El efecto mariposa, en entredicho: cómo Google y Nvidia intentan domar el caos del tiempo

La meteorología siempre ha sido una ciencia de profunda humildad. Estamos acostumbrados a que el pronóstico de mañana sea información útil y el de dos semanas se parezca más a leer los posos del café con toques de ciencia ficción. La culpa es de Edward Lorenz y su célebre efecto mariposa. El error más pequeño en los datos iniciales convierte cualquier modelo informático en un caos a los pocos días de simulación. Sin embargo, Google, Microsoft y Nvidia han decidido que el caos es solo una red neuronal mal entrenada y han lanzado una expansión a gran escala sobre el territorio de los meteorólogos.

Durante décadas, la meteorología mundial se ha basado en la predicción numérica del tiempo (NWP). Son sistemas monstruosos de ecuaciones de termodinámica e hidrodinámica que «trituran» superordenadores del tamaño de un almacén pequeño. El problema es que estos modelos son increíblemente lentos y caros de operar. Cuando un modelo clásico termina de calcular un ciclón complejo, este puede estar ya inundando ciudades costeras. Ahí entran los modelos de IA de nueva generación, como GraphCast de Google DeepMind o FourCastNet de Nvidia. En lugar de resolver las ecuaciones de la física, examinan archivos históricos de datos de las últimas décadas y buscan patrones ocultos. Es un cambio fundamental: de entender las causas a reconocer escenarios.

¿Por qué se ha intensificado esta batalla justo ahora? La respuesta es sencilla: se han acumulado suficientes datos de calidad y, sobre todo, potencia de cálculo. Nvidia desempeña aquí un doble papel. No solo vende las «palas» en forma de chips gráficos para esta fiebre del oro, sino que también cava activamente con su proyecto Earth-2. Es un intento de construir un gemelo digital de todo el planeta, donde la IA podría simular el cambio climático con una precisión sin precedentes. Microsoft no se queda atrás: integra soluciones similares en sus servicios en la nube para grupos agroindustriales y gigantes logísticos, para quienes es vital saber cuándo cerrará el próximo puerto por una tormenta.

Sin embargo, crece el escepticismo en la comunidad meteorológica, y está bien fundado. Los modelos tradicionales «entienden» la física del proceso: saben por qué sopla el viento y cómo se condensa la humedad. Los modelos de IA, en este contexto, siguen siendo «cajas negras». Pueden dar un resultado asombrosamente preciso, pero no son capaces de explicar cómo han llegado a él. Existe el riesgo de que, ante una anomalía ausente de la muestra de entrenamiento (por ejemplo, por el cambio climático acelerado), la red neuronal alucine en lugar de ofrecer un pronóstico. En meteorología, el coste de ese error no se mide en clics perdidos, sino en vidas humanas e infraestructuras destruidas.

Para la economía global, lo que está en juego es aún mayor. Un pronóstico preciso de la trayectoria de un huracán a diez días en lugar de cinco permite evacuar a tiempo maquinaria y personas, y ahorrar miles de millones de dólares. Las empresas energéticas que migran a fuentes renovables dependen críticamente de saber cuánto sol y viento habrá en la red a una hora concreta. En esencia, vemos cómo la meteorología pasa de ser una disciplina física fundamental a un trabajo aplicado con Big Data. Esto puede cambiar para siempre nuestra percepción de la incertidumbre.

¿Podrá la IA vencer definitivamente al efecto mariposa? Es poco probable, porque el caos está inscrito en la propia naturaleza física de la atmósfera. Pero sin duda puede hacer ese caos lo bastante predecible como para que dejemos de sorprendernos con cataclismos «repentinos». La batalla por el cielo no ha hecho más que empezar, y sus protagonistas ya no son las personas con impermeable frente a un mapa, sino los ingenieros de aprendizaje automático que intentan empaquetar toda la complejidad de la atmósfera terrestre en ordenadas filas de pesos de una red neuronal.

Lo principal: la IA convierte la meteorología de física teórica en una competición de algoritmos y datos. La velocidad de obtención de pronósticos ha aumentado miles de veces, pero ¿estamos dispuestos a confiar la seguridad de las ciudades a modelos que no conocen las leyes de la física y solo recuerdan cómo fue la vez anterior?