Google DeepMind remporte le Gizmodo Science Fair 2026 pour avoir créé WeatherNext Cyclones, un modèle météo d’IA extrêmement précis qui offre aux prévisionnistes un jour d’alerte supplémentaire.
La question
Un seul modèle d’IA peut-il prévoir avec précision à la fois la trajectoire et l’intensité des cyclones tropicaux ?
Les résultats
Les météorologues s’appuient sur une diversité de modèles de prévision pour estimer et suivre les cyclones tropicaux, et l’émergence de l’IA a ouvert une toute nouvelle catégorie d’outils. Alors que les modèles physiques traditionnels reposent sur les lois de la physique, les modèles d’apprentissage automatique s’appuient sur l’IA et des données historiques pour extrapoler la formation des tempêtes, leur intensification et leurs déplacements.
Au cours des dernières années, les prévisionnistes ont adopté plusieurs de ces modèles, et leurs gains rapides en termes de vitesse et de performance les ont rendus extrêmement compétitifs face à même les modèles physiques les plus avancés. Mais après la saison des ouragans de 2025 dans l’Atlantique, l’un d’entre eux s’est clairement démarqué.
WeatherNext Cyclones, un modèle de prévision basé sur l’IA développé par Google DeepMind, a enregistré des performances exceptionnelles lors de sa première mise en service opérationnelle. Par exemple, le modèle a permis au National Hurricane Center (NHC) de prévoir l’intensification rapide et l’arrivée de l’ouragan Melissa en Jamaïque avec une confiance d’environ 80 % cinq jours à l’avance, augmentant à presque 100 % trois jours avant son passage.
« Nous avions évalué notre modèle en interne sur des prévisions historiques, et nous sommes très rigoureux dans nos évaluations. Mais même dans ce cadre, nous ne savions pas vraiment si nous pouvions croire ce que nous voyions », a déclaré le chercheur de DeepMind Tom Andersson à Gizmodo. « Voir les performances de notre modèle en temps réel sur des données qu’il n’avait jamais vues auparavant nous a franchement laissés bouche bée face à ses performances. »
Une étude publiée récemment dans la revue Nature démontre en effet que WeatherNext Cyclones atteint une précision d’avant-garde dans la prédiction de la trajectoire, de l’intensité et de la structure du vent autour d’un cyclone. L’équipe WeatherNext a collaboré avec des experts du NHC et d’autres institutions pour évaluer le modèle sur des données historiques couvrant 2023 à 2025 et a constaté qu’en moyenne, il offre un jour supplémentaire de précision prédictive.
C’est là une avancée majeure. Les chercheurs estiment que cette amélioration équivaut grossièrement aux progrès réalisés par les prévisions traditionnelles des ouragans au cours de la dernière décennie.
Pourquoi ils l’ont fait
Aux débuts du développement de la famille WeatherNext de modèles de prévision basés sur l’IA, « nous cherchions initialement à prévoir le temps quotidien, alors nous avons entraîné un modèle d’IA qui, partant du temps qu’il fait aujourd’hui, prévoit le temps demain », explique Ferran Alet, responsable scientifique au sein de DeepMind. Lui et ses collègues ont rapidement constaté que le modèle était très bon pour prévoir les trajectoires des cyclones mais avait du mal pour anticiper leur intensité.
Cela a longtemps été un problème non seulement pour les modèles d’IA mais aussi pour les modèles physiques. Les courants atmosphériques globaux orientent un cyclone, mais les processus thermodynamiques locaux et fins autour du centre du système déterminent son intensité. En raison de ces échelles opposées, les modèles météo ont eu du mal à prévoir les deux aspects simultanément.
Les conséquences de ce compromis ont été démontrées par l’ouragan Otis en 2023, qui a pris les prévisionnistes au dépourvu lorsque les modèles physiques n’ont pas su anticiper son intensification rapide, passant d’une tempête tropicale à un ouragan de catégorie 5. Quand Otis a touché terre sur la côte pacifique du Mexique, les communautés n’étaient pas préparées. La tempête a provoqué d’importants dégâts et fait des dizaines de victimes.
À l’époque, « l’IA était même moins fiable que les modèles basés sur la physique pour prédire l’intensité, et on pensait aussi qu’elle n’était pas performante dans les cas extrêmes », a expliqué Alet. Lui et ses collègues ont développé WeatherNext Cyclones dans le but de créer un modèle d’IA capable de prévoir avec précision la trajectoire, l’intensité et les extrêmes des cyclones tropicaux.
« Nous étions très motivés pour résoudre ce problème, ce que nous avons fait en spécialisant nos modèles pour s’entraîner sur une base de données d’experts de cyclones tropicaux historiques, et c’est ainsi que nous avons pu surmonter certaines de ces limites et en réalité faire progresser la science d’environ une décennie », a déclaré Andersson.
Pourquoi ils sont des gagnants
Alors que le changement climatique entraîne des cyclones tropicaux de plus en plus puissants, prévoir leur trajectoire et leur intensité avec un horizon plus large et avec une plus grande précision n’a jamais été aussi crucial. Selon les projections sous une augmentation globale de 3,6 degrés Fahrenheit (2 degrés Celsius) du réchauffement, l’intensité des cyclones tropicaux pourrait augmenter en moyenne de 1 % à 10 % à l’échelle mondiale. Les précipitations et les épisodes d’intensification rapide devraient également augmenter.
WeatherNext Cyclones a hissé la barre des prévisions des cyclones dans un monde qui se réchauffe. En plus de surmonter le compromis trajectoire–intensité, il s’attaque à un autre défi fondamental des prévisions par IA : le problème du « cygne gris ». Les extrêmes météorologiques gris sont physiquement plausibles mais si rares qu’ils sont mal représentés dans les ensembles d’entraînement. Cela signifie que les modèles d’IA ont du mal à prévoir ces événements hautement dévastateurs, ce qui est préoccupant dans un contexte où le changement climatique en produit davantage.
En générant jusqu’à 1 000 scénarios possibles, WeatherNext Cyclones peut mieux capturer ces tempêtes rares mais potentiellement dévastatrices, a expliqué Andersson.
En outre, WeatherNext Cyclones est accessible aux communautés en première ligne face au changement climatique qui ont historiquement manqué des ressources et des infrastructures nécessaires à la prévision traditionnelle. Le modèle est en source ouverte sur GitHub et, contrairement aux modèles physiques, il n’exige pas de superordinateur pour fonctionner. L’équipe de DeepMind a également créé Weather Lab, une plateforme numérique qui donne accès à toutes les versions les plus récentes de leurs modèles météo.
Un tel niveau d’accessibilité pourrait considérablement améliorer les capacités de prévision dans les zones les plus vulnérables face à la menace croissante des cyclones tropicaux extrêmes.
Et après ?
Pour l’avenir, l’équipe de DeepMind espère élargir ses partenariats. Actuellement, WeatherNext Cyclones est utilisé par des experts du NHC, du Cooperative Institute for Research in the Atmosphere (CIRA) à l’Université d’État du Colorado, et du Met Office du Royaume-Uni, mais Alet veut étendre son impact bien au-delà.
« Les cyclones sont un problème mondial », a-t-il dit. « Ils se trouvent dans l’Ouest du Pacifique, en Australie, en Inde, et nous étendons donc les partenariats pour diffuser cela à l’échelle mondiale, pas seulement aux États-Unis et dans les régions des Caraïbes. »
À mesure que davantage de collaborateurs utilisent le modèle, sa précision et son efficacité continueront de s’améliorer. Lors de la construction du prochain système de prévision à la fine pointe, « le mieux que nous puissions faire est repousser la barrière du chaos jour après jour », a déclaré Alet. « Ce que permet l’IA, c’est d’accélérer le progrès. »
Tandis que l’IA ne peut éliminer l’incertitude inhérente à la météo, en particulier dans un climat de plus en plus volatil, WeatherNext Cyclones montre qu’elle peut repousser les limites de ce que la prévision peut atteindre.
« Je pense vraiment que nous entrons dans une nouvelle ère où les modèles météorologiques basés sur l’IA peuvent dépasser le seuil de précision antérieur, et nous considérons notre technologie comme un outil extrêmement puissant dans la boîte à outils », a déclaré Andersson.
L’équipe
Ce travail reflète les contributions des coauteurs de l’article : Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez et Peter Battaglia.
Cliquez ici pour voir l’ensemble des lauréats du Gizmodo Science Fair 2026.
