El Ai2 construye mapas de huracanes y lluvias con una resolución de 3 km por 300 veces menos que un modelo físico
Los mapas de huracanes y lluvias con una resolución de 3 km suelen calcularse con el modelo físico X-SHiELD en supercomputadoras, y eso es caro. Ai2 entrenó una IA: ACE genera un mapa grueso de 100 km y HiROv2 añade los detalles, de forma parecida a como un escalado de imagen mejora una foto. El resultado cuesta 300 veces menos, y las estadísticas de las tormentas raras se desvían de X-SHiELD en no más de un 3 %. Así, se pueden ejecutar decenas de escenarios en lugar de uno solo.
Procesado por IA desde Ai2 (Allen Institute); editado por Hamidun News
Para entender cómo cambiarán los huracanes, las lluvias intensas y los vientos de tormenta, los climatólogos necesitan mapas meteorológicos detallados para muchos años por delante. «Detallados» significa aquí una resolución de 3 km: en un mapa así se distinguen tormentas aisladas, el ojo de un huracán y las bandas de lluvia. Normalmente, estos datos los calcula el modelo físico de la atmósfera X-SHiELD, que simula explícitamente las tormentas y otros procesos de pequeña escala, y cada una de sus ejecuciones resulta muy cara. El Instituto Ai2 (Allen Institute for AI) presentó HiRO-ACEv2, un sistema de IA actualizado que genera datos similares unas 300 veces más barato.
Cómo funciona el sistema
La idea resulta familiar para cualquiera que haya visto cómo una red neuronal mejora la calidad de una fotografía: primero existe una imagen borrosa y, a partir de ella, se reconstruyen los detalles. HiRO-ACE está formado por dos modelos. ACE calcula el clima del planeta de forma aproximada, con una resolución de unos 100 km. Después, HiRO toma ese mapa grueso y eleva la resolución hasta 3 km.
El maestro era X-SHiELD: el sistema aprende a reproducir sus datos. Pero cada ejecución cuesta cientos de veces menos que un cálculo con el modelo físico.
El cambio principal de la versión v2 es el nuevo modelo HiROv2. La primera versión solo sabía predecir precipitaciones. Ahora el modelo genera varios campos a la vez: lluvia, viento y presión, de modo que en los datos se pueden observar muchos más tipos de fenómenos meteorológicos extremos. Además, el equipo modificó el esquema de entrenamiento para que el modelo reproduzca mejor los valores más intensos, y no solo los días normales.
Resultados en cifras
Cuando se alimenta HiROv2 con datos degradados de X-SHiELD, sus estadísticas coinciden con la referencia dentro de un 3 %. Esto se cumple incluso para eventos tan raros que aparecen una sola vez por cada millón de puntos de datos. El modelo estima con precisión la energía total de los ciclones tropicales, incluidas las tormentas que no estaban en los datos de entrenamiento. Los huracanes resultan realistas, con ojos y bandas de lluvia creíbles. Hay una salvedad: el viento y la presión alrededor del ojo salen más «sesgados» que en X-SHiELD. Además, el modelo reproduce los vientos fuertes que descienden por las laderas de las montañas.
Por separado, se actualizó ACE. En una simulación de diez años, sus huracanes, sus patrones climáticos medios y las distribuciones de lluvia, viento y presión coinciden bien con X-SHiELD. Esto es importante porque, en la práctica, HiRO no trabaja con datos gruesos «reales», sino con lo que ACE ha calculado.
Al combinar ambos modelos, los investigadores obtuvieron un año completo de datos globales con una resolución de 3 km. Sus estadísticas se aproximan a las de X-SHiELD. En la simulación de diez años, la energía de los huracanes es comparable a la de la referencia, y en los fotogramas se ven otros eventos extremos parecidos a los del modelo físico.
Para qué sirve y cuáles son sus límites
La principal ventaja es el número de escenarios. Cuando una sola simulación equivale a un proyecto de supercomputación, no se pueden hacer más que unas pocas ejecuciones. Si el coste cae unas 300 veces, es posible generar muchas versiones de un clima de diez años y estimar la probabilidad de los eventos raros. Las aseguradoras, las empresas energéticas, los planificadores urbanos y los especialistas en riesgos necesitan más estos conjuntos de escenarios que un único mapa espectacular. Si solo interesa una región, el ahorro puede superar incluso las cien veces, según el tamaño del territorio. Ai2 también prepara una versión simplificada de HiROv2 que debería funcionar al menos diez veces más rápido.
Los límites son importantes. HiRO se entrenó con X-SHiELD, por lo que solo funciona con la versión de ACE ajustada a ese modelo. Todavía no genera datos para otros climas, como un futuro más cálido o el archivo histórico ERA5. Además, la calidad en la publicación se evalúa comparando con X-SHiELD, no con observaciones directas.
Entre los planes figuran el entrenamiento con nuevos conjuntos de datos de X-SHiELD, incluido un mundo 4 °C más cálido, así como la incorporación de la temperatura en superficie, la nieve y el hielo. Esto abriría, por ejemplo, la puerta a la predicción de la cobertura de nieve.
El resultado puede verse sin ejecutar código: Ai2 ha creado un visualizador donde las precipitaciones, el viento y la presión de HiROv1 y HiROv2 se muestran junto a X-SHiELD, y en el que se puede acercar una región propia y valorar la calidad a simple vista. Para un análisis más profundo, los modelos están disponibles de forma abierta, junto con instrucciones para ejecutarlos.
- 31 ago 2026Los recortes de Trump en datos meteorológicos amenazan con pronósticos del tiempo menos fiables
- 29 ago 2026Estudio de First Street: el 80% de los centros de datos es vulnerable a inundaciones, incendios y huracanes
- 11 ago 2026DeepMind WeatherNext predice los huracanes antes que los modelos de pronóstico actuales
- 23 may 2026IA para predecir el tiempo: WeatherNext ayudó a salvar vidas durante el huracán Melissa
Preguntas frecuentes sobre la noticia
Cómo funciona el sistema?
La idea resulta familiar para cualquiera que haya visto cómo una red neuronal mejora la calidad de una fotografía: primero existe una imagen borrosa y, a partir de ella, se reconstruyen los detalles. HiRO-ACE está formado por dos modelos. ACE calcula el clima del planeta de forma aproximada, con una resolución de unos 100 km. Después, HiRO toma ese mapa grueso y eleva la resolución hasta 3 km. El maestro era X-SHiELD: el sistema aprende a reproducir sus datos.
¿Qué se sabe sobre Resultados en cifras?
Cuando se alimenta HiROv2 con datos degradados de X-SHiELD, sus estadísticas coinciden con la referencia dentro de un 3 %. Esto se cumple incluso para eventos tan raros que aparecen una sola vez por cada millón de puntos de datos. El modelo estima con precisión la energía total de los ciclones tropicales, incluidas las tormentas que no estaban en los datos de entrenamiento. Los huracanes resultan realistas, con ojos y bandas de lluvia creíbles.
¿Qué se sabe sobre Para qué sirve y cuáles son sus límites?
La principal ventaja es el número de escenarios. Cuando una sola simulación equivale a un proyecto de supercomputación, no se pueden hacer más que unas pocas ejecuciones. Si el coste cae unas 300 veces, es posible generar muchas versiones de un clima de diez años y estimar la probabilidad de los eventos raros. Las aseguradoras, las empresas energéticas, los planificadores urbanos y los especialistas en riesgos necesitan más estos conjuntos de escenarios que un único mapa espectacular.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.