La predicción meteorológica precisa y rápida y la modelización climática son objetivos universales en el desarrollo humano. Si bien la Predicción Numérica del Tiempo (NWP) sigue siendo el estándar de oro, enfrenta desafíos como las incertidumbres atmosféricas inherentes y los costos computacionales, especialmente en la era post-Moore. Con la llegada del aprendizaje profundo, el campo ha sido revolucionado a través de modelos impulsados por datos. Este documento revisa los modelos clave y los desarrollos significativos en la predicción meteorológica y la modelización climática impulsadas por datos. Proporciona una visión general de estos modelos, cubriendo aspectos como la selección de conjuntos de datos, el diseño del modelo, el proceso de entrenamiento, la aceleración computacional y la efectividad de la predicción. Los modelos impulsados por datos entrenados con datos de reanálisis pueden proporcionar pronósticos efectivos con una precisión (ACC) superior a 0.6 durante hasta 15 días a una resolución espacial de 0.25 grados. Estos modelos superan o igualan los métodos NWP más avanzados para el 90% de las variables, reduciendo el tiempo de generación de pronósticos de horas a segundos. Los modelos climáticos impulsados por datos pueden simular de manera confiable patrones climáticos durante décadas hasta 100 años, ofreciendo una magnitud de ahorros computacionales y un rendimiento competitivo. A pesar de sus ventajas, los métodos impulsados por datos tienen limitaciones, incluida la mala interpretabilidad, los desafíos en la evaluación de la incertidumbre del modelo y las predicciones conservadoras en casos extremos. La investigación futura debería centrarse en modelos más grandes, integrando más restricciones físicas y mejorando los métodos de evaluación.