Une tempête se forme au-dessus des Caraïbes. Les modèles météorologiques divergent quant à sa trajectoire et à sa future intensité. Cinq jours avant l’impact, un modèle d’IA prédit, avec une certitude de 80 %, que le système frappera la Jamaïque en tant d’ouragan de catégorie 5. Cette prédiction s’avère exacte. La tempête, l’ouragan Melissa, provoque des inondations et des glissements de terrain généralisés, mais les communautés reçoivent des alertes plus tôt qu’il n’aurait été possible avec les outils de prévision traditionnels. Il ne s’agit pas d’un scénario hypothétique. C’est ce qui s’est produit en octobre 2025, marquant un tournant dans la manière dont l’intelligence artificielle est appliquée à l’un des problèmes de prévision les plus cruciaux de la science.
L’avantage d’un jour qu’il a fallu une décennie pour acquérir
Le modèle WeatherNext, développé par Google DeepMind et Google Research, fournit des prévisions de cyclones avec un délai d’anticipation supérieur d’une journée entière en moyenne par rapport aux modèles existants. Pour vous donner une idée : ses prévisions à trois jours sont aussi précises que les prévisions à deux jours des modèles précédents. Ce seul jour de délai d’alerte supplémentaire n’est pas une simple amélioration technique mineure. Historiquement, progresser d’un jour dans la précision des prévisions aurait nécessité environ une décennie de travail scientifique cumulé, selon les chercheurs à l’origine du modèle.
Mike Brennan, directeur du US National Hurricane Center, pose clairement les enjeux. Il faut organiser des évacuations. Il faut acheminer des approvisionnements. Il faut positionner des ressources. Chacune de ces tâches est sensible au temps, et agir sur la base d’une prévision erronée comporte de graves conséquences. « Le temps est vraiment précieux lorsqu’il s’agit de ce type de décisions », a déclaré Mike Brennan. Un jour de plus n’améliore pas seulement un chiffre sur un graphique de performance. Cela change ce qui est opérationnellement possible pour les personnes chargées de protéger des vies.
Le problème de l’intensité qui a déconcerté les anciens modèles
La prévision de la trajectoire, c’est-à-dire la direction empruntée par une tempête, est depuis un certain temps un point fort des modèles météorologiques d’IA. La prévision de l’intensité est une tout autre affaire. Les ouragans opèrent simultanément à plusieurs échelles spatiales. Prévoir la trajectoire d’une tempête nécessite des données atmosphériques à l’échelle mondiale : fronts froids, vents dominants, systèmes de pression à grande échelle. Prévoir l’intensité que prendra une tempête exige des données locales et fines sur les conditions atmosphériques et océaniques au cœur de la tempête.
Les modèles d’IA précédents géraient assez bien la trajectoire. L’intensité, comme l’explique Kate Musgrave, responsable du groupe des cyclones tropicaux au Cooperative Institute for Research in the Atmosphere et co-auteur de l’étude, « ils ne parvenaient pas du tout à la maîtriser ». Cette distinction a une importance capitale en pratique. Une tempête qui semble gérable en catégorie 1 peut s’intensifier rapidement du jour au lendemain pour devenir une urgence de catégorie 5. L’ouragan Melissa a illustré exactement ce scénario, et il a marqué la première fois que le National Hurricane Center a été en mesure de prédire un ouragan de catégorie 5 alors que la tempête était encore à l’intensité de catégorie 1.
Ce qui rend les performances de WeatherNext en matière d’intensité particulièrement déconcertantes pour les chercheurs, c’est qu’il atteint cette précision en utilisant des données atmosphériques de plus basse résolution que celles exigées par les modèles traditionnels. Lorsque la communauté scientifique dans son ensemble l’a su, la réaction a été la surprise. L’hypothèse était que la prévision fine de l’intensité exigeait des données d’entrée fines. WeatherNext semble extraire un signal pertinent à partir d’entrées plus grossières de manières encore incomprises. « En fin de compte, c’est une boîte noire », déclare Ferran Alet, chercheur scientifique chez Google DeepMind et l’un des principaux auteurs de l’article, « mais cela donne aux physiciens le signal qu’il se passe quelque chose qui n’était pas compris auparavant. »
Ce qu’une boîte noire enseigne à la science
C’est là que l’histoire devient intéressante au-delà de la météorologie. Le modèle WeatherNext ne produit pas une prévision unique. Il génère une gamme de scénarios potentiels pour chaque tempête en formation, capturant la sensibilité des systèmes complexes aux petites variations initiales. L’année dernière, il produisait 50 scénarios par tempête. Il en génère désormais 1 000. Ce volume de sorties probabilistes est tout simplement hors d’atteinte pour la modélisation numérique conventionnelle compte tenu des contraintes informatiques actuelles.
L’opacité du modèle est à la fois une limite et, de manière inattendue, un instrument scientifique. Les chercheurs ne comprennent pas entièrement pourquoi il fonctionne aussi bien. Mais le fait qu’il fonctionne, en utilisant des entrées que la communauté scientifique jugeait insuffisantes, est instructif en soi. Cela suggère que les données à plus basse résolution contiennent davantage de signaux prédictifs sur l’intensité des tempêtes qu’on ne le pensait. C’est une hypothèse qui mérite d’être étudiée, et c’est une hypothèse qui n’aurait pas émergé sans les performances aberrantes du modèle d’IA.
Google DeepMind a annoncé qu’il passait en open source les modèles WeatherNext utilisés pendant la saison des ouragans. L’objectif est de permettre à la communauté de recherche élargie de les examiner, de les utiliser et de s’appuyer sur eux. Ferran Alet a exprimé l’espoir que cette ouverture puisse générer de nouvelles perspectives scientifiques sur le comportement des cyclones, et pas seulement de meilleures prévisions.
Il convient de retenir l’analyse de Mike Brennan. Le modèle est un nouvel outil puissant, mais c’est un outil parmi d’autres. Aucun modèle unique ne garantit des performances supérieures pour chaque tempête ou chaque saison. L’expertise humaine reste essentielle, non pas parce que l’IA ne peut pas traiter les données, mais parce que traduire une prévision de trajectoire et d’intensité en évaluations d’impact exploitables exige un jugement qui va au-delà de la reconnaissance de formes. « Ce sont les impacts qui tuent les gens », note Mike Brennan. Ce travail de traduction appartient aux experts.
En bref
WeatherNext démontre que l’IA peut combler une lacune de longue date dans la prévision des ouragans, en particulier la difficulté de prédire les changements rapides d’intensité, tout en fonctionnant sur des données d’entrée que la science conventionnelle jugeait inadéquates. L’amélioration d’un jour du délai d’anticipation a un sens concret pour l’humain : elle élargit la fenêtre pour l’évacuation, la logistique et la préparation. La précision inexpliquée du modèle pointe également vers quelque chose de plus vaste. Lorsqu’un système d’IA surpasse les attentes en utilisant des méthodes que les scientifiques ne comprennent pas encore, la boîte noire devient un sujet de recherche. L’objectif n’est pas seulement de meilleures prévisions. C’est l’acquisition de nouvelles connaissances sur le fonctionnement des tempêtes.
D’après un reportage de Ars Technica.