Le 6 août, DeepMind a publié dans Nature des résultats montrant que son modèle WeatherNext atteint une précision de pointe pour prévoir la trajectoire, l’intensité et la structure du vent des cyclones tropicaux, et que ses prévisions à trois jours égalent la précision que les modèles précédents n’obtenaient qu’à deux jours — soit environ 24 heures d’avertissement supplémentaires.
Un jour d’avertissement supplémentaire
WeatherNext produit un ensemble probabiliste de 15 jours composé de 1 000 scénarios et peut générer cet ensemble en moins d’une minute sur un seul Tensor Processing Unit. Les systèmes physiques opérationnels comparables exigeraient, eux, des heures de calcul sur un superordinateur. Plutôt qu’une prévision déterministe unique, WeatherNext fournit une distribution de probabilité sur 1 000 trajectoires cohérentes, ce qui aide à repérer des événements rares mais catastrophiques, comme une intensification rapide.
Performance et architecture de WeatherNext
Le modèle fonctionne avec des données d’entrée à 28 kilomètres ; une variante plus compacte accepte des entrées à 111 kilomètres. DeepMind note que la raison pour laquelle la précision se maintient malgré cette coarsening reste une question ouverte. WeatherNext s’appuie sur les travaux antérieurs de DeepMind, notamment GraphCast, un réseau de neurones graphes publié en 2023 qui surpassait le système opérationnel de l’ECMWF sur 90 % des variables testées, mais qui produisait des prévisions déterministes. WeatherNext utilise des Functional Generative Networks, une approche basée sur la diffusion qui échantillonne la distribution conjointe de trajectoires météorologiques globales sur 15 jours ; chaque membre de l’ensemble constitue un avenir alternatif dynamiquement cohérent, et non un simple bruit point par point.
Le système a été cotrainé sur environ 20 téraoctets de données atmosphériques globales et sur la base historique IBTrACS contenant près de 5 000 cyclones tropicaux. Historiquement, les agences de prévision maintenaient deux pipelines distincts — modèles globaux grossiers pour la trajectoire et modèles régionaux haute résolution pour l’intensité — alors que WeatherNext unifie ces tâches dans un seul modèle.
Preuve sur le terrain : l’ouragan Melissa
Pendant la saison cyclonique de l’Atlantique 2025, le National Hurricane Center a exécuté WeatherNext en parallèle des guidances opérationnelles et s’en est servi pour prévoir l’intensification rapide et l’atterrissage catastrophique de l’ouragan Melissa en Jamaïque. Melissa a frappé le sud-ouest de la Jamaïque le 28 octobre 2025 en catégorie 5, avec des vents soutenus de 185 miles par heure. Selon des évaluations du World Bank et de l’Inter-American Development Bank, les dégâts physiques s’élèvent à 8,8 milliards de dollars, soit l’équivalent de 41 % du PIB jamaïcain de 2024. La tempête a fait au moins 45 morts et déplacé des dizaines de milliers de personnes. L’avertissement anticipé a donné aux communautés du temps pour se préparer ; sans cet avertissement, le bilan humain aurait pu être plus lourd.
Licence ouverte, variantes et intégration
DeepMind a publié le code et les poids du modèle sur GitHub sous licence Apache 2.0, avec les documents d’accompagnement sous Creative Commons Attribution 4.0, autorisant l’usage commercial avec attribution — un changement par rapport aux précédentes publications météo de DeepMind qui portaient des restrictions non commerciales. Cette différence est importante pour les fournisseurs de prévisions, les traders de l’énergie et les assureurs, qui peuvent désormais intégrer la technologie dans des produits commerciaux.
Trois variantes sont proposées : WeatherNext Cyclones, WeatherNext 2 et WeatherNext 2‑mini, cette dernière pouvant s’exécuter dans un notebook Google Colab gratuit. Les sorties en direct sont accessibles via Weather Lab, la plateforme interactive de DeepMind intégrée à Google Earth AI. La famille de modèles est déjà en cours d’intégration dans des produits consommateurs de Google : Search, Gemini, Pixel Weather et la Maps Platform Weather API. DeepMind indique que cette approche pourrait être étendue à d’autres événements météorologiques extrêmes au-delà des cyclones tropicaux.
Limites et enjeux de déploiement
Si les systèmes d’alerte précoce ont été un facteur majeur de la division par trois de la mortalité liée aux cyclones ces cinquante dernières années, l’IA appliquée aux prévisions pourrait agir comme un multiplicateur supplémentaire. Les gains ne seront toutefois pas répartis de façon homogène : les pays les plus pauvres, moins bien équipés en infrastructures, subissent encore la plus grande part des impacts. L’ouverture des poids du modèle supprime une barrière technique ; le principal défi reste désormais le déploiement opérationnel et l’accès effectif à ces prévisions sur le terrain.
