Google elige 16 proyectos ambientales con IA en Asia-Pacífico

Google seleccionó dieciséis organizaciones para la primera cohorte de su aceleradora DeepMind AI for the Planet en Asia-Pacífico. Participan startups, organizaciones sin fines de lucro y equipos de investigación que aplicarán inteligencia artificial a biodiversidad, agricultura, resiliencia climática, ciudades y mercados de carbono.

También puede servirte: Google abre Fairwind para ciberdefensa con Gemini

El programa comienza con un campamento práctico en Singapur y se extenderá durante tres meses. Google promete acceso a su pila de IA, modelos especializados, mentoría y apoyo técnico. La selección es el hecho confirmado; el anuncio no presenta todavía reducciones de emisiones, mejoras de cosecha o especies protegidas atribuibles al programa.

Entre los modelos mencionados aparecen AlphaEarth Foundations, SpeciesNet, Perch, ForestCast y AnthroKrishi. Cada uno trabaja con señales distintas: imágenes satelitales, cámaras de fauna, sonidos, bosques o datos agrícolas. La utilidad depende de que los proyectos combinen esas salidas con observaciones locales y decisiones verificables.

La cartera puede ordenarse en cuatro grupos. El primero mide tierras y cultivos; el segundo vigila especies y hábitats; el tercero estima carbono y biochar; el cuarto optimiza energía urbana. Esta clasificación muestra diversidad, pero también impide usar una sola métrica para juzgar a toda la cohorte.

Nueve de las dieciséis iniciativas citadas en el anuncio se concentran en clima, carbono, agricultura o suelo. Otras trabajan sobre fauna, restauración y decisiones urbanas. El reparto revela que la convocatoria priorizó problemas medibles con sensores, satélites o registros geográficos, donde los modelos pueden contrastarse con terreno.

Una aceleradora aporta capacidad y contactos, no garantiza impacto. Para evaluar resultados harán falta líneas de base, áreas cubiertas, errores del modelo, cambios aplicados y beneficios persistentes. También será necesario distinguir una predicción más precisa de una intervención que efectivamente modifique una práctica ambiental.

En proyectos de créditos de carbono, la calidad depende de adicionalidad, permanencia y verificación independiente. En biodiversidad, contar animales o detectar sonidos no equivale por sí solo a recuperar una población. En agricultura, una recomendación útil debe mejorar rendimiento o resiliencia sin trasladar costos ambientales a otra zona.

El seguimiento más sólido comparará los objetivos iniciales con resultados publicados al finalizar los tres meses. Hasta entonces, el dato verificable es la composición de la cohorte y el tipo de apoyo anunciado. Las afirmaciones sobre escala o impacto futuro siguen siendo metas de cada participante.

La distribución geográfica también importa: soluciones entrenadas con datos de una región pueden degradarse en otra por nubes, estaciones, especies o prácticas agrícolas diferentes. Cada equipo debería publicar dónde funciona su sistema y dónde la evidencia todavía es insuficiente.

El programa menciona acceso a modelos de frontera, pero el valor no depende sólo de potencia de cómputo. Datos locales etiquetados, permisos de comunidades y capacidad para mantener el sistema después de la aceleradora pueden determinar si un prototipo sigue operativo.