En octobre 2025, un système dépressionnaire se formant au-dessus des Caraïbes aurait pu suivre deux trajectoires très différentes. Les modèles météorologiques traditionnels étaient en désaccord. Le modèle d’IA de Google DeepMind, WeatherNext, n’a pas hésité : cinq jours avant l’impact, il a prédit avec un niveau de confiance de 80 pour cent que la tempête frapperait la Jamaïque en tant qu’ouragan de catégorie 5. Il avait raison. L’ouragan Melissa a causé des inondations et des glissements de terrain généralisés à travers l’île, mais les communautés ont reçu des avertissements plus tôt qu’il n’aurait autrement été possible. Cette longueur d’avance provient d’un système qui, selon des recherches publiées dans Nature, peut offrir aux prévisionnistes en moyenne une journée complète de délai supplémentaire par rapport aux modèles existants.
Un jour de plus semble modeste. En matière de prévision d’ouragans, il n’en est rien.
L’écart entre trajectoire et intensité
Pendant des années, les modèles météorologiques d’IA ont montré de véritables promesses pour prédire la trajectoire d’une tempête, c’est-à-dire la direction qu’elle est susceptible d’emprunter. Cette partie du problème est relativement gérable : elle s’appuie sur des données atmosphériques à grande échelle, le genre de données que les modèles globaux gèrent bien. Les fronts froids, les vents dominants et les vastes systèmes de pression laissent tous des signaux clairs dans les données.
L’intensité est un problème totalement différent. Prédire la force que prendra une tempête nécessite de comprendre les conditions à une échelle spatiale beaucoup plus petite : les températures locales de l’océan, la dynamique atmosphérique proche du cœur de la tempête, et ces interactions subtiles que les modèles globaux ont tendance à lisser. Comme le formule Kate Musgrave, responsable du groupe sur les cyclones tropicaux au Cooperative Institute for Research in the Atmosphere et co-auteur de l’article de Nature, l’intensité est un domaine où les précédents modèles d’IA « ne parvenaient pas du tout à obtenir de bons résultats ».
C’est ce qui rend les performances de WeatherNext remarquables. Le modèle gère à la fois la trajectoire et l’intensité, et il le fait en utilisant des données atmosphériques de plus basse résolution que ce que les modèles numériques traditionnels exigent habituellement pour la prévision d’intensité. Lorsque l’équipe de recherche a révélé cela à la communauté météorologique élargie, la réaction a été la surprise. L’hypothèse était que des entrées à résolution grossière ne pouvaient tout simplement pas transporter suffisamment de signal pour prévoir de manière fiable l’intensité d’une tempête. WeatherNext suggère que cette hypothèse était fausse, bien que les chercheurs eux-mêmes ne puissent pas encore expliquer pourquoi. Ferran Alet, chercheur chez Google DeepMind et l’un des principaux auteurs de l’article, décrit le modèle simplement : « C’est une boîte noire en fin de compte. » Quelque chose dans les données de plus basse résolution apporte des informations d’une manière qui n’était pas comprise auparavant. La nature exacte de ce « quelque chose » reste une question ouverte.
Un millier de scénarios au lieu d’un seul
Une partie de ce qui rend le modèle utile sur le plan opérationnel réside non seulement dans sa précision sur une prévision unique, mais aussi dans la gamme de possibilités qu’il génère. Plutôt que de produire une seule prévision, WeatherNext génère de multiples scénarios potentiels pour une tempête en développement, capturant ce qu’Alet décrit comme « l’effet papillon » : de petits écarts initiaux qui peuvent se combiner pour donner des résultats radicalement différents. L’année dernière, le modèle générait 50 scénarios par tempête. Il en génère désormais 1 000. Ce volume de prévisions d’ensembles est hors de portée des modèles numériques traditionnels sur le plan informatique.
L’ouragan Melissa a également marqué un jalon spécifique : c’était la première fois que le National Hurricane Center parvenait à prédire un ouragan de catégorie 5 alors que la tempête n’était encore qu’au stade d’intensité de catégorie 1. Ce type de prévision d’intensité à un stade précoce est précisément ce que le modèle a été conçu pour améliorer.
Les performances ont résisté à des conditions réelles, ce qui n’était pas garanti. Avant que WeatherNext ne soit utilisé dans des prévisions en direct, les chercheurs l’ont testé sur des données historiques. Les résultats étaient suffisamment solides pour que l’équipe doute qu’ils se reproduisent en temps réel. Ils se sont reproduits. « Je pense que tout le monde a été surpris par ses excellentes performances », a déclaré Musgrave.
Pourquoi une seule journée change tout sur le terrain
La portée d’un jour de délai supplémentaire n’a rien d’abstrait. Mike Brennan, directeur du National Hurricane Center américain, décrit clairement les enjeux pratiques : organiser les évacuations, positionner les approvisionnements et acheminer les ressources d’urgence sont autant d’opérations sensibles au temps où une mauvaise décision entraîne de graves conséquences. Par le passé, l’amélioration de la précision des prévisions d’une seule journée aurait nécessité environ une décennie de travail progressif dans la modélisation traditionnelle. WeatherNext a compressé ce calendrier.
C’est là que la signification plus large de la technologie devient visible. L’IA ne remplace pas les prévisionnistes qui interprètent ces modèles ni les gestionnaires d’urgence qui agissent en fonction de ceux-ci. Brennan est explicite sur ce point : une prévision d’ouragan n’est pas seulement un chiffre de trajectoire ou d’intensité. Traduire ces données en une compréhension des impacts dans le monde réel, c’est-à-dire le type de jugement qui détermine la façon dont les communautés se préparent et réagissent, nécessite toujours une expertise humaine. Le modèle est un outil au sein d’un système plus vaste, et un outil puissant, mais la dimension humaine reste essentielle.
Google DeepMind a annoncé qu’il allait diffuser en open-source les modèles WeatherNext utilisés pendant la saison des ouragans, les rendant ainsi accessibles à la communauté de recherche élargie. Alet présente cela comme une opportunité non seulement pour de meilleures prévisions, mais aussi pour la découverte scientifique. Un modèle qui trouve un signal dans des données là où les physiciens ne s’attendaient pas à en trouver pourrait, une fois examiné de plus près, révéler quelque chose de véritablement nouveau sur le fonctionnement des cyclones.
En bref
WeatherNext offre aux prévisionnistes d’ouragans une moyenne d’un jour supplémentaire de délai précis, un gain qui aurait historiquement pris une décennie à être atteint par des méthodes conventionnelles. Il y parvient en gérant à la fois la trajectoire et l’intensité des tempêtes, en utilisant des données de plus basse résolution que ce que les experts croyaient possible. Le modèle génère 1 000 scénarios par tempête, capturant l’incertitude d’une manière que l’informatique traditionnelle ne peut égaler. Ce qu’il ne peut pas encore faire, c’est s’expliquer lui-même : le mécanisme derrière sa précision reste inconnu, ce qui constitue en soi un signal scientifique digne d’intérêt. Les prévisionnistes humains qui interprètent ses résultats demeurent indispensables.
D’après un reportage de Wired.