Una de las promesas más ambiciosas de la inteligencia artificial en meteorología es su capacidad para anticipar fenómenos extremos incluso cuando no han ocurrido antes. Pero, ¿puede realmente predecir un huracán devastador si jamás ha “visto” uno durante su entrenamiento? Según un nuevo estudio liderado por científicos de la Universidad de Chicago y la Universidad Rice, la respuesta es no… al menos, por ahora.
El trabajo, publicado el 20 de mayo de 2025 en la revista Proceedings of the National Academy of Sciences, analiza el rendimiento de FourCastNet, uno de los modelos más avanzados de IA meteorológica, al enfrentarse a tormentas fuera de distribución: ciclones de categoría 5 que no estaban presentes en su conjunto de entrenamiento. Estos eventos, denominados “gray swans” o “cisnes grises”, son extremadamente raros pero posibles, y representan una amenaza creciente en el contexto del cambio climático.
La gran prueba: predecir lo nunca visto
Para realizar el experimento, los investigadores entrenaron distintas versiones del modelo FourCastNet con datos meteorológicos globales del periodo 1979–2015, utilizando el conjunto ERA5. En una versión completa, el modelo fue entrenado con todos los datos disponibles, incluyendo ciclones tropicales de alta intensidad. En otras versiones, se eliminaron completamente del entrenamiento los ciclones de categoría 3 a 5, ya sea a nivel global o únicamente en ciertas regiones como el Atlántico Norte o el Pacífico Occidental.
A continuación, pusieron a prueba estos modelos con 20 ciclones reales de categoría 5 ocurridos entre 2018 y 2023, seleccionados del conjunto ERA5 y el registro IBTrACS.
Resultados: sin ejemplos, no hay predicción fiable
El hallazgo central es contundente: la versión del modelo que no había visto ciclones categoría 3–5 durante su entrenamiento fue incapaz de prever correctamente los ciclones categoría 5 durante las pruebas. Esto indica que FourCastNet no puede extrapolar desde tormentas más débiles a las más fuertes.
Este resultado es crucial porque pone límites a una de las esperanzas en el uso de IA en meteorología: la posibilidad de que los modelos aprendan principios generales del clima y puedan aplicarlos a situaciones extremas inéditas. El estudio demuestra que, al menos con las estrategias de aprendizaje actuales, esto no ocurre.
Un rayo de esperanza: aprendizaje entre regiones
Sin embargo, no todo son malas noticias. Cuando los investigadores entrenaron el modelo sin ciclones intensos en una región (por ejemplo, el Atlántico Norte), pero sí con ellos en otras zonas (como el Pacífico), descubrieron que el modelo podía transferir ciertos aprendizajes entre regiones. Es decir, aunque no hubiera visto tormentas intensas en el Atlántico, podía predecir algunas allí si las conocía en otros lugares.
Esto sugiere que FourCastNet es capaz de captar ciertas regularidades físicas compartidas entre las distintas cuencas tropicales, lo cual resulta sorprendente dado que el modelo no recibe ninguna indicación explícita sobre la ubicación geográfica en su entrada.
Consecuencias para el futuro de la predicción climática
Este trabajo supone una llamada de atención sobre las limitaciones actuales de los modelos de IA para tareas críticas como la predicción temprana de catástrofes naturales. Si bien modelos como FourCastNet han demostrado un rendimiento notable en condiciones normales o moderadamente extremas, no están preparados para anticipar los fenómenos más raros y destructivos si estos no han estado presentes en sus datos de entrenamiento.
Además, el estudio plantea un reto fundamental: si queremos que la IA ayude a anticipar huracanes sin precedentes —cada vez más probables por el cambio climático—, será necesario desarrollar nuevas estrategias de entrenamiento capaces de extrapolar más allá de los datos conocidos.
En resumen, aunque la IA meteorológica ha avanzado a pasos agigantados, aún queda mucho camino por recorrer antes de confiarle la predicción de los eventos más extremos. Como concluyen los autores, se requieren innovaciones profundas para que estos sistemas sean fiables ante los desafíos del clima del futuro.
La fotografía de portada de esta noticia pertenece a Greg Johnson y ha sido publicada en Unsplash
