El título dice “un día extra”. La pregunta importante es: ¿un día extra en comparación con qué y con qué métricas?
La respuesta corta es que el avance es técnicamente relevante, pero la expresión debe leerse como una medida del desempeño comparativo. El estudio WeatherNext Cyclones, publicado por Nature el 6 de agosto de 2026, informa una ventaja promedio de un día o más en el tiempo de espera para la trayectoria, intensidad y extensión del viento cuando se compara el modelo con los puntos de referencia operativos. Esto no significa que cualquier ciclón se prediga correctamente con 24 horas de antelación, ni que cada pronóstico individual reciba exactamente la misma ganancia.
La documentación en sí exige precaución adicional. La versión disponible en Nature es una publicación avanzada y sin editar, aún sujeta a revisión editorial antes de la versión final. El repositorio abierto también clasifica a WeatherNext como un proyecto de investigación experimental y dice explícitamente que no reemplaza las alertas y avisos meteorológicos oficiales.
Una forma utilizada en el trabajo para hacer la comparación intuitiva es observar hasta dónde puede llegar el nuevo modelo en el futuro manteniendo un nivel de error similar al que tenía un modelo de referencia en un período de tiempo más corto.
Hay ejemplos concretos en el material complementario. Para la trayectoria, considerando un umbral de error de posición de 300 kilómetros, la comparación histórica de WeatherNext Cyclones con el conjunto ECMWF indica aproximadamente 27 horas de ventaja en el tiempo de entrega. Para la intensidad, tomando como referencia un error de 15 nudos y el HWRF como comparación histórica, la diferencia presentada ronda las 40 horas.
Estos números ayudan a comprender por qué “un día” funciona como un resumen, pero también muestran su límite: no hay una ganancia fija de 24 horas que se aplique de manera idéntica a la trayectoria, el viento, el tamaño de la circulación, la cuenca oceánica, la tormenta y el período de pronóstico.
Tampoco se debe confundir el horizonte máximo del modelo con la precisión garantizada. WeatherNext Cyclones puede generar escenarios globales que duran 15 días, pero producir un resultado para el día 15 no significa que tenga la misma capacidad predictiva vista en los primeros días.
El estudio no eligió sólo un oponente. Los autores utilizan modelos de diferentes categorías como referencias centrales: el ECMWF ENS, un conjunto numérico global; HAFS-A, un modelo regional centrado en huracanes; y GenCast, otro sistema de predicción meteorológica con IA. El suplemento también proporciona comparaciones adicionales con ECMWF HRES, GEFS, HAFS-B, HMON y HWRF.
| Alegación analizada |
Cómo se midió |
Referencias importantes |
Limitación que cambia la lectura |
| Mejor trayectoria |
Error de posición del centro geodésico y métricas de posición probabilísticas |
ECMWF ENS, HAFS-A y GenCast |
En agregados pareados, solo se incluyen ciclos en los que los modelos comparados mantienen un ciclón activo y existe una observación correspondiente. |
| Mejor intensidad |
Error máximo de viento sostenido; distribuciones también evaluadas con métricas probabilísticas |
HAFS-A, ENS, GenCast y, en contexto histórico, HWRF |
Hay regiones y casos individuales en los que HAFS tuvo un error de menor intensidad; la superioridad promedio no se cumple para cada predicción. |
| Mejor pronóstico del tamaño del viento |
Error de radios de viento de 34, 50 y 64 nudos en los cuadrantes de tormenta |
ENS, HAFS y otras líneas base disponibles |
El radio máximo del viento, RMW, fue predicho por el sistema, pero no se incluyó en la verificación principal debido a la falta de observaciones suficientes para una significancia adecuada. |
Aún queda una sutileza metodológica importante. Parte de las comparaciones deterministas compara un promedio conjunto de WeatherNext Cyclones con un análisis determinista de otro sistema. El propio suplemento reconoce que un promedio conjunto puede reducir parte del ruido y, por lo tanto, obtener una ventaja estructural en el error promedio. Los autores justifican la elección reflejando la forma en que los conjuntos se utilizan operativamente y también presentan sus propias evaluaciones probabilísticas, con métricas como CRPS y puntaje de energía.
En otras palabras: el resultado no depende de una única tabla, pero tampoco debe resumirse como una simple carrera entre dos modelos idénticos.
Qué ciclones entraron en las pruebas
Aquí hay una diferencia en la redacción entre las fuentes mismas que merece ser preservada.
El resumen publicado por Nature dice que WeatherNext Cyclones se evaluó en ciclones tropicales de 2023 a 2025. El anuncio de DeepMind describe que la principal evaluación histórica cubre 2023 y 2024. El material complementario ayuda a conciliar los dos recortes: 2025 aparece en una evaluación determinista adicional, parcial y vinculada al funcionamiento en tiempo real en las cuencas del Atlántico Norte y del Pacífico Este.
Por lo tanto, sería inexacto decir simplemente que “todas las pruebas se realizaron de manera uniforme en todos los ciclones entre 2023 y 2025”.
En pruebas pareadas, la referencia observacional proviene de IBTrACS. Los autores incluyen sistemas clasificados como tropicales o subtropicales y excluyen, para estas métricas, perturbaciones, sistemas extratropicales y casos sin clasificación adecuada. Un período determinado sólo entra en la comparación homogénea cuando los modelos involucrados predicen un ciclón activo en ese ciclo y hay una observación correspondiente.
Este detalle es muy importante. El parámetro de error de trayectoria o intensidad responde bien a la pregunta “cuando los modelos rastrean el mismo ciclón, ¿cuál comete menos errores?”, pero por sí solo no equivale a medir todos los tipos posibles de fallas en la detección, formación o mantenimiento de un ciclón.
En 2025 hay otra variable: el rastreador utilizado con WeatherNext Cyclones se actualizó el 25 de septiembre. El suplemento informa de mejoras notables, especialmente en la intensidad y en los rayos del viento, tras este cambio. Para experimentos retrospectivos, la inicialización del rastreador también difiere de la operación en tiempo real.
Por lo tanto, “2025” no representa una única configuración congelada desde el principio hasta el final de la temporada.
Por qué el conjunto es una parte central del avance
Los ciclones WeatherNext no solo están diseñados para ofrecer una trayectoria única. Puede generar muchos escenarios plausibles de atmósferas y ciclones, formando un conjunto.
Esta diferencia es importante porque la decisión operativa rara vez depende únicamente de dónde está la línea central. Un conjunto de miembros permite preguntar, por ejemplo, qué parte de los escenarios coloca a una región determinada bajo vientos de una intensidad específica o qué tan dispersas están las posibles trayectorias.
DeepMind muestra conjuntos de hasta 1000 miembros y mapas probabilísticos derivados de estas ejecuciones. El documento también trabaja con conjuntos más pequeños en evaluaciones periódicas. La idea es muestrear mejor la distribución de los resultados y, especialmente con conjuntos más grandes, examinar eventos menos frecuentes.
Esto no transforma los mil miembros en mil “votos” independientes ni garantiza que el verdadero escenario esté entre ellos. La dispersión tampoco debería denominarse automáticamente “cono oficial de incertidumbre”: este tipo de producto operativo tiene su propia definición por parte de las agencias meteorológicas.
La verdadera ganancia es permitir evaluar el pronóstico también como una distribución de probabilidad, y no solo por la distancia entre una línea predicha y la trayectoria observada.
Siguen existiendo casos negativos
Los resultados complementarios en sí mismos evitan la interpretación de superioridad absoluta.
En la descomposición geográfica de los errores, WeatherNext Cyclones presenta una mejora predominante sobre ECMWF ENS, pero hay casos raros en los que su error de trayectoria o intensidad es sustancialmente mayor. Contra HAFS, la ventaja de la trayectoria es más consistente; en intensidad, el panorama es más heterogéneo, con un mayor número de situaciones en las que HAFS obtiene un menor error.
Los autores también aplican pruebas bootstrap, remuestreando a nivel de ciclón, para verificar en qué marcos de tiempo las diferencias alcanzan significación estadística. Esto fortalece la lectura del resultado promedio, pero no elimina la variabilidad de una tormenta a otra.
Otro límite aparece en la estructura de los vientos. Se pudieron evaluar los radios de 34, 50 y 64 nudos, pero el RMW (radio máximo de viento) se eliminó de la verificación principal porque había menos observaciones y, en consecuencia, menos poder estadístico.
Aquí es precisamente donde la frase “predecir ciclones con un día de antelación” empieza a volverse demasiado amplia. El trabajo mide varias propiedades, con diferente disponibilidad de datos y referencias, y presenta promedios agregados. No demuestra que todas las características de cada ciclón sean correctas con 24 horas de antelación.
Lo que ya apareció en la operación real
El modelo no se limitó al laboratorio. En 2025, los pronósticos de WeatherNext Cyclones estuvieron disponibles durante la temporada, y los documentos del Centro Nacional de Huracanes muestran que la guía de DeepMind, identificada como GDMI, se consideró junto con otros modelos y consenso.
En el huracán Melissa, por ejemplo, una discusión operativa del NHC notó un cambio importante en el GDMI entre ciclos, mientras que otros modelos también se movieron dentro del ámbito de la solución. En otros boletines, el centro combinó o comparó GDMI con HCCA, ECMWF y HAFS para formular el pronóstico oficial.
Esto es un signo de relevancia operativa, no un reemplazo de proceso. El modelo sirve como otra fuente de orientación en una decisión que también considera otras simulaciones, la coherencia entre rondas, las observaciones y el juicio de los meteorólogos.
En una entrevista publicada por Wired el 6 de agosto de 2026, el director del NHC, Mike Brennan, reforzó esta lectura: las horas adicionales pueden tener un valor práctico para la preparación y la evacuación, pero ningún modelo individual garantiza que sea el mejor en la próxima tormenta o la próxima temporada.
Cómo reproducir el comportamiento del modelo abierto
Código publicado por DeepMind, puntos de control y un cuaderno de demostración. Sin embargo, existe una distinción esencial entre ver que WeatherNext Cyclones funciona y reproducir el punto de referencia del artículo.
- Utilice el repositorio oficial y fije una versión del código, en lugar de ejecutar automáticamente la última rama. La propia documentación advierte que el código de búsqueda puede cambiar y no ofrece estabilidad API.
- Para una demostración asequible, el portátil oficial utiliza el WeatherNext Cyclones Mini de resolución más baja de forma predeterminada, que puede ejecutarse en una TPU v5e-1. Sirve para inspeccionar la cadena de predicción y seguimiento, pero la documentación advierte que su rendimiento no debe considerarse equivalente a los modelos más grandes utilizados en el artículo.
- Para reproducción científica, elija el punto de control compatible con el año evaluado. El repositorio mantiene versiones entrenadas solo con datos anteriores al período de prueba; por ejemplo, modelos destinados a reproducir resultados de 2023 o 2024 sin utilizar datos futuros de ese año.
- Mantener el mismo estado inicial, verdad observacional y reglas de comparación. El trabajo utiliza IBTrACS para la verificación específica de ciclones y restringe los agregados homogéneos a los ciclos disponibles para todos los modelos en comparación.
- Métricas deterministas y probabilísticas separadas. Comparar sólo la media del conjunto mide una cosa; evaluar toda la distribución con CRPS, puntaje de energía, confiabilidad y probabilidades mide otra. Mezclar las dos lecturas produce conclusiones erróneas sobre lo que mejoró el sistema.
- Al visualizar varios miembros, trate la dispersión como distribución de escenario. Para afirmar que se reprodujo el “día extra”, aún sería necesario recuperar los mismos ciclos de los modelos de referencia y recalcular las curvas de error en condiciones equivalentes.
El punto más importante es no utilizar el Mini, obtener una trayectoria visualmente plausible y concluir que se reprodujo el punto de referencia de Nature. Las pruebas científicas requieren el mismo marco de tiempo, puntos de control, líneas de base, observaciones y métricas correctos.
¿Entonces los ciclones de WeatherNext realmente ganaron un día?
Como resumen de referencia, sí. Como promesa operativa universal, no.
El estudio presenta evidencia de una ganancia sustancial y estadísticamente relevante en diferentes dimensiones del pronóstico de ciclones, incluida la trayectoria, la intensidad y la extensión del viento. En determinados criterios, la diferencia supera claramente las 24 horas. La capacidad de producir conjuntos grandes también hace que el modelo sea interesante para predicciones probabilísticas, no sólo para una trayectoria central.
Pero el resultado proviene de promedios, cortes homogéneos, métricas específicas y versiones definidas del sistema. Hay casos negativos, diferencias entre cuencas, limitaciones observacionales y cambios de seguidor. El benchmark también fue elaborado por un grupo que incluye investigadores de DeepMind y colaboradores institucionales; La publicación científica aumenta el escrutinio, pero no sustituye las replicaciones independientes ni las múltiples temporadas de verificación operativa.
Al seguir las próximas pruebas de WeatherNext Cyclones, siempre vale la pena comparar qué versión se utilizó, hasta cuándo se entrenó, con qué modelo, en qué cuenca, con qué retraso operativo y con qué métrica. Sin estos calificativos, “un día extra” es un buen titular, pero una descripción incompleta del resultado.
Temas de este artículobenchmark de IAensembleGoogle DeepMindinteligência artificialmodelos meteorológicosprevisão de ciclonesWeatherNext Cyclones
