Un modelo de IA gana al sistema europeo de predicción en el 90,3 % de 1.380 comparaciones

A principios de septiembre de 2023, el huracán Lee era una mancha girando en mitad del Atlántico y nadie sabía muy bien hacia dónde iba a torcer. Los modelos operativos daban trayectorias que se abrían en abanico. Un sistema experimental de Google DeepMind, en cambio, colocó el punto de recalada en Nueva Escocia con nueve días de antelación, unos tres días antes de que los modelos convencionales se decidieran por esa opción. Lee tocó tierra allí el 16 de septiembre.

Aquello fue una anécdota bien elegida para un anuncio. El dato que importaba llegó dos meses después, en noviembre de 2023, cuando el equipo publicó en Science la evaluación completa del sistema, llamado GraphCast.

Qué dice la comparación

El equipo, encabezado por Remi Lam en Google DeepMind, enfrentó GraphCast al HRES, el modelo determinista de alta resolución del Centro Europeo de Predicción Meteorológica a Plazo Medio, el ECMWF. Es el patrón oro de la predicción global: el sistema con el que se comparan todos los demás.

La comparación se hizo sobre 1.380 objetivos de verificación, que salen de combinar variables atmosféricas, niveles de presión y plazos de predicción hasta diez días. GraphCast fue mejor que el HRES en el 90,3 % de esos 1.380 objetivos.

La ventaja no está repartida de forma homogénea. Se concentra en la troposfera, la capa baja donde ocurre el tiempo que la gente nota, y se estrecha o desaparece en los niveles más altos de la atmósfera, donde el modelo físico sigue defendiéndose bien. Los propios autores lo dejan escrito.

Un minuto frente a horas de supercomputador

La otra mitad del asunto es el coste. El HRES resuelve ecuaciones de la dinámica de fluidos sobre una malla del planeta y necesita para ello un reparto grande de un supercomputador: el del ECMWF ocupa una sala en Bolonia y consume durante horas para sacar cada pasada.

GraphCast produce una predicción global a diez días, en pasos de seis horas, con una resolución de 0,25 grados —alrededor de un millón de puntos de malla y 37 niveles verticales— en menos de un minuto en un solo procesador TPU v4. No resuelve ecuaciones: aprendió a saltar del estado de la atmósfera de hoy al de dentro de seis horas, y luego encadena ese salto cuarenta veces.

El entrenamiento sí fue caro, unas cuatro semanas repartidas en 32 dispositivos TPU. Pero es un gasto que se hace una vez. Después, cada predicción cuesta calderilla comparada con lo que cuesta una pasada del modelo físico. Eso abre la puerta a lanzar cientos de escenarios en paralelo para estimar la incertidumbre, que es justo lo que más se echa en falta cuando hay un huracán acercándose a una costa habitada.

La letra pequeña

Aquí viene la parte que suele quedarse fuera de los titulares. GraphCast se entrenó con ERA5, el reanálisis del ECMWF: casi cuatro décadas de estado de la atmósfera reconstruidas combinando observaciones reales con un modelo físico que rellena los huecos. Esos datos no existirían sin el modelo al que ahora gana.

Y hay una dependencia todavía más incómoda. Para arrancar una predicción hace falta saber cómo está la atmósfera ahora mismo, y ese estado inicial no se observa directamente: se construye mediante asimilación de datos, un proceso que fusiona satélites, radiosondas, boyas y aviones dentro de un modelo físico. GraphCast toma ese análisis ya cocinado y sigue desde ahí.

De modo que el sistema de aprendizaje automático es más rápido y, en la mayoría de las variables medidas, más certero, pero corre encima de una infraestructura que sigue siendo física de arriba abajo. Si el ECMWF apagara sus modelos, GraphCast se quedaría sin datos con los que entrenar y sin punto de partida desde el que predecir.

Qué falta por saber

Queda pendiente lo que más preocupa a los servicios meteorológicos: el comportamiento con fenómenos extremos que no aparecen apenas en el histórico de entrenamiento. Un modelo estadístico aprende de lo que ha pasado, y un clima que se está desplazando produce situaciones que en ERA5 están poco representadas o no están. Tampoco está resuelto cómo cuantificar de forma fiable la incertidumbre de estas predicciones, ni si la ventaja se mantiene cuando se evalúa con métricas distintas de las que se usaron en el artículo.

Los propios centros operativos han tomado nota. El ECMWF puso en marcha su propio sistema de predicción basado en aprendizaje automático, el AIFS, que pasó a funcionar de forma operativa en febrero de 2025, conviviendo con el modelo físico en lugar de reemplazarlo.

El artículo, Learning skillful medium-range global weather forecasting, se publicó en Science el 14 de noviembre de 2023 y está revisado por pares. El código y los pesos del modelo son públicos.

Fuente: Lam et al., Science (2023) y la nota de Google DeepMind.