El aprendizaje automático revoluciona la comprensión del sistema terrestre

Redacción HC
01/10/2025

La inteligencia artificial (IA) está transformando la ciencia del clima a un ritmo vertiginoso. El aprendizaje automático (machine learning, ML), una de las ramas más dinámicas de la IA, ya supera en muchos casos a los modelos físicos tradicionales de predicción meteorológica. Pero el verdadero debate no es solo su capacidad de pronosticar con mayor precisión: ¿puede esta revolución tecnológica impulsar una nueva era de comprensión teórica del sistema terrestre?

Este interrogante es el eje central del artículo de opinión “The work of thought” – The machine learning revolution can be a revolution for our understanding of the Earth System, publicado en PLOS Climate en 2025 (Oldham-Dorrington, Quinting y Sobolowski, 2025). El texto invita a repensar el papel del ML en la ciencia climática: de simple herramienta predictiva a motor de descubrimiento conceptual.

Una revolución que supera los límites de la predicción

Los avances en aprendizaje automático han permitido desarrollar modelos capaces de superar en precisión a los sistemas de predicción meteorológica más sofisticados, incluso utilizando hardware de consumo. Ejemplos emblemáticos incluyen el sistema AIFS del Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF) y el modelado de precipitaciones a escala de kilómetros. Estos modelos reducen drásticamente el costo computacional y aceleran los procesos de pronóstico.

Sin embargo, los autores advierten que el verdadero potencial del ML no se limita a pronosticar tormentas o temperaturas. Su mayor valor radica en la capacidad de generalizar: extraer patrones y comportamientos climáticos que vayan más allá de los datos históricos, incluso en escenarios de climas futuros o paleoclimas no observados. Dado que los registros de observación climática son limitados y no capturan todos los extremos posibles, este salto hacia la inferencia robusta se vuelve esencial.

El “trabajo del pensamiento”: un nuevo rol para la teoría física

Oldham-Dorrington y sus colegas proponen un modelo de retroalimentación positiva entre la teoría física y el aprendizaje automático. Lejos de desplazar a los modelos físicos, el ML puede estimular nuevas hipótesis científicas: los patrones detectados por algoritmos de datos pueden inspirar explicaciones causales, mientras que la teoría física ofrece criterios de validación y guías para el desarrollo de modelos.

En este nuevo paradigma, los modelos físicos conservan un papel clave: generar datos sintéticos para entrenar modelos de ML, proveer condiciones de frontera para la reducción de escala y facilitar la construcción de modelos híbridos que combinen la robustez teórica con la flexibilidad de la IA.

Desafío central: pruebas de generalización

Para que el ML se convierta en una herramienta fiable en ciencias climáticas, los autores subrayan la necesidad de crear pruebas estandarizadas de generalización. Estas evaluaciones deben comprobar si los modelos pueden reproducir fenómenos no observados, como la formación de huracanes inéditos o la dinámica caótica de los errores en la atmósfera.

Este enfoque no solo refuerza la confianza en las predicciones, sino que establece objetivos ambiciosos que impulsan la colaboración entre informáticos y climatólogos. Así, se fomenta la construcción de modelos no solo precisos, sino también explicativos y físicamente coherentes.

Impacto en políticas públicas y sociedad

La aplicación de modelos de ML robustos y generalizables tiene un enorme potencial para las políticas de adaptación al cambio climático. Predicciones más precisas de fenómenos extremos podrían mejorar la planificación agrícola, la gestión de recursos hídricos y la respuesta ante desastres naturales. En regiones vulnerables de América Latina, por ejemplo, estas herramientas podrían democratizar el acceso a información crítica a un costo reducido.

La colaboración interdisciplinaria se vuelve clave: la sinergia entre climatólogos e informáticos permitirá que el aprendizaje automático no solo prediga, sino que también ilumine los mecanismos fundamentales del sistema terrestre.

Conclusión: una nueva era para la ciencia del clima

El artículo de Oldham-Dorrington y sus coautores plantea un llamado a la acción: invertir en el desarrollo de pruebas de generalización y en la construcción de modelos híbridos que combinen la potencia del ML con la solidez de la teoría física. Esta “revolución del aprendizaje automático” no amenaza la ciencia del clima, sino que inaugura una etapa en la que las máquinas pueden ayudar a los humanos a realizar un auténtico “trabajo del pensamiento”, profundizando nuestra comprensión del planeta.

Temas relacionados

Clima