Aurora: La Inteligencia Artificial (IA) que predice el clima mejor y más rápido que los modelos oficiales

Resumen realizado por J. López Torrecilla, miembro del Comité Científico de Fundación QUAES. Noticia basada en el artículo “A foundation model for the Earth system” publicado por C. Bodnar y colaboradores en Nature. https://doi.org/10.1038/s41586-025-09005-y

Los fenómenos meteorológicos extremos y los desastres naturales están aumentando en frecuencia e intensidad debido al cambio climático. El clima afecta todo: nuestra salud, cultivos, vuelos, ciudades y hasta nuestras vacaciones. Saber si va a llover o si el aire será respirable no es un capricho: puede salvar vidas. El pronóstico de fenómenos naturales tales como las inundaciones de Valencia, la crisis de la calidad del aire en Nueva Delhi y los huracanes Helene y Milton en el este de Estados Unidos, muestran la necesidad de tener mejores herramientas para predecirlos.
Los modelos actuales que simulan el planeta son tan complejos que necesitan supercomputadoras y equipos de expertos para funcionar y aun así, se equivocan. Estos modelos complejos se basan en siglos de conocimiento físico acumulado, que proporcionan pronósticos globales de diversas variables relacionadas con el clima, la calidad del aire, las corrientes oceánicas, el hielo marino y los huracanes, pero a pesar de su papel vital tienen varias limitaciones, lo que abre la puerta a enfoques alternativos que podrían mejorar el rendimiento.
Un grupo de investigadores de Microsoft Research IA y de las Universidades de Ámsterdam, Cambridge, Linz, Taipéi y Pennsylvania han publicado en Nature (https://doi.org/10.1038/s41586-025-09005-y) un modelo de inteligencia artificial desarrollado para predecir múltiples aspectos del sistema terrestre —desde la calidad del aire hasta huracanes— con una eficiencia y precisión que supera a muchos de los sistemas actuales y lo hace en segundos, no en horas.
Esta IA ha sido entrenada con más de un millón de horas de datos geofísicos y puede predecir variables meteorológicas y climáticas con una rapidez y exactitud que, según sus creadores, dejan atrás incluso a modelos numéricos tradicionales de centros meteorológicos globales. ¿Ejemplo? Predice la trayectoria de ciclones mejor que 7 agencias oficiales… y 100.000 veces más rápido.

¿Qué puede hacer Aurora?

Aurora es un modelo “machine learning”, como lo son ChatGPT o AlphaFold en sus campos. Es decir, un sistema entrenado de forma masiva, que luego se ajusta (“fine-tunea”) para tareas específicas. Ya ha sido probado para:

• Calidad del aire: superó al Servicio de Monitoreo de la Atmósfera de Copernicus (CAMS, el modelo europeo de referencia) en 74% de los casos. Su mayor ventaja: velocidad y menor coste computacional.
• Olas oceánicas: acertó más que el sistema High RESolution WAve Model (HRES-WAM del European Centre for Medium-Range Weather Forecasts (ECMWF) en 86% de los indicadores.
• Ciclones tropicales: venció a los modelos oficiales de predicción de trayectorias en 100% de los casos analizados (2022-2023).
• Pronóstico meteorológico de alta resolución (a 10 días): ganó al Integrated Forecasting System (IFS) del ECMWF (modelo de referencia mundial) en el 92% de las variables.

¿Qué la hace distinto?

Aurora no simula la física del planeta paso a paso como los modelos tradicionales. En lugar de eso, “aprende” de los datos, cómo se comportan el viento, la temperatura, las olas o los contaminantes, y genera predicciones a partir de representaciones abstractas.
La arquitectura del sistema incluye la toma de datos heterogéneos (distintas resoluciones, variables, niveles de presión) (un codificador universal), los transforma en una representación interna tridimensional del planeta (un procesador temporal) y de ahí genera predicciones o pronósticos robustos, incluso en eventos extremos como tormentas de polvo o tifones (un decodificador adaptable). Lo hace utilizando arquitecturas de IA de última generación, como transformers en 3D.

¿Cuál son los siguientes pasos?

Los autores comentan que el sistema permite mejoras, ajustando el pre-entrenamiento a datos más diversos y escalando Aurora a tamaños incluso mayores. También se puede investigar la interpretabilidad de Aurora, con el objetivo de comprender si los patrones específicos aprendidos por el modelo pueden vincularse a procesos físicos.
En el futuro, Aurora podría aprender directamente de sensores y satélites, sin necesidad de modelos tradicionales y además generar predicciones con incertidumbre, algo esencial para eventos extremos.

Las posibles implicaciones de Aurora para la predicción del sistema terrestre son importantes, generando pronósticos que superen el rendimiento de los sistemas operativos actuales a un costo mucho menor. Algunos ejemplos incluyen la predicción de la circulación oceánica, el clima local y regional, el clima estacional, el crecimiento y la fenología de la vegetación, fenómenos meteorológicos extremos como inundaciones e incendios forestales, patrones de polinización, productividad agrícola, producción de energías renovables y la extensión del hielo marino. En resumen, Aurora representa un avance notable al hacer que las predicciones prácticas sean accesibles para todos.

Bibliografía

C. Bodnar, W.P. Bruinsma, A. Lucic, M. Stanley, A. Allen, J. Brandstetter, P. Garvan, M. Riechert, J.A. Weyn, H. Dong, J.K. Gupta, K. Thambiratnam, A.T. Archibald, Chun-Chieh Wu, E. Heider, M. Welling, R.E. Turner & P. Perdikaris. A foundation model for the Earth system. Nature. Published online: 21 May 2025. https://doi.org/10.1038/s41586-025-09005-y