En octobre 2025, une tempête couvait dans la mer des Caraïbes, et les modèles météorologiques étaient en désaccord. Allait-elle s'évanouir au-dessus d'Haïti, ou se transformer en monstre et se diriger vers la Jamaïque ? Entrez WeatherNext, le modèle d'IA de Google DeepMind, qui a prédit avec confiance cette dernière option - cinq jours avant l'atterrissage, il a affirmé avec 80 % de confiance que la tempête frapperait la Jamaïque en tant qu'ouragan de catégorie 5.

L'ouragan Melissa a fait exactement cela, semant le chaos avec des inondations et des glissements de terrain à travers la Jamaïque. Mais grâce à l'alerte précoce de l'IA, les communautés ont eu plus de temps pour se préparer. Selon un article publié jeudi dans Nature, WeatherNext donne aux prévisionnistes en moyenne un jour supplémentaire de délai - ses prédictions à trois jours sont aussi précises que celles des modèles précédents à deux jours. Comme le dit Mike Brennan, directeur du Centre national des ouragans des États-Unis, « Le temps est vraiment de l'or ». En effet, lorsque vous organisez des fournitures et évacuez des personnes, un jour supplémentaire est pratiquement un luxe.

Historiquement, gagner un jour de précision de prévision prenait une décennie de travail. Alors, quel est le secret ? Entraîner une IA sur de nombreuses données météorologiques, même si les données sur les cyclones sont rares. Comme l'explique Ferran Alet, chercheur scientifique chez DeepMind, « Nous n'avons pas beaucoup de données sur les cyclones, mais nous avons beaucoup de données météorologiques ». Ils ont donc entraîné un modèle pour être bon dans les deux.

Les ouragans sont délicats car ils opèrent à plusieurs échelles - la prédiction de la trajectoire nécessite des données globales, tandis que l'intensité nécessite des détails locaux. Les premiers modèles d'IA pouvaient réussir la trajectoire mais échouaient sur l'intensité. WeatherNext, cependant, fait les deux, et il a même surpris les chercheurs. « Je pense que tout le monde a été surpris de voir à quel point il a bien fonctionné », dit Kate Musgrave, co-auteure et responsable des cyclones tropicaux. Le modèle était si bon dans les tests rétrospectifs qu'ils étaient sceptiques quant à son fonctionnement en temps réel. Il l'a fait.

Voici le hic : l'IA utilise des données à plus basse résolution que les modèles traditionnels, et pourtant elle excelle toujours. Cela a intrigué les scientifiques, car cela suggère que les entrées à plus basse résolution contiennent plus de signal qu'on ne le croyait auparavant. Alet admet : « C'est une boîte noire en fin de compte », mais cela pourrait indiquer une physique que nous ne comprenons pas encore.

Le modèle génère également une gamme de scénarios - l'année dernière, 50 par tempête ; maintenant, 1 000 - pour capturer les effets papillon potentiels. C'est quelque chose que les modèles traditionnels ne peuvent pas faire avec la puissance de calcul actuelle. Brennan, cependant, met en garde que WeatherNext n'est qu'un outil, et que l'expertise humaine reste vitale. Après tout, « ce sont les impacts qui tuent les gens », pas seulement la prévision.

DeepMind met les modèles en open source, espérant que les chercheurs pourront découvrir de nouvelles perspectives. Alet est enthousiaste : « Je pense que l'IA nous donne de nouveaux outils pour sonder les lois de l'univers ». Et peut-être, juste peut-être, nous garder une longueur d'avance sur la prochaine colère de la météo.