L'IA qui a vu un ouragan de catégorie 5 une semaine à l'avance : dans la révolution météorologique de DeepMind

Quand un ouragan se dirige vers la terre ferme, le temps est tout : un seul jour d'avertissement supplémentaire permet de dégager les routes, de vider les hôpitaux, d'ouvrir les abris. Nous savons calculer la seconde exacte d'un lever de soleil à mille ans d'écart, mais connaître avec certitude la météo de la semaine prochaine reste l'un des problèmes les plus tenaces de la physique. Une infime oscillation de la pression atmosphérique d'aujourd'hui peut se transformer en tempête majeure une semaine plus tard : le célèbre effet papillon incarné.

Google DeepMind se débat avec ce problème depuis des années : un périple commencé en 2020 avec des modèles lisant des images satellite pour les précipitations à court terme et qui aboutit aujourd'hui à WeatherNext, qui prédit toute la planète heure par heure. L'invité du podcast est Peter Battaglia, directeur de recherche senior chez DeepMind. L'animatrice Hannah Fry ouvre avec un cas concret : l'ouragan Melissa.

Melissa est née en octobre 2025 comme une petite perturbation atlantique et est restée anormalement petite pendant un certain temps ; de tels systèmes peuvent puiser leur énergie dans des mers chaudes et se transformer en tempêtes les plus dangereuses. Environ une semaine avant l'impact, le modèle de DeepMind a commencé à affirmer que ce système atteindrait la catégorie 5. À ce moment-là, il n'y avait même pas de tempête tropicale, très probablement seulement une perturbation de niveau dépression tropicale. La communauté météorologique sur X a d'abord remarqué la persistance du modèle.

D'autres simulations observaient la même zone océanique ; certaines voyaient une intensification, mais aucune ne conciliait à la fois la même confiance, la même trajectoire et la même intensité. Le samedi, le National Hurricane Center a émis une alerte de catégorie 5 alors que le système n'était même pas de catégorie 1 : catégorie 5 d'ici lundi, impact d'ici mardi. Cela a offert aux localités environ trois jours de temps de préparation.

Le bilan fut lourd : Melissa a touché terre dans l'ouest de la Jamaïque le 28 octobre avec des vents de 297 km/h, et 45 décès confirmés ont été recensés. La vidéo cite un chiffre précoce plus élevé, tandis que des rapports indépendants ont documenté 45 morts en Jamaïque plus des disparus. Selon le Centre, c'était leur première prévision de catégorie 5 émise à partir d'une intensité de départ aussi faible. Les prévisionnistes ont déclaré que le suivi des scores de confiance du modèle, approchant 80 %, avait renforcé leur propre confiance.

Fry pose ici la question clé : le modèle d'IA détient-il un avantage structurel dans la prévision des ouragans à long terme, ou obtient-il des réponses différentes simplement en faisant quelque chose de différent ? La réponse de Battaglia est limpide : la physique qui a opéré dans le passé opérera dans le futur. Avec suffisamment de données historiques et des modèles capables de lire la structure fine entre les entrées et les futurs, les prévisions s'affinent naturellement. Aucune magie n'est à l'œuvre, seulement la discipline des données et la qualité de la modélisation.

Le cas n'est pas resté une simple réussite isolée ; l'équipe a transformé la prévision des cyclones en un produit dédié. Quatre années de modèles mondiaux prévoyant la surface et l'atmosphère jusqu'à 10-15 jours ont d'abord mûri, puis une équipe spécialisée a consacré environ deux ans aux seuls cyclones tropicaux. Des partenariats avec des universitaires et des centres opérationnels ont été établis, avec des mois d'essais en tant que testeurs de confiance. Les évaluations expérimentales ont montré environ un jour de précision gagné : comme déplacer la performance d'une prévision à deux jours vers trois jours. Les prévisions en direct apparaissent sur le site Weather Lab aux côtés des variables de température et de vent ; chacun peut accéder au même modèle via le flux WeatherNext ou l'application météo de son téléphone.

Pourquoi la prévision devient-elle plus urgente ? La réponse tient à la physique : la météo, c'est de l'énergie. Le soleil transporte de l'énergie électromagnétique, le vent de l'énergie mécanique, la température de l'énergie cinétique ; une planète plus chaude signifie plus d'énergie, et plus d'énergie signifie une météo plus intense. La liste des années les plus chaudes, remplie par les 10-15 dernières années, se lit en écho aux incendies de forêt et aux inondations.

Alors pourquoi la pluie de mercredi prochain reste-t-elle une énigme malgré toute cette puissance scientifique ? Parce que les petites choses provoquent de grands effets, et que nous ne pouvons observer chaque papillon. Les limites de l'observation se convertissent en limites de la prédiction. Mais le tableau n'est pas désespéré : les processus importants laissent de petites traces, des miettes statistiques. L'analogie de l'étang de Battaglia marque les esprits : le petit cercle d'un caillou annonce la grande vague qui atteindra le rivage, et l'apprentissage automatique a précisément pour métier de lire ces cercles.

Pourquoi un laboratoire d'IA entrerait-il dans le secteur de la météo ? Battaglia donne deux raisons. D'abord, la mission : la prévision météorologique est le plus ancien problème de prédiction de la science et touche la vie de chacun au quotidien ; elle n'a rien d'abstrait, elle est universelle. Ensuite, des raisons personnelles et techniques : l'équipe avait passé des années sur l'apprentissage automatique pour la simulation des fluides, et l'atmosphère est un gigantesque problème de fluide. De surcroît, le Centre européen pour les prévisions météorologiques à moyen terme détenait des enregistrements prêts à l'emploi couvrant des décennies : un ajustement parfait pour l'apprentissage automatique.

Battaglia explique aussi la méthode classique : la prévision numérique du temps est une boucle de superordinateur qui prend l'estimation actuelle de la météo, calcule quelques heures à l'avance comme approximation des équations du mouvement des fluides, et réinjecte sa sortie. L'effet papillon plus le couplage multi-échelles rendent les solutions exactes impossibles, donc on utilise des approximations grossières à échelle floue. Même ainsi, c'est un triomphe scientifique et technique de plusieurs décennies : l'horizon est passé d'un jour ou deux à deux semaines.

Ce que fait l'IA est conceptuellement familier : observer comment la météo passée s'est déroulée dans le temps, apprendre les motifs statistiques, extrapoler vers l'avant. Battaglia le compare à l'ajustement d'une droite sur des nombres, sauf que la droite est d'une complexité énorme et les données immenses. Le parcours s'est déroulé en trois phases : d'abord l'apprentissage automatique a complété les modèles numériques, puis sont venus les modèles d'images régionaux, et dans la troisième phase des modèles simulant la planète entière. GraphCast a été le pionnier de cette troisième phase : prendre la météo du globe entier et prévoir jusqu'à dix jours.

La mécanique de GraphCast est élégante : le modèle prend l'état complet de la météo mondiale et applique la même opération locale apprise partout, reflétant le fait que la physique est la même partout. Puis il fusionne cela en une représentation à l'échelle planétaire et prédit en redescendant au niveau local, disons Londres. Le côté ouest d'un ouragan de cent kilomètres en dit long sur le futur du côté est, et voir la tempête dans une seule représentation permet au modèle d'en tirer parti. La prédiction classique reste locale tandis que l'IA lit aussi la grande échelle ; c'est en grande partie là que naît l'écart.

Puis les prévisions sont devenues probabilistes. Un modèle déterministe donne une réponse par entrée ; un modèle probabiliste produit des centaines de scénarios montrant la distribution des futurs probables. Pour les événements extrêmes, c'est vital : même un scénario à 5-10 % mérite une préparation. Le cône des ouragans et les diagrammes en spaghettis à la télévision sont le langage visuel de cette idée. GenCast, arrivé vers 2023 après GraphCast, visait la diversité des scénarios plutôt que la moyenne, et c'est là que la barre s'est élevée pour la prédiction des événements extrêmes.

Deux techniques génèrent cette diversité. D'abord, les modèles de diffusion connus de la génération vidéo : en descendant d'une image très bruitée vers une image météo, chaque départ différent aboutit à un scénario légèrement différent. Ensuite, l'invention propre à l'équipe, les réseaux génératifs fonctionnels : en perturbant légèrement les poids du réseau tout en essayant des centaines de scénarios d'entrée. Dans la formulation de Battaglia, chaque exécution demande « et si le papillon était par ici » ; des centaines d'exécutions révèlent le futur le plus probable. Dans le cas de Melissa, les lignes qui se chevauchent se lisent comme la confiance du modèle, les lignes dispersées comme son humilité.

WeatherNext 3, lui, reconstruit la chaîne de valeur. Les données satellite brutes devenaient auparavant une estimation de la météo actuelle, un modèle opérationnel tournait, puis suivaient des modèles spécifiques à chaque application ; Battaglia appelle cela l'arbre météo : les racines sont les données, le tronc est le modèle, les branches sont les applications, les feuilles sont l'écran du téléphone. Le nouveau modèle va de la racine à la feuille en une seule architecture : images satellite brutes en entrée, mesures de stations comme les relevés d'aéroports directement en sortie. Les prévisions se rafraîchissent toutes les heures au lieu de toutes les six heures, à plus haute résolution. Annoncé en septembre 2026, le modèle consomme des données satellite en temps réel et alimente aussi les produits de recherche et de cartographie.

Le bénéfice énergétique est concret : la prévision de charge, c'est-à-dire la prédiction de la demande d'électricité, repose fortement sur la température, avec des chauffages qui sollicitent les réseaux dans le froid et des climatiseurs dans la chaleur. Côté offre, on surveille la vitesse du vent et l'ensoleillement. Les nouvelles variables éolien et solaire du modèle anticipent l'offre, tandis que la température et l'humidité à haute résolution anticipent la demande. La planification des réseaux est alimentée des deux côtés.

Côté agriculture, les cultivateurs sont la plus ancienne classe de prévisionnistes : les décisions de semis et de récolte dépendent de la température et de la pluie. Des horizons comme les précipitations hebdomadaires ou la température moyenne mensuelle peuvent même changer le choix des semences. Côté architecture, toutes les nouveautés n'ont pas pesé le même poids : ajouter les variables solaire et éolienne était relativement facile, tandis que l'entrée satellite et la sortie station exigeaient un changement structurel profond. Le bilan des performances reste honnête : GraphCast et GenCast ont été les premières grandes victoires en prévision déterministe et probabiliste ; trajectoire et intensité se sont rencontrées dans un modèle cyclonique unique, mais les différences de bassin et régionales comptent pour les décideurs, donc aucune affirmation unilatérale du type « nous sommes les meilleurs » n'est avancée.

Le régime d'erreur sépare les deux camps : dans les méthodes classiques, une petite erreur peut croître et exploser, car les équations ne disent jamais « retour à la météo normale ». Les modèles d'IA régressent vers la moyenne quand ils se trompent, se comportant comme la saisonnalité, la plus ancienne méthode de prévision qui soit. Là réside le paradoxe : comment un modèle qui revient à la moyenne peut-il attraper des tempêtes plus fortes que tout ce qui a été vu ? La théorie de la mosaïque répond : le modèle n'a jamais vu cette tempête, mais il a vu les pièces dans d'autres coins de la planète et a fusionné des statistiques locales en un ensemble inédit. Néanmoins, les régimes à peu d'exemples comme la mousson annuelle restent un problème ouvert d'efficacité d'apprentissage. La prévision d'impact attend à l'horizon : prédire non pas le vent, mais les dégâts que le vent cause aux lignes électriques. La physique n'est pas abandonnée, seulement la manière de résoudre ses équations ; ce qui établit la vérité, ce n'est pas l'interprétation, mais la discipline de l'évaluation.