Segun MarkTechPost (AI/ML News), un nuevo modelo de inteligencia artificial desarrollado por Google DeepMind y Google Research ha logrado superar importantes barreras en la predicción meteorológica global. El sistema, denominado WeatherNext 3, se basa en observaciones directas de estaciones meteorológicas y utiliza imágenes en tiempo real de satélites geoestacionarios como entrada principal. Este avance resuelve dos desafíos clave que han afectado a los modelos tradicionales: la baja resolución que no refleja adecuadamente terrenos locales y la dependencia de datos de reanálisis que llegan con retraso de hasta seis horas.
La innovación radica en que WeatherNext 3 no se alimenta únicamente de datos procesados o suavizados, sino que entrena directamente sobre mediciones reales de estaciones, permitiendo que sus predicciones de temperatura y punto de roce tengan una calibración más precisa. La red emplea un diseño denominado Functional Generative Network (FGN), una arquitectura probabilística ya usada en versiones anteriores, pero escalada para generar múltiples niveles de detalle espacial. Los datos de entrenamiento integran información de la ERA5/HRES-fc0, el sistema IMERG de NASA y mosaicos satelitales en tiempo real, además de mediciones directas de estaciones. La salida más detallada alcanza una resolución de 0.05 grados, equivalente a unos 5 kilómetros, lo que permite capturar variaciones locales en zonas montañosas, costeras o en valles.
El modelo ejecuta una actualización completa cada hora, redefiniendo su estado inicial de forma dinámica. Esto evita que las predicciones se basen en datos obsoletos. Los resultados han sido validados independientemente por Brightband, que considera a WeatherNext 3 el modelo global más preciso hasta la fecha. Aunque el sistema ya está disponible en plataformas como BigQuery, Earth Engine y Cloud Storage mediante solicitud de lista de acceso, los pesos del modelo no se han liberado al público. Además, la inferencia personalizada en tiempo real se ejecuta aún mediante la versión anterior, WeatherNext 2.
Para el lector peruano, este avance es especialmente relevante en un contexto de climas extremos y variabilidad regional. En el Perú, donde las condiciones cambian rápidamente entre la costa, los valles y las sierras, una predicción de temperatura o humedad a escala local puede influir directamente en decisiones agrícolas, logísticas o de seguridad. Aunque el modelo aún no está disponible para uso general, su precisión en escalas pequeñas y su actualización horaria sugieren que podría convertirse en una herramienta clave para mejorar la toma de decisiones en sectores como agricultura, transporte o gestión de riesgos ambientales. El futuro de la inteligencia artificial en predicciones climáticas no se limita a grandes escenarios globales, sino que está avanzando hacia soluciones más finas y adaptadas a las realidades territoriales.