Le nouveau modèle de tempête de DeepMind offre aux prévisionnistes un jour supplémentaire, et personne ne sait vraiment pourquoi il fonctionne
WeatherNext Cyclones prédit la direction d'une tempête tropicale et sa force, dans un seul système, en utilisant des données cent fois plus grossières que les modèles spécialisés. Le code et les poids sont publics.
Google DeepMind a publié WeatherNext Cyclones, un modèle de prévision des tempêtes tropicales qui prévoit environ un jour de plus que les meilleurs systèmes opérationnels utilisés aujourd’hui. Pour mettre cela en perspective, un jour d’avertissement supplémentaire concerne les gains obtenus par la modélisation météorologique conventionnelle au cours de la décennie précédente. Le travail est paru dans Nature et a été réalisé en collaboration avec le National Hurricane Center des États-Unis, le Cooperative Institute for Research in the Atmosphere et le Met Office du Royaume-Uni.
La prévision des cyclones a toujours été un métier ennuyeux. Les modèles globaux tels que le système d’ensemble européen sont efficaces pour prédire où se dirigera une tempête, mais ils sont trop grossiers pour déterminer quelle sera sa force. Des modèles régionaux spécialisés comme l’intensité des clous HAFS de la NOAA, mais dérivent sur la piste. WeatherNext Cyclones fait les deux dans un seul système. Sur une prévision de cinq jours, le centre estimé de la tempête est décalé en moyenne de 230 kilomètres, contre 370 pour l’ensemble européen et 335 pour le modèle GenCast antérieur de DeepMind. Sur une intensité de trois jours, il bat HAFS d’environ 3,75 nœuds. Lors de l’ouragan Melissa, qui a frappé la Jamaïque en 2025, DeepMind affirme que le modèle a aidé les prévisionnistes à détecter à temps l’intensification rapide de la tempête.
La partie vraiment étrange est la résolution. Le modèle fonctionne sur une grille où chaque point couvre environ 28 kilomètres, soit environ cent fois plus grossière que les modèles régionaux spécialisés qu’il surpasse. Même une variante compacte à 111 kilomètres par point de grille reste compétitive. “La haute résolution n’est pas une condition préalable stricte pour une prévision d’intensité de pointe”, écrivent les auteurs. Leur conclusion honnête est que les données atmosphériques grossières contiennent apparemment beaucoup plus d’informations sur la force des tempêtes que quiconque ne le pensait, et la manière exacte dont le modèle les extrait reste une question de recherche ouverte.
Deux choix techniques ont fait l’essentiel du travail. Au lieu de l’approche de diffusion utilisée par GenCast, qui nécessite des dizaines de passages à travers le réseau par étape, ce modèle utilise des réseaux génératifs fonctionnels qui se débrouillent avec un seul passage, ce qui le rend huit fois plus rapide. Et plutôt que d’ajouter du bruit aléatoire pixel par pixel, il injecte du bruit dans les couches de contrôle du réseau, ce qui produit des scénarios véritablement différents mais physiquement plausibles au lieu de variantes floues d’une réponse. Étant donné qu’une prévision sur 15 jours s’exécute désormais en moins d’une minute sur une puce Google AI, l’équipe a augmenté le nombre de scénarios parallèles par tempête de 50 à 1 000, ce qui fait que de rares résultats extrêmes apparaissent.
Ce que cela signifie pour vous: À moins que vous ne viviez dans une zone de tempête, ce n’est pas quelque chose que vous toucherez. C’est important de toute façon, pour deux raisons. Premièrement, il s’agit d’un cas concret d’IA produisant un réel gain en matière de sécurité publique plutôt qu’un gain de référence, et les poids du code et du modèle sont sur GitHub sous licence ouverte, avec une petite version qui s’exécute gratuitement dans un notebook Colab. Deuxièmement, DeepMind prend soin de le présenter comme un complément et non comme un remplacement : le Hurricane Center mélange toujours plusieurs modèles basés sur la physique, et pour les avertissements officiels, vous devriez toujours écouter votre service météorologique national. Cette retenue mérite d’être remarquée dans un domaine où les ventes sont généralement excessives.
Sources
-Google DeepMind : le modèle d’IA WeatherNext réalise une percée dans la prévision des cyclones
Sources: https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
Un climatologue a enregistré huit semaines d’utilisation d’agents d’IA. Il consommait 600 fois plus de puissance par invite qu'un message de chat
Zeke Hausfather a suivi 3,2 milliards de jetons grâce à Claude Code et a estimé l'électricité derrière eux. Les chiffres publiés par les laboratoires d’IA décrivent un type d’utilisation que presque personne ne fait plus.
