Modelo de ciclones de código abierto: WeatherNext 2

Que exista un modelo de ciclones de código abierto es la parte de esta historia que le sirve a un adolescente curioso. En agosto de 2026, Google liberó WeatherNext 2 a la comunidad investigadora, después de haber publicado en Nature que predice “trayectoria, intensidad y estructura de viento de ciclones con precisión de estado del arte”, algo que Google describió como “una década de progreso meteorológico en un solo modelo”. Los detalles técnicos los puede aprender un chico de 15 años con ganas: produce cientos de futuros posibles del clima a partir de una sola foto inicial, cada uno en menos de un minuto en un solo chip TPU, hasta 15 días, con granularidad de una hora, y supera al WeatherNext anterior en 99,9 % de las variables.

Puntos clave

• Arquitectura: una Red Generativa Funcional (FGN), que inyecta ruido directamente en las tripas del modelo en vez de agregarlo a la salida, para que los miembros del ensamble queden físicamente coherentes.
• Velocidad: 8 veces más rápido que su antecesor. Cada pronóstico toma menos de un minuto en un solo TPU. Los ensambles físicos tradicionales necesitan supercomputadoras y horas.
• Alcance: de 0 a 15 días, con granularidad de 1 hora, y cientos de escenarios generados desde una sola entrada.
• Precisión: supera al WeatherNext anterior en 99,9 % de las variables; los resultados de trayectoria, intensidad y estructura de viento de ciclones se publicaron en Nature.
• Acceso: liberado a la comunidad investigadora (agosto de 2026), además de Earth Engine, BigQuery y acceso temprano por Vertex AI. También alimenta los pronósticos de Search, Gemini, Pixel Weather y Google Maps.

Qué es un pronóstico por ensambles y por qué un solo pronóstico miente

Un pronóstico único del clima es una estimación puntual de algo que es incierto de raíz. La atmósfera es caótica: diferencias microscópicas en las mediciones de hoy producen diferencias grandes una semana después. Lorenz lo estableció en los años sesenta y no ha cambiado.

La respuesta profesional son los ensambles. Corres el pronóstico muchas veces, desde condiciones iniciales ligeramente distintas y con ajustes de modelo ligeramente distintos. Si 80 de 100 corridas ponen al huracán sobre Florida, eso es 80 % de probabilidad, y es una mejor respuesta que cualquier corrida sola. De ahí viene el “40 % de probabilidad de lluvia”.

El costo es brutal. Un ensamble tradicional basado en física significa resolver ecuaciones de dinámica de fluidos sobre una malla global, decenas de veces, en una supercomputadora, durante horas. Eso limita cuántos miembros puedes pagar y cada cuánto puedes volver a correr.

Esa restricción es la que ataca WeatherNext 2.

Cómo calcula un pronóstico este modelo de ciclones de código abierto

Con qué aprendió. Décadas de datos de reanálisis: el registro global del estado de la atmósfera (temperatura, presión, viento, humedad) sobre una malla a lo largo del tiempo. Entrenar significa aprender a mapear el estado de la atmósfera ahora a su estado más tarde, a partir de millones de pares así.

El problema de los ensambles ingenuos en un modelo neuronal. La manera obvia de hacer que una red neuronal produzca varios escenarios es perturbar la entrada o agregarle aleatoriedad a la salida. Las dos rompen cosas. Perturbar las entradas es caro y la variación no refleja la incertidumbre real del pronóstico. Agregar ruido a las salidas produce pronósticos donde el campo de temperatura y el de viento se contradicen, porque el ruido se aplicó por separado a cada variable. Te queda un pronóstico físicamente imposible.

Qué hace la FGN en cambio. Inyecta ruido dentro de la arquitectura del modelo. La descripción de Google: así “los pronósticos que genera se mantienen físicamente realistas e interconectados”. Como la aleatoriedad entra temprano y se propaga por toda la red, cada variable de un mismo miembro del ensamble queda moldeada por la misma perturbación. La temperatura y el viento quedan consistentes entre sí.

Por qué importa esa frase sobre marginales y conjuntas. Google dice que el sistema aprende elementos individuales del clima (marginales) durante el entrenamiento y después pronostica sistemas complejos interdependientes (conjuntas). Acertar la marginal significa “la temperatura en Miami probablemente será de 28 °C”. Acertar la conjunta significa “si la temperatura en Miami es 28 °C, entonces el viento en Tampa probablemente viene del suroeste y el gradiente de presión es este”. Los ciclones son fenómenos conjuntos. No puedes pronosticar un huracán pronosticando cada punto de la malla por separado.

Qué acertó. El 99,9 % de las variables mejoró respecto al modelo anterior. Trayectoria, intensidad y estructura de viento de ciclones con precisión de estado del arte, publicado en Nature. Cientos de miembros de ensamble en menos de un minuto cada uno en un TPU, 8 veces más rápido que antes.

Qué no puede hacer. Es un modelo de 15 días, así que las preguntas estacionales y de escala climática quedan fuera de alcance. Aprendió de reanálisis histórico, así que una atmósfera que se salga de esa distribución histórica es un riesgo abierto genuino para cualquier modelo de clima aprendido. Y pronostica la atmósfera, no los impactos: si un ciclón inunda tu barrio depende del drenaje, el terreno y la marea, que son modelos completamente aparte.

La analogía: tirar un dado cargado, o tirar muchos

Imagina predecir el largo de la fila del comedor mañana. Podrías dar un número: 14 personas. O podrías dar una distribución: normalmente entre 10 y 18, y a veces 25 el día de la pizza.

Ahora la parte difícil. Supón que también quieres predecir el largo de la fila del segundo comedor, y las dos están relacionadas: si la fila A está larga, la B está corta, porque la gente se cambió. Un ensamble malo genera la fila A y la fila B de forma independiente, y a veces produce un mundo donde las dos filas están vacías y nadie almorzó. Un ensamble bueno genera escenarios, cada uno consistente por dentro.

El truco de la FGN es poner la aleatoriedad al inicio de la historia, para que cada escenario se despliegue de forma coherente, en vez de espolvorear aleatoriedad sobre los números finales.

Modelos de clima con IA, comparados

Modelo	Qué hace	Velocidad	Ensamble	Disponibilidad
Física tradicional (IFS del ECMWF, GFS de la NOAA)	Resuelve dinámica de fluidos en una malla global	Horas en una supercomputadora	Decenas de miembros	Pronósticos públicos; los datos de la NOAA son gratis
GraphCast (2023)	Red neuronal de grafos aprendida, determinista	Menos de un minuto	Un solo pronóstico	Pesos abiertos
WeatherNext 2 (2026)	FGN, ensambles probabilísticos, 0–15 días, pasos de 1 hora	Menos de un minuto por miembro en un TPU	Cientos de miembros	Liberado a investigadores; Earth Engine, BigQuery, Vertex AI
WeatherNext 3	Sucesor con 5 km de resolución para temperatura y humedad, 10 km para viento, pronósticos por hora	No publicada	No publicado	BigQuery, Earth Engine, Google Maps Platform, Cloud Storage
Modelos hidrológicos (aparte)	Qué pasa después de que la lluvia toca el suelo	Varía	Varía	National Water Model de la NOAA

La última fila importa para cualquiera que piense en inundaciones. Un pronóstico atmosférico excelente todavía necesita un modelo de agua para decir qué pasa en el suelo, y eso lo cubrimos en el artículo sobre el modelo hidrológico híbrido de Penn State.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el frasco de adivinar con muchas adivinanzas

Pídele que prediga la temperatura máxima de mañana. Anótala. Después pregúntale a cuatro personas más de la familia. Ya tienes un ensamble. Mañana revisen quién estuvo más cerca y, más importante, si el valor real cayó dentro del rango de todas las adivinanzas. Así exactamente evalúan los pronosticadores un ensamble: no por un miembro, sino por si la verdad cayó dentro de la dispersión.

De 9 a 12 años: construir un pronóstico de probabilidad

Durante dos semanas, que tu hijo anote cada mañana la probabilidad de lluvia del pronóstico y si llovió de verdad. Al final, agrupen los días: en los días pronosticados al 30 %, ¿llovió unas 3 de cada 10 veces? Eso se llama verificación de confiabilidad, y es como se califican los pronósticos profesionales. A la mayoría de los niños le sorprende que un pronóstico del 30 % deba estar equivocado la mayoría de las veces.

De 13 en adelante: abrir datos reales de pronóstico

Aquí la liberación de código abierto se vuelve usable. Los datos de WeatherNext son accesibles por Google Earth Engine y BigQuery, los dos con niveles gratuitos para investigación y educación, y la NOAA publica la salida de sus modelos libremente. Que tu hijo baje un pronóstico de varios días para un lugar, grafique la dispersión del ensamble y la compare con lo que pasó. Después que busque un caso donde el ensamble fue ancho (mucha incertidumbre) y uno donde fue angosto, y explique la situación meteorológica detrás de cada uno.

La pregunta que debes hacer: “Si el modelo te da 200 pronósticos distintos, ¿cuál es la predicción de verdad?”

¿Y en América Latina?

La región tiene dos temporadas ciclónicas que importan de forma directa: la del Atlántico y el Caribe, que golpea el Caribe, Centroamérica y el Golfo de México entre junio y noviembre, y la del Pacífico oriental, que afecta la costa mexicana. Huracanes como Otis en Acapulco en 2023 mostraron el problema exacto que ataca este tipo de modelo: la intensificación rápida es lo más difícil de pronosticar y lo más costoso de fallar.

La liberación abierta importa aquí por una razón presupuestaria. Un servicio meteorológico nacional que no puede pagar un ensamble de supercomputadora sí puede correr cientos de miembros en hardware modesto si el modelo es accesible. Eso no es una promesa cumplida, es una posibilidad abierta, y depende de personal capacitado. Ciencias fue el único dominio que se mantuvo o mejoró en PISA 2025 en Colombia (414, +3) y México (414, +4), según Infobae, y la meteorología es una de las carreras donde ese interés se traduce en trabajo con impacto inmediato.

Qué hacer en casa

Enseñar la dispersión, no solo el número

La habilidad más valiosa de alfabetización meteorológica es leer incertidumbre. “Máxima cerca de 26, pero los modelos no se ponen de acuerdo y varían 10 grados” es un día distinto de “máxima cerca de 26, todos los modelos coinciden”. Los niños que aprenden a preguntar “¿qué tan seguro?” se vuelven adultos que leen mejor todos los pronósticos, incluidos los que no son del clima.

Usar la temporada de huracanes como ventana de enseñanza

Los gráficos del cono de incertidumbre en las noticias son dispersión de ensamble, visualizada. Abran el Centro Nacional de Huracanes durante una tormenta activa y explícale que el cono no es el tamaño de la tormenta; es el rango de centros posibles. Esa sola corrección arregla un malentendido muy común.

Conectar velocidad con acceso

Menos de un minuto en un TPU en vez de horas en una supercomputadora es lo que vuelve plausible que un laboratorio universitario, un servicio meteorológico de un país pequeño o un estudiante de secundaria avanzado corra experimentos. El costo por pronóstico es una historia de democratización y vale nombrarla en voz alta.

Combinarlo con un instrumento físico

Registrar la propia temperatura y lluvia vuelve concreta la verificación de pronósticos. Nuestra guía para construir una estación meteorológica les da una medición local con la que comparar, que engancha más que revisar el número de otro.

Lo que no debes hacer

No le digas a tu hijo que la IA “entiende” el clima. Aprendió un mapeo de estados atmosféricos a estados atmosféricos posteriores, con un diseño ingenioso de inyección de ruido que mantiene consistentes las variables. No contiene ecuaciones de dinámica de fluidos. Eso es a la vez la fuente de su velocidad y la razón por la que los investigadores mantienen los modelos físicos corriendo al lado.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede explicar qué significa 30 % de probabilidad de lluvia y por qué equivocarse 7 de cada 10 veces es el comportamiento correcto para ese pronóstico.
• Mes 2, señales de alerta: trata un pronóstico a 10 días como confiable. Que registre los pronósticos del día 10 contra la realidad durante dos semanas; el error va a enseñar mejor que tú.
• Mes 3, autoevaluación: durante cualquier tormenta, pídele que busque la dispersión del ensamble en vez de la trayectoria única. Si va a buscar el cono en lugar de la línea, el concepto aterrizó.

Preguntas frecuentes

¿Qué significa “código abierto” para WeatherNext 2?

Google liberó el modelo de ciclones a la comunidad investigadora en agosto de 2026 para apoyar el trabajo de resiliencia climática global. En la práctica, el acceso a las salidas de WeatherNext también pasa por Earth Engine, BigQuery y acceso temprano por Vertex AI. Liberación abierta significa que investigadores externos pueden examinar el modelo y construir sobre él, no solo consumir sus pronósticos.

¿Un adolescente puede correrlo de verdad?

Entrenar el modelo está fuera de alcance; requiere hardware serio. Pero trabajar con su salida es genuinamente accesible. Earth Engine y BigQuery tienen niveles gratuitos, la NOAA publica datos de modelo abiertamente, y graficar la dispersión de un ensamble con datos reales es un proyecto de fin de semana para un chico cómodo con una hoja de cálculo o con Python básico.

¿En qué se diferencia de GraphCast?

GraphCast, de 2023, produce un solo pronóstico determinista con una red neuronal de grafos. WeatherNext 2 produce ensambles probabilísticos: cientos de escenarios consistentes por dentro, con la arquitectura de Red Generativa Funcional, con granularidad de 1 hora hasta 15 días. Pasar de un pronóstico a una distribución de pronósticos es el cambio de fondo.

¿Los meteorólogos todavía necesitan modelos físicos?

Sí. Los modelos aprendidos se entrenan con la atmósfera histórica, así que su comportamiento en condiciones verdaderamente sin precedente no está garantizado. Los modelos físicos generalizan porque codifican leyes de conservación. La mayoría de los centros operativos corre los dos y compara, que es la respuesta sensata de ingeniería.

¿Esto significa que los pronósticos de huracanes van a mejorar?

Los resultados en Nature sobre trayectoria, intensidad y estructura de viento son mejoras reales de habilidad de pronóstico. Que eso llegue a tu familia depende de que los servicios meteorológicos nacionales adopten estos modelos de forma operativa y de que protección civil cambie procedimientos, y las dos cosas se mueven más despacio que la investigación.

---

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. “WeatherNext 2: our most advanced weather forecasting model.” https://blog.google/technology/google-deepmind/weathernext-2/
2. Google. (2026, agosto). “Google AI updates, August 2026” (liberación de WeatherNext 2; Operation Blue Skies; descargas de Gemma). https://blog.google/innovation-and-ai/technology/google-ai-updates-august-2026/
3. Google DeepMind. Familia de modelos WeatherNext y métodos de acceso. https://deepmind.google/models/weathernext/
4. NOAA National Weather Service. Productos de pronóstico y datos de modelos. https://www.weather.gov/
5. NOAA National Hurricane Center. Explicación del cono de trayectoria. https://www.nhc.noaa.gov/
6. NOAA Office of Water Prediction. “About the National Water Model.” https://water.noaa.gov/about/nwm
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/