMN en México, IDEAM en Colombia, SMN en Argentina) están empezando a integrar modelos de IA en sus operaciones, pero el estándar operacional actual sigue siendo una combinación de modelos físicos tradicionales y ensambles.

¿Por qué este desarrollo importa especialmente para LATAM?

Los sistemas de predicción de IA son significativamente más baratos de operar que los supercomputadores necesarios para los modelos físicos. Esto potencialmente democratiza el acceso a predicciones de alta calidad para servicios meteorológicos de países con menos recursos. CEPAL (2023) ha señalado que la capacidad de predicción climática es una capacidad crítica de adaptación al cambio climático. Si modelos como GraphCast se vuelven accesibles operacionalmente, los servicios nacionales de LATAM podrían mejorar significativamente sus capacidades sin requerir las inversiones en infraestructura de supercomputación que actualmente limitan a los países de la región.

---

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. Lam, R., Sanchez-Gonzalez, A., et al. (2023). “Learning skillful medium-range global weather forecasting.” Science, 382(6677), 1416–1421. https://doi.org/10.1126/science.adi2336
2. Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., & Tian, Q. (2023). “Accurate medium-range global weather forecasting with 3D neural networks.” Nature, 619, 533–538. https://doi.org/10.1038/s41586-023-06185-3
3. ECMWF. (2024). “AI-based weather forecasting: ECMWF’s approach.” European Centre for Medium-Range Weather Forecasts. https://www.ecmwf.int/
4. CEPAL. (2023). “Cambio climático y desigualdad en América Latina: impactos y políticas de adaptación.” Comisión Económica para América Latina y el Caribe. https://www.cepal.org/
5. World Meteorological Organization. (2023). “State of the Global Climate 2023.” WMO-No. 1347. https://public.wmo.int/en/our-mandate/climate/wmo-statement-state-of-global-climate