Google dévoile un nouveau modèle météo IA avec des prévisions plus rapides et plus précises.

En bref

• WeatherNext 2 génère des centaines de prévisions mondiales en moins d'une minute, permettant des mises à jour de scénarios plus fréquentes que les modèles conventionnels.
• Google utilise déjà le système dans Search, Gemini, Pixel Weather et Maps, avec un déploiement plus large prévu.
• Une nouvelle approche de modélisation, les Réseaux Génératifs Fonctionnels, a amélioré la précision sur des mesures clés, y compris le suivi des vents extrêmes et des cyclones.

Le hub d'art, de mode et de divertissement de Decrypt.

Découvrez SCENE

Google DeepMind a introduit un nouveau système de prévision météorologique alimenté par l'IA lundi, capable de générer des prévisions météorologiques mondiales huit fois plus rapidement que les outils traditionnels, a-t-il déclaré.

Baptisé WeatherNext 2, le système est présenté comme un outil pour aider les agences à se préparer plus rapidement aux conditions sévères, alors que le monde continue de lutter contre des catastrophes naturelles fréquentes provoquées par un climat de plus en plus chaud.

Pour ce faire, il génère des centaines de scénarios possibles à partir d'un point de départ unique, chacun calculé en moins d'une minute sur une seule unité de traitement Tensor, une puce spécialisée développée par Google pour accélérer les charges de travail d'apprentissage automatique et d'intelligence artificielle.

« Nous comptons sur des prévisions météorologiques précises pour des décisions critiques, des chaînes d'approvisionnement aux réseaux énergétiques en passant par la planification des cultures », a écrit le scientifique de recherche de Google DeepMind, Peter Battaglia, sur X. « L'IA transforme notre façon de prévoir le temps. »

La météo affecte tout et tout le monde. Notre dernier modèle d'IA développé avec @GoogleResearch nous aide à mieux la prédire. ⛅

WeatherNext 2 est notre système le plus avancé à ce jour, capable de générer des prévisions mondiales plus précises et de plus haute résolution. Voici ce qu'il peut faire - et pourquoi… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 novembre 2025

<br>

Déploiement à travers les produits Google

WeatherNext 2 est déjà en cours d'exécution dans Search, Gemini, Pixel Weather et l'API météo de Google Maps, avec un support plus large à venir ultérieurement.

“Nous travaillons avec les équipes de Google pour intégrer WeatherNext dans notre système de prévisions,” a déclaré Akib Uddin, chef de produit de WeatherNext 2, dans un communiqué. “Que vous soyez sur la recherche, Android ou Google Maps, la météo affecte tout le monde, et en faisant de meilleures prévisions météorologiques, nous sommes en mesure d'aider tout le monde.”

Les modèles conventionnels peuvent prendre des heures, limitant la fréquence à laquelle les scénarios peuvent être actualisés, a déclaré DeepMind. En utilisant une IA avancée, WeatherNext 2 a surpassé son modèle opérationnel précédent, WeatherNext Gen, affirme l'entreprise.

“C'est environ huit fois plus rapide que le précédent modèle probabiliste que nous avons lancé l'année dernière, et en termes de résolution, il est six fois plus grand,” a déclaré Battaglia dans un communiqué. “Donc, au lieu de faire des étapes de six heures, il fait des étapes d'une heure. Il surpasse le précédent modèle météo de prochaine génération sur 99,9 % des variables que nous avons testées.”

En termes pratiques, cela signifie que le nouveau système a produit des prévisions plus précises de la température, du vent, de l'humidité et de la pression presque partout et à presque chaque point dans la fenêtre de 15 jours.

DeepMind a attribué les gains à une nouvelle approche de modélisation décrite dans un article de recherche de juin sur les Réseaux Généraux Fonctionnels, ou FGN, qui modifie la façon dont le système représente l'incertitude et génère des variations de prévisions.

Une nouvelle approche de modélisation

Selon Google, FGN est formé uniquement sur des prévisions à variable unique, ou “marginals”, telles que la température, le vent ou l'humidité à un endroit spécifique.

Malgré cela, le modèle apprend comment ces variables interagissent, lui permettant de prédire des schémas plus larges et interconnectés, tels que les événements de chaleur régionaux et le comportement des cyclones.

Google a déclaré que le FGN a égalé GenCast sur les prévisions de température extrêmes à deux mètres et l'a dépassé sur les prévisions de vent extrêmes à dix mètres, en fonction de la variable.

Le modèle a également montré une meilleure calibration sur les délais et de meilleures performances lorsque les prévisions étaient évaluées sur des régions plus vastes plutôt que sur des points individuels.

En utilisant le score de probabilité classé continu—une métrique de précision standard qui vérifie à quel point l'ensemble des résultats prédits par un modèle correspond à ce qui s'est réellement produit—l'article rapporte des améliorations moyennes de 8,7 % pour le CRPS moyenné et de 7,5 % pour le CRPS maximum par rapport à GenCast.

Performance de prévision des cyclones

FGN a également amélioré les prévisions des cyclones tropicaux.

Comparé aux pistes historiques de l'International Best Track Archive for Climate Stewardship, les prévisions de la moyenne d'ensemble ont réduit les erreurs de position d'environ 24 heures de temps d'avance entre les prévisions de trois à cinq jours.

Une version de FGN fonctionnant par intervalles de 12 heures a montré une erreur plus élevée que la version de six heures, mais a tout de même surpassé GenCast pour des délais de plus de deux jours.

Les prévisions de probabilité de suivi ont montré une valeur économique relative plus élevée dans la plupart des ratios coût-perte et des délais.

DeepMind a déclaré que des outils expérimentaux de prédiction des cyclones construits avec cette technologie ont été partagés avec des agences météorologiques.

« Vous obtenez des prévisions plus précises, et vous les obtenez plus rapidement, ce qui aide tout le monde à prendre les bonnes décisions, surtout à mesure que nous commençons à observer de plus en plus de phénomènes météorologiques extrêmes », a déclaré Uddin. « Je pense qu'il existe tout un éventail d'applications pour de meilleures prévisions météorologiques. »