L'IA de Google DeepMind a donné à la Jamaïque un jour supplémentaire pour se préparer à un ouragan de catégorie 5

Points clés

• Le modèle WeatherNext de Google DeepMind a prédit que l'ouragan Melissa frapperait la Jamaïque en tant qu'ouragan de catégorie 5 cinq jours avant la catastrophe, avec une confiance de 80 pour cent.
• En moyenne, WeatherNext donne aux prévisionnistes un jour complet supplémentaire d'avertissement précis par rapport aux modèles existants, selon un article publié dans Nature jeudi.
• Le modèle a généré 1 000 scénarios de tempête possibles à la fois, un volume que l'informatique traditionnelle ne peut pas égaler.
• DeepMind diffuse les modèles WeatherNext en tant que logiciel libre afin que les chercheurs externes puissent les étudier et les améliorer.
• Même les développeurs du modèle ne peuvent pas entièrement expliquer comment il réussit sa précision en utilisant des données d'entrée de qualité inférieure à celles que les prévisions traditionnelles nécessitent.

En octobre 2025, une tempête s'est formée tranquillement sur les Caraïbes. Les modèles météorologiques traditionnels n'étaient pas d'accord : resterait-elle faible et se dirigerait-elle vers Haïti, ou se renforcerait-elle et se tournerait-elle vers la Jamaïque ? WeatherNext, un système de prévision IA créé par les divisions Google DeepMind et Google Research, a fermement soutenu la deuxième option. Cinq jours avant que la tempête ne frappe les côtes, il a signalé une probabilité de 80 pour cent qu'un ouragan de catégorie 5, la classe la plus destructrice, frappe la Jamaïque.

Il avait raison. L'ouragan Melissa a provoqué des inondations et des glissements de terrain dans toute l'île. Mais l'avertissement précoce a donné aux communautés plus de temps pour se préparer.

Qu'est-ce qui rend cela différent des prévisions météorologiques ordinaires ?

WeatherNext achète aux prévisionnistes environ un jour supplémentaire d'avertissement fiable. Cela signifie que sa prévision de trois jours est à peu près aussi précise que les prévisions de deux jours des anciens modèles. Historiquement, selon les chercheurs, gagner ce seul jour aurait pris une décennie de travail scientifique graduel.

Mike Brennan, directeur du Centre national des ouragans américain, l'a dit simplement : « Le temps est vraiment précieux quand il s'agit de ces types de décisions. »

Organiser des évacuations et déplacer des fournitures sont des tâches sensibles au facteur temps. Les mal exécuter coûte des vies. Un jour supplémentaire a une importance énorme.

Pourquoi les ouragans sont-ils si difficiles à prévoir en premier lieu ?

Deux choses doivent être prédites à la fois, et elles exigent des types de données très différents. Suivre la direction d'une tempête nécessite des données météorologiques d'envergure mondiale : positions des fronts froids, régimes de vent dans les bassins océaniques entiers. Prédire la force que la tempête atteindra nécessite des données locales détaillées sur la température de l'océan et l'atmosphère directement au-dessus de la tempête. Les anciens modèles d'IA géraient le suivi raisonnablement bien. L'intensité, selon Kate Musgrave, responsable du groupe des cyclones tropicaux à l'Institut coopératif de recherche sur l'atmosphère et co-auteur de l'article, « ils ne pouvaient pas bien la faire du tout. »

L'équipe de DeepMind a résolu cela en partie en entraînant WeatherNext sur des volumes énormes de données météorologiques générales aux côtés de l'ensemble beaucoup plus petit de dossiers historiques des cyclones. Le modèle a d'abord appris les régimes atmosphériques larges, puis a appliqué cette connaissance aux tempêtes.

Le tournant le plus étrange : le système utilise des données d'entrée de résolution inférieure à celle que les modèles traditionnels considèrent comme nécessaire pour les prévisions d'intensité, et il les surpasse toujours. Quand l'équipe l'a dit aux autres scientifiques, « ils ont été choqués », dit Ferran Alet, chercheur scientifique à Google DeepMind et auteur principal de l'article. Quelque chose dans les données plus grossières porte un signal plus utile que quiconque l'avait soupçonné auparavant. Personne ne sait encore quoi.

« C'est une boîte noire à la fin de la journée », reconnaît Alet.

Que se passe-t-il ensuite ?

DeepMind rend les modèles WeatherNext libres d'accès afin que les chercheurs indépendants puissent les examiner et, potentiellement, découvrir ce que l'IA a repéré que les physiciens humains ont manqué.

Le modèle génère maintenant 1 000 scénarios de tempête possibles pour chaque ouragan en développement, contre 50 l'année dernière. Les modèles numériques traditionnels, qui exécutent des équations de physique étape par étape, ne peuvent pas s'en approcher avec la puissance informatique disponible.

Brennan est lucide quant aux limites. Aucun modèle unique n'est garanti de performer au mieux dans chaque saison future. Les experts humains traduisent toujours les prévisions brutes en évaluations d'impact, la partie qui détermine finalement comment les communautés réagissent. « Ce sont les impacts qui tuent les gens », dit-il.

WeatherNext est un instrument plus affûté dans une large gamme d'outils. Ce n'est pas un remplacement pour les personnes qui l'utilisent.