Quand une dépression tropicale s’est formée au-dessus des Caraïbes en octobre 2025, les prévisionnistes qui la suivaient disposaient d’un outil que la plupart n’avaient jamais utilisé : un modèle d’apprentissage automatique de Google DeepMind. Ce modèle (officiellement publié dans Nature le 6 août) a annoncé le renforcement explosif de l’ouragan Melissa et son atterrissage sur la Jamaïque bien avant les systèmes conventionnels, donnant au National Hurricane Center suffisamment de préavis pour avertir les équipes sur le terrain. Le résultat a surpris les scientifiques de la météorologie moins parce que le modèle fonctionnait que par la manière dont il fonctionnait : WeatherNext atteint sa précision à partir d’entrées environ cent fois plus grossières que les grilles haute résolution auxquelles les prévisionnistes avaient appris à se fier.
La revendication principale est une journée d’alerte supplémentaire. Testé sur les cyclones de 2023 et 2024, les prévisions à trois jours de WeatherNext sont aussi précises que ce que l’état de l’art précédent obtenait à deux jours, tant sur l’erreur de trajectoire que sur la vitesse maximale des vents. DeepMind décrit ce gain comme l’équivalent de dix ans d’améliorations météorologiques livrées en une seule publication, une caractérisation que les tendances de précision des deux dernières décennies semblent confirmer. L’enjeu justifie le langage : les cyclones tropicaux ont coûté la vie à plus de 700 000 personnes et causé plus de 1 400 milliards de dollars de dégâts au cours des cinquante dernières années, et chaque heure supplémentaire de préavis est une heure d’évacuation.
Ce qui distingue le modèle, c’est qu’il dissout un clivage qui a organisé la prévision des cyclones pendant des décennies. Là où va une tempête est déterminé par des vents à l’échelle continentale, que les modèles globaux grossiers gèrent bien ; à quel point elle se renforce dépend de la dynamique thermique à petite échelle autour de l’œil, ce qui a généralement exigé des simulations locales dédiées à résolution bien plus fine. WeatherNext est un système unique qui prédit les trois à la fois (trajectoire, intensité et champ de vents), entraîné sur environ 20 téraoctets d’observations météorologiques mondiales, complétés par les relevés d’environ 5 000 tempêtes historiques tirés des archives IBTrACS. Une prévision à 15 jours s’achève en moins d’une minute sur un seul Tensor Processing Unit, une tâche qui peut monopoliser des superordinateurs fondés sur la physique pendant des jours, et chaque exécution peut être étendue en un ensemble de 1 000 membres, vingt fois l’échelle des versions précédentes, ce qui permet aux prévisionnistes d’évaluer des issues rares comme une intensification rapide soudaine.
Le paradoxe de la résolution est ce qui déstabilise le plus les météorologues. Les modèles d’intensité conventionnels exigent des grilles fines ; WeatherNext travaille avec des cellules de 28 kilomètres (111 kilomètres dans sa variante miniature) et gagne quand même. DeepMind concède ne pas pouvoir expliquer entièrement pourquoi, et les chercheurs indépendants divergent sur les implications. Certains décrivent le bouleversement le plus rapide qu’ils aient vu en météorologie, les systèmes d’IA étant souvent plus rapides, moins coûteux et au moins aussi précis que leurs homologues fondés sur la physique, tout en craignant que la discipline échange l’expertise météorologique contre des compétences en science des données au moment même où le jugement compte le plus. D’autres avertissent que les modèles construits sur les tempêtes passées échoueront face à des événements véritablement anormaux, sans précédent dans les données d’entraînement, et que laisser dépérir les modèles météorologiques fondés sur la physique nuirait aussi à la science du climat, car les deux familles partagent l’essentiel de leur code.
La publication est aussi un test d’ouverture. DeepMind a publié le code et les poids de trois variantes (WeatherNext Cyclones, WeatherNext 2 et la mini version exécutable dans Colab) sous licence Apache 2.0, avec des sorties en direct sur son Weather Lab actualisé. La collaboration à l’origine du modèle, qui réunit le National Hurricane Center, la CIRA et l’UK Met Office, dessine la division du travail envisagée : l’apprentissage automatique génère les probabilités, et les prévisionnistes humains, qui émettent toujours les avertissements officiels, décident de ce qu’elles signifient. Pour les communautés côtières, les assureurs et les planificateurs d’urgence, la journée supplémentaire est le résultat attendu. Pour la communauté scientifique, l’énigme la plus profonde est de savoir pourquoi un modèle qui voit moins peut prédire plus, et si cet avantage survivra à l’ère des tempêtes que nous n’avons jamais vues.
Sources : DeepMind’s hurricane breakthrough has surprised weather scientists (Ars Technica, 6 août 2026) ; WeatherNext: AI model achieves breakthrough in forecasting cyclones (Google DeepMind, 6 août 2026) ; DeepMind AI gives an extra day of warning ahead of deadly cyclones (New Scientist, 6 août 2026) ; WeatherNext cyclone study (Nature, 6 août 2026) ; DeepMind’s WeatherNext Gets a Full Extra Day on Cyclones (ExplainX, 7 août 2026) ; DeepMind opens WeatherNext, buys forecasters a day on cyclones (AI Weekly, 6 août 2026)
Traduit par Lydie