Google DeepMind y Google Research introducido WeatherNext 2, su modelo de IA de pronóstico del tiempo más avanzado, en una fecha específica. El modelo ofrece pronósticos globales 8 veces más rápidos con una resolución de hasta 1 hora al generar cientos de escenarios a partir de una única entrada mediante inyección de ruido en el espacio funcional. Esto apoya a las agencias meteorológicas con predicciones experimentales de ciclones y se integra en los productos de Google. El clima influye en las decisiones diarias en las cadenas de suministro globales, las rutas de vuelo y los desplazamientos personales. La inteligencia artificial ha ampliado sus capacidades en el pronóstico del tiempo en los últimos años. WeatherNext 2 representa el último avance del equipo de WeatherNext, centrándose en la eficiencia, precisión y resolución de las predicciones en todo el mundo. El modelo genera pronósticos ocho veces más rápido que sus predecesores y al mismo tiempo logra una resolución horaria. Esta velocidad se debe al procesamiento en una única Unidad de procesamiento tensorial (TPU), donde cada predicción de escenario se completa en menos de un minuto. Por el contrario, los modelos basados en la física en supercomputadoras requieren horas para realizar cálculos equivalentes. WeatherNext 2 ya ha ayudado a las agencias meteorológicas al proporcionar predicciones experimentales de ciclones basadas en rangos de escenarios, lo que permite tomar decisiones basadas en múltiples resultados. https://www.youtube.com/watch?v=YQwqoEm_xis Los datos de pronóstico de WeatherNext 2 ahora residen en Earth Engine y BigQuery, lo que permite a los usuarios acceder directamente a estos conjuntos de datos. Google lanzó un programa de acceso temprano en la plataforma Vertex AI de Google Cloud, que permite la inferencia de modelos personalizados para los participantes. Estos pasos trasladan la tecnología de los laboratorios de investigación a aplicaciones prácticas para una utilización más amplia. La tecnología WeatherNext ahora mejora los pronósticos dentro de la Búsqueda de Google, Gemini, Pixel Weather y la API meteorológica de Google Maps Platform. En las próximas semanas, WeatherNext 2 potenciará la información meteorológica mostrada en Google Maps, ampliando su alcance a las herramientas de navegación y planificación móviles utilizadas por millones de personas a diario. A partir de una entrada inicial, WeatherNext 2 emplea redes neuronales entrenadas de forma independiente e inyecta ruido directamente en el espacio funcional. Este método produce una variabilidad coherente entre cientos de posibles resultados meteorológicos, capturando todo el espectro de posibilidades. Esta cobertura resulta esencial para la planificación en torno a los peores escenarios, que exigen una preparación precisa en meteorología y más allá. WeatherNext 2 supera al modelo WeatherNext anterior en el 99,9% de las variables, incluidas la temperatura, el viento y la humedad, y todos los plazos de entrega de cero a 15 días. Estas métricas reflejan niveles de habilidad más altos y una resolución horaria más precisa. Las comparaciones de puntuación de probabilidad clasificada continua (CRPS) confirman estas ganancias frente a WeatherNext Gen, cuantificando una precisión probabilística superior en las predicciones de conjuntos. Un elemento central de estas mejoras es la Red Generativa Funcional (FGN), un nuevo enfoque de modelado de IA. La FGN inyecta ruido en la propia arquitectura del modelo, asegurando que los pronósticos generados mantengan el realismo físico y las interconexiones entre las variables. Esta innovación arquitectónica preserva la coherencia espacial y temporal, distinguiéndola de las técnicas tradicionales de adición de ruido. https://storage.googleapis.com/gweb-uniblog-publish-prod/original_videos/WeatherNext2_figure_03.mp4
Vídeo: Google
El modelo sobresale en la predicción tanto de marginales como de juntas. Los marginales abarcan elementos climáticos individuales, como la temperatura precisa en un lugar específico, la velocidad del viento en una altitud designada o los niveles de humedad en un punto determinado. La formación se produce exclusivamente en estos marginales. A pesar de este alcance limitado, el modelo adquiere la capacidad de predecir uniones con precisión: sistemas complejos e interconectados que dependen de interacciones entre múltiples elementos. Las uniones incluyen predicciones para regiones enteras afectadas por altas temperaturas o la producción de energía agregada de parques eólicos que abarcan grandes áreas. Estos pronósticos dependen de cómo se combinan dinámicamente los marginales individuales. La capacidad de WeatherNext 2 para derivar distribuciones conjuntas a partir de datos de capacitación marginales marca un logro técnico clave, permitiendo aplicaciones en producción de energía, agricultura y gestión de desastres que requieren visiones holísticas del sistema. El desarrollo de WeatherNext 2 traduce la investigación en herramientas operativas. Google DeepMind y Google Research se comprometen a mejorar las capacidades del modelo mediante la integración de nuevas fuentes de datos. Los planes abarcan una mayor expansión del acceso a estas herramientas. La provisión de plataformas y datos abiertos tiene como objetivo apoyar a investigadores, desarrolladores y empresas. Los usuarios pueden explorar iniciativas geoespaciales y de inteligencia artificial relacionadas a través de Google Earth, Earth Engine, AlphaEarth Foundations y Earth AI para obtener un contexto más profundo sobre estos esfuerzos.
