Rémi Lam había oído hablar sobre los microclimas de San Francisco, pero no comprendió su peculiaridad hasta que se mudó allí este año. "La calle en la que vivo puede estar nublada, mientras que a solo dos cuadras está soleado", dice. Las predicciones del tiempo para la ciudad pueden ser muy inexactas dependiendo de la ubicación. Incluso las previsiones meteorológicas avanzadas no pueden predecir con precisión los microclimas a lo largo de la ciudad. Como investigador en Google DeepMind en Londres, Lam se ha concentrado extensamente en el clima y las predicciones meteorológicas. Es un líder en el uso del aprendizaje automático para mejorar las predicciones del tiempo, un campo que ha avanzado rápidamente en los últimos años con Lam y sus colegas al frente. No están solos en esta búsqueda. Varios grupos, incluyendo Microsoft, Nvidia, Huawei y el Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF) en Reading, Reino Unido, están compitiendo para desarrollar previsiones meteorológicas asistidas por IA. Durante gran parte de este año, GraphCast, un proyecto impulsado por Lam, se ha destacado en precisión (R. Lam et al. Science 382, 1416–1421; 2023). "GraphCast elevó el listón de la habilidad de predicción", dice Matthew Chantry, líder en predicciones meteorológicas basadas en IA del ECMWF. Las predicciones meteorológicas tradicionales son programas complejos que simulan la evolución atmosférica de la Tierra basados en la dinámica del aire, calor y vapor de agua.

GraphCast, una red neuronal artificial estructurada como una cuadrícula global, se 'entrenó' con medidas atmosféricas reales sin leyes físicas explícitas. Sorprendentemente, sus predicciones superaron a las convencionales. "Me sorprendió que superara a las predicciones basadas en física tan rápidamente", dice Lam. Aunque entrenar la IA requiere un alto cómputo, sus previsiones se ejecutan en menos de un minuto en un ordenador de escritorio avanzado, mucho más rápido que las horas necesarias para las previsiones convencionales de supercomputadoras. Nacido en un suburbio de París en 1988, Lam se formó como ingeniero aeroespacial en Francia y Estados Unidos. Su experiencia en modelado estadístico de la mecánica de fluidos resultó valiosa para aplicaciones de IA. DeepMind, con su misión de abordar desafíos científicos, era un encaje perfecto. "No hay un lugar mejor para el aprendizaje automático", dice. María Molina, una científica atmosférica en la Universidad de Maryland en College Park que aplica IA a la modelización meteorológica y climática, aprecia los esfuerzos de Google por hacer que sus modelos meteorológicos sean accesibles al público hasta ahora. Expresa una preocupación sobre la accesibilidad futura, afirmando: "¿Cuándo podría terminar esa buena voluntad?" Podría ser problemático si las empresas monopolizan las mejores predicciones, especialmente para eventos climatológicos extremos. "El acceso a información que salva vidas nunca debería depender del pago público. "