Google DeepMind publica el código y los pesos de WeatherNext Cyclones tras su uso por el NHC

Why it matters

Researchers can now test Google's claimed one-day cyclone forecasting gain against storms and regions outside its published benchmarks, while examining a model whose guidance NHC forecasters used in real operations.

Seis investigadores de Google DeepMind - Ferran Alet, Tom R. Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi and Dominic Masters - aparecen listados como autores principales con contribución equitativa en el Nature paper que describe WeatherNext Cyclones. Google DeepMind publicó el código y los pesos del modelo el 6 de agosto de 2026, después de que los pronosticadores del US National Hurricane Center usaran sus orientaciones durante la temporada de huracanes de 2025.

El artículo cuenta con 32 autores de Google DeepMind, Google Research, el NHC, el Cooperative Institute for Research in the Atmosphere de Colorado State University, el UK Met Office y la University of Waterloo. Su trabajo aborda los problemas centrales en la predicción de huracanes: predecir hacia dónde se desplazará una tormenta, qué tan fuerte se volverá y hasta qué distancia se extenderán sus vientos dañinos.

En su anuncio del 6 de agosto, Google DeepMind dijo que WeatherNext Cyclones ofreció una ventaja promedio en el tiempo de aviso superior a 24 horas en trayectoria de la tormenta, intensidad y estructura del viento. Google DeepMind afirmó que sus pronósticos a tres días eran aproximadamente tan precisos como los pronósticos a dos días producidos por sistemas anteriores. Las pruebas históricas reportadas descritas en el artículo fuente de Google cubrieron ciclones de 2023 y 2024, mientras que un gráfico separado comparó errores de pronóstico a tres días desde 2023 hasta 2025.

One model for the whole storm

La previsión tradicional de ciclones divide el problema entre tipos de modelos. Grandes sistemas globales capturan las corrientes atmosféricas que guían una tormenta, mientras que modelos regionales computacionalmente costosos resuelven los procesos locales alrededor de su núcleo. Esos procesos del núcleo impulsan la intensificación, incluidas las subidas repentinas en la velocidad del viento que dejan a las agencias de emergencia con poco tiempo para prepararse.

Alet y sus coautores entrenaron WeatherNext Cyclones en ambos dominios de datos. El modelo aprendió a partir de casi 20 terabytes de información atmosférica global y del archivo IBTrACS de casi 5,000 tormentas históricas.

Google DeepMind dice que el sistema de ciclones puede generar hasta 1,000 escenarios para cada tormenta. Un conjunto más grande da a los pronosticadores más oportunidades para identificar resultados de baja probabilidad, como la intensificación rápida, en lugar de permitir que la predicción promedio los oculte.

How the NHC has used the guidance

WeatherNext entró en el flujo de trabajo del NHC antes de la publicación del artículo y del código. El informe preliminar para la temporada 2025 de la agencia indicó que 2025 fue la primera temporada en la que el NHC incorporó modelos basados en IA en operaciones en tiempo real y describió la orientación de Google DeepMind, identificada como GDMI, como útil. El informe también advirtió que algunos sistemas de IA aún estaban en desarrollo y no se entregaban de manera constante a tiempo para el uso rutinario.

El huracán Melissa proporcionó el ejemplo de mayor riesgo. En octubre de 2025, WeatherNext proyectó un impacto en tierra de Categoría 5 en Jamaica mientras Melissa todavía era mucho más débil. El NHC usó la orientación en su análisis de la tormenta, mientras que Google DeepMind más tarde dijo que el sistema había predicho la intensificación rápida de Melissa y el impacto en tierra de Categoría 5 en Jamaica.

Opening the model creates a harder test

El repositorio WeatherNext incluye WeatherNext 2, WeatherNext Cyclones y materiales de investigación relacionados.

El acceso al código y a los pesos reduce la barrera para que investigadores y agencias meteorológicas reproduzcan los resultados del artículo y comparen pronósticos entre regiones. También somete las afirmaciones de rendimiento de Google a pruebas diseñadas y ejecutadas fuera de la empresa.

Google describe WeatherNext como un proyecto de investigación experimental cuyos resultados no pueden reemplazar las alertas y advertencias de las agencias meteorológicas gubernamentales. Investigadores externos ahora pueden examinar cómo el modelo maneja tormentas, cuencas oceánicas y condiciones raras fuera de los promedios reportados. Los modelos meteorológicos ganan confianza a lo largo de las temporadas, incluidos los casos en que se convierten en valores atípicos o llegan demasiado tarde para ser de ayuda.

Para Alet, Andersson, Price, Markou, El-Kadi, Masters y sus colaboradores, publicar los pesos mueve el proyecto a ese ciclo de evaluación más largo. Los documentos del NHC establecen que los pronosticadores usaron la orientación de Google DeepMind en operaciones en tiempo real y durante Melissa. No validan de forma independiente la supuesta ventaja de precisión de un día que afirma Google. Las pruebas realizadas por investigadores externos determinarán con qué consistencia se mantiene ese resultado más allá de los puntos de referencia reportados por Google.