Google DeepMind a publié dans Nature un modèle IA qui prévoit la trajectoire, l’intensité et la structure du vent des cyclones tropicaux mieux que les méthodes météorologiques classiques. Les prévisions à trois jours de WeatherNext ont la même qualité que les systèmes précédents atteignaient à deux jours : un jour d’avertissement supplémentaire, que DeepMind compare à une décennie de progrès en météorologie.

Pourquoi cela te concerne. L’IA pénètre des domaines où la physique classique travaillait seule, et elle le fait avec des résultats mesurables sur un problème de vie ou de mort. Pendant la saison 2025, le modèle a aidé le National Hurricane Center à prévoir l’intensification rapide de l’ouragan Melissa et son arrivée en Jamaïque, permettant une alerte anticipée. Le pattern est celui qui revient dans les histoires d’IA appliquée qui comptent : le modèle donne aux météorologues plus de temps pour décider. DeepMind publie les poids de WeatherNext 2 et WeatherNext Cyclones en open source.

Si tu veux l’essayer. Les modèles ouverts se trouvent sur le blog de DeepMind. Pour ceux qui travaillent dans des domaines de prévision, le détail à étudier est l’ensemble de 1.000 scénarios par cyclone que WeatherNext génère pour soutenir les décisions des prévisionnistes.

En détail

La prévision météorologique traditionnelle résout les équations de la dynamique des fluides sur des supercalculateurs : tu prends les données actuelles (pression, température, vent) et tu calcules comment elles évoluent dans le temps. Plus la grille est fine, plus il faut de puissance de calcul. Les cyclones tropicaux sont difficiles à prévoir parce que leur intensité peut changer en quelques heures, et une erreur de 100 km sur la trajectoire change complètement qui doit évacuer. Selon les données citées dans l’article, les cyclones ont causé plus de 700.000 morts et 1.400 milliards de dollars de pertes économiques en 50 ans.

WeatherNext change d’approche. Au lieu de résoudre les équations étape par étape, le modèle apprend des décennies de données météorologiques historiques (réanalyses, prévisions passées, satellites) à reconnaître les patterns qui mènent à un certain développement. L’entraînement se fait sur les données de réanalyse, reconstructions cohérentes de l’état de l’atmosphère, et le modèle génère des prévisions qui rivalisent avec les systèmes numériques.

Le résultat central concerne les prévisions à trois jours. WeatherNext produit des prévisions à trois jours avec la même précision que les systèmes précédents atteignaient à deux jours. En termes pratiques : si avant tu avais 48 heures pour préparer l’évacuation, maintenant tu en as 72. DeepMind compare ce saut à une décennie de progrès en météorologie numérique.

L’aspect qui distingue WeatherNext est la collaboration avec les prévisionnistes. Pendant la saison 2025 des hurricanes, l’équipe a travaillé avec le National Hurricane Center, CIRA, le UK Met Office et des agences météorologiques de divers pays. L’ouragan Melissa est le cas emblématique : WeatherNext a prévu l’intensification rapide et l’arrivée en Jamaïque, permettant une alerte anticipée.

Cette année, le système génère 1.000 scénarios possibles pour chaque cyclone. C’est l’approche ensemble appliquée avec l’IA : au lieu d’une seule trajectoire, le modèle produit un éventail de trajectoires possibles avec leurs probabilités respectives. Pour un prévisionniste, cela signifie pouvoir communiquer la probabilité de différentes trajectoires : « il y a 70% de chance que ça frappe cette zone, 30% que ça aille ailleurs ».

DeepMind a mis en open source deux modèles : WeatherNext 2 (prévision générale) et WeatherNext Cyclones (spécialisé sur les cyclones). Les poids peuvent être téléchargés depuis le blog.

Ce qui reste ouvert. L’article est publié dans Nature, mais le blog ne rapporte pas les chiffres de benchmark sur les datasets publics standard. Il manque des détails sur le comportement du modèle en dehors de la saison des hurricanes, sur les cyclones extratropicaux, et sur la durabilité de l’avantage sur des échelles temporelles plus longues (5-7 jours). L’impact réel est documenté pour une saison et un ouragan : il faut plus de temps pour comprendre si l’avantage tient systématiquement.