Google DeepMind et Google Research dévoilent WeatherNext 3, leur nouveau modèle d’intelligence artificielle dédié aux prévisions météorologiques. Plus précis, plus fréquent et capable d’exploiter directement certaines observations brutes, il doit désormais alimenter une partie des informations météo affichées dans Google Search, Google Maps et Gemini.
Le modèle marque une nouvelle étape dans l’évolution rapide de la météorologie par deep learning. Google affirme qu’il surpasse plusieurs systèmes concurrents, y compris certains modèles opérationnels traditionnels, tout en abaissant la résolution jusqu’à 5 km sur certaines variables et en produisant désormais des prévisions horaires.
WeatherNext 3 devient une brique directement intégrée aux produits Google
Jusqu’ici, les modèles météo développés par DeepMind servaient surtout de démonstrateurs scientifiques ou d’outils destinés aux chercheurs. Avec WeatherNext 3, Google change d’échelle.
L’entreprise prévoit d’utiliser certaines de ses variables comme base pour les informations météorologiques affichées dans plusieurs de ses produits grand public. Search, Maps et Gemini doivent ainsi bénéficier directement de cette nouvelle génération de prévisions, tandis que le modèle sera aussi accessible à travers les plateformes cloud de Google pour les utilisateurs professionnels et les chercheurs.
Cette intégration est importante, car elle montre que l’IA météo quitte progressivement le laboratoire. Google ne cherche plus seulement à prouver qu’un réseau neuronal peut rivaliser avec la prévision numérique traditionnelle : il commence à l’utiliser dans des services consultés quotidiennement par des centaines de millions de personnes.
Des performances qui dépasseraient plusieurs modèles IA et systèmes traditionnels
WeatherNext 3 arrive avec des résultats particulièrement solides sur Operational WeatherBench, une plateforme de comparaison des modèles météorologiques développée par Brightband.
Selon les évaluations rapportées, il se classe devant plusieurs autres systèmes de deep learning développés par Google, Microsoft, Nvidia ou encore l’ECMWF, sur des variables comme la température, la vitesse du vent et l’humidité.
Le modèle surpasserait également certaines prévisions traditionnelles provenant du National Weather Service américain et du Centre européen pour les prévisions météorologiques à moyen terme.
Ces résultats ne signifient pas pour autant que l’IA remplace déjà l’ensemble des systèmes météorologiques conventionnels. Les centres nationaux restent indispensables pour produire les analyses, observations et données qui alimentent encore une partie importante de ces modèles.
Mais, l’écart se réduit rapidement, et surtout avec des besoins en calcul radicalement différents.
Pourquoi l’IA change autant la prévision météo ?
La météo moderne repose historiquement sur des simulations physiques extrêmement lourdes. Des supercalculateurs résolvent en permanence de vastes ensembles d’équations décrivant l’évolution de l’atmosphère, de la température, de l’humidité ou des vents. Ces modèles ont atteint un niveau remarquable de précision, mais leur exécution reste coûteuse et relativement lente.
Les approches basées sur le deep learning suivent une autre logique. Elles apprennent directement les régularités présentes dans des décennies de données météorologiques et peuvent ensuite produire une prévision en beaucoup moins de temps.
Cette méthode convient particulièrement bien à une discipline fondamentalement chaotique. De très petites différences dans l’état initial de l’atmosphère peuvent conduire à des évolutions radicalement différentes quelques jours plus tard.
L’IA n’essaie donc pas nécessairement de reproduire explicitement toute la physique de l’atmosphère. Elle apprend plutôt à approximer son comportement à partir de grandes quantités de données.
Une résolution qui descend désormais jusqu’à 5 km
L’une des principales limites historiques des modèles météo par IA était leur résolution spatiale. Les premières générations travaillaient souvent sur des zones de 15 à 25 km de côté, suffisantes pour comprendre les grandes tendances atmosphériques mais beaucoup moins adaptées à une météo véritablement locale.
WeatherNext 3 descend désormais jusqu’à 5 km de résolution sur certaines variables. Ce progrès est particulièrement important pour les phénomènes locaux. Pluie, vents côtiers, reliefs ou orages peuvent varier fortement sur quelques kilomètres seulement, et une prévision trop agrégée perd rapidement en pertinence pour l’utilisateur.
Google a également entraîné le modèle à produire directement des prévisions correspondant à certaines stations météorologiques. Cette approche permet d’obtenir des résultats plus proches des mesures réellement observées au sol et facilite leur validation.
Au lieu de comparer uniquement des valeurs moyennes sur une grande grille, les chercheurs peuvent vérifier ce que le modèle prédit pour un endroit précis.
Les prévisions de pluie progressent fortement
La pluie reste l’un des phénomènes les plus difficiles à prévoir pour les systèmes d’intelligence artificielle. Google affirme avoir amélioré de 60 % les évaluations de WeatherNext 3 sur les précipitations par rapport à WeatherNext 2. Cette progression pourrait avoir un impact concret pour le grand public. Savoir qu’il va pleuvoir dans une région est utile ; savoir où, quand et avec quelle intensité l’est beaucoup plus.
La meilleure résolution spatiale s’accompagne également d’un changement de cadence. WeatherNext 3 peut générer des prévisions horaires, là où le rythme standard était précédemment d’environ une prévision toutes les six heures.
Cette fréquence accrue peut améliorer les usages très sensibles au temps, comme les déplacements, l’agriculture, la production électrique ou la gestion d’événements.
Un modèle 2,4 fois plus grand que WeatherNext 2
Ces gains ne viennent pas uniquement de nouvelles données. WeatherNext 3 contient environ 2,4 fois plus de paramètres que son prédécesseur et bénéficie d’une architecture ajustée pour produire des résultats plus directement exploitables.
Les chercheurs ont notamment adapté les sorties du modèle pour mieux cibler certaines tâches. Cette logique prolonge les travaux déjà menés par DeepMind sur la visualisation des trajectoires cycloniques, où un modèle ne doit pas seulement prédire une grille météo générale mais fournir une information directement pertinente.
Cette spécialisation devient importante à mesure que les modèles s’intègrent dans des produits grand public. Une excellente moyenne globale ne suffit pas si l’utilisateur veut simplement savoir s’il pleuvra dans son quartier dans deux heures.
WeatherNext 3 semble donc chercher un meilleur équilibre entre précision atmosphérique globale et utilité locale.
Les satellites peuvent désormais alimenter directement le modèle
L’une des évolutions les plus intéressantes concerne les données d’entrée. WeatherNext 3 peut ingérer certaines observations satellitaires collectées en temps réel chaque heure, plutôt que dépendre uniquement de données déjà retraitées par les grands systèmes météorologiques nationaux. Cette approche rapproche les prévisions IA d’un fonctionnement de bout en bout : les observations physiques entrent directement dans le réseau, qui produit ensuite la prévision.
Google présente WeatherNext 3 comme le premier modèle d’IA capable d’intégrer directement des observations brutes dans une prévision globale à haute résolution.
Cette formulation mérite néanmoins une nuance. La startup WindBorne affirme que son modèle WeatherMesh 6 exploite déjà des observations brutes provenant notamment de ses ballons météorologiques depuis 2025. Google met plutôt en avant la combinaison entre cette assimilation directe et une résolution globale supérieure.
Dans les deux cas, ces systèmes continuent encore à utiliser des datasets nationaux dans leur processus de prévision. Une assimilation véritablement directe de bout en bout reste donc un objectif en cours de développement.
L’IA météo peut surtout démocratiser l’accès aux prévisions avancées
L’intérêt de ces modèles dépasse largement Google Search. Les systèmes physiques traditionnels nécessitent des supercalculateurs et une infrastructure coûteuse. Les modèles neuronaux, une fois entraînés, peuvent produire leurs prévisions beaucoup plus rapidement avec des besoins en calcul nettement plus faibles. Cette différence ouvre des perspectives importantes pour les pays ou régions qui ne disposent pas des moyens nécessaires pour faire fonctionner une infrastructure météorologique complète.
L’amélioration de la précision peut également avoir des conséquences économiques directes. Des prévisions plus fiables facilitent la planification agricole, l’anticipation des phénomènes dangereux ou l’organisation des réseaux électriques.
Les chercheurs de DeepMind mettent notamment en avant les énergies renouvelables. Une meilleure anticipation du vent, de la couverture nuageuse ou des précipitations peut rendre la production solaire et éolienne plus prévisible et faciliter son intégration dans le réseau.
La météo devient l’un des terrains les plus convaincants pour les transformers
Les grands modèles de langage occupent l’essentiel de l’attention médiatique autour de l’IA, mais la transformation de la météorologie est probablement tout aussi profonde. Les agences européennes et américaines utilisent déjà des modèles d’intelligence artificielle dans certaines chaînes opérationnelles. Le rôle de ces systèmes devrait continuer à augmenter à mesure qu’ils gagnent en résolution, en fréquence et en capacité à exploiter directement les observations.
WeatherNext 3 illustre cette évolution.
L’IA ne remplace pas encore les infrastructures météorologiques traditionnelles : elle dépend toujours fortement des données qu’elles produisent. Mais elle commence à modifier la manière dont ces informations sont transformées en prévisions exploitables.
L’arrivée de WeatherNext 3 dans Search, Maps et Gemini constitue peut-être le signe le plus concret de cette transition. Ce qui était encore récemment un sujet de recherche avancée devient désormais une couche invisible d’un service quotidien.
Et c’est probablement là que les modèles météo par IA auront leur plus grand impact : non pas en remplaçant brutalement les outils existants, mais en rendant des prévisions plus fines, plus rapides et moins coûteuses suffisamment banales pour que l’utilisateur ne sache même plus qu’elles proviennent d’un modèle neuronal.
