Una IA modela el clima 25 veces más rápido

No todos los avances en inteligencia artificial llegan con un titular llamativo. Algunos cambian un campo entero por dentro, en la infraestructura. Es el caso de Spherical DYffusion, un modelo presentado por investigadores de la Universidad de California en San Diego y del Allen Institute for AI, capaz de proyectar 100 años de patrones climáticos 25 veces más rápido que el estado del arte.

La cifra concreta da la dimensión del salto. Una simulación de 100 años se ejecuta en unas 25 horas, frente a las semanas que tardan otros modelos punteros. Pasar de semanas a un día largo no es una mejora incremental: cambia lo que un equipo de investigación puede plantearse hacer en un plazo razonable.

El método combina dos mundos que hasta hace poco caminaban separados. Por un lado, IA generativa, la misma familia de técnicas que hay detrás de generadores de imágenes como DALL E. Por otro, datos basados en física, que anclan las predicciones en las leyes que gobiernan la atmósfera y el océano. La unión busca lo mejor de ambos: velocidad y rigor físico.

La ventaja más transformadora no es solo la rapidez, sino quién puede usarlo. Los modelos climáticos punteros actuales necesitan supercomputadores, una infraestructura al alcance de muy pocas instituciones. Spherical DYffusion, en cambio, puede correr en clústeres de GPU de un laboratorio, un recurso mucho más común.

Esa diferencia democratiza el modelado climático. Centros de investigación, universidades y grupos sin acceso a supercomputación podrían estudiar el clima con herramientas que antes estaban reservadas a un puñado de instituciones. Abrir esa puerta amplía quién participa en la ciencia del clima, y eso tiene valor más allá de lo técnico.

El interés práctico está en el número de escenarios que se pueden explorar. Cuando una simulación cuesta semanas, los investigadores se limitan a unos pocos experimentos. Cuando cuesta horas y cabe en hardware asequible, se pueden probar muchas más hipótesis, comparar variantes y afinar la comprensión de un sistema tan complejo como el clima.

El trabajo se presentó en la conferencia NeurIPS de 2024, uno de los foros de referencia en aprendizaje automático. Que un avance de modelado climático aparezca allí refleja hasta qué punto la IA y las ciencias de la Tierra se están entrelazando, con investigadores de ambos mundos colaborando en problemas compartidos.

Conviene situarlo en su categoría correcta. No es una predicción del tiempo de mañana ni una afirmación sobre el futuro del planeta, sino una herramienta para simular patrones de forma más rápida y barata. Su impacto es indirecto pero profundo: mejora la maquinaria con la que se hace la ciencia, no el titular del telediario.

Las cautelas son las propias de cualquier modelo. Acelerar las simulaciones no las hace automáticamente más exactas, y la validación frente a observaciones y frente a los modelos físicos tradicionales sigue siendo imprescindible. La velocidad es un medio para investigar mejor, no una garantía de mejores respuestas por sí sola.

En conjunto, Spherical DYffusion es uno de esos avances de infraestructura que rara vez ocupan portadas pero que mueven un campo. Acelerar y abaratar las simulaciones climáticas, y ponerlas al alcance de más instituciones, es exactamente el tipo de progreso silencioso que termina importando. El siguiente paso será ver cuánto lo adopta la comunidad.