Alors que la saison des ouragans 2025 dans l'Atlantique touche à sa fin, les premières évaluations montrent que le modèle météorologique IA de Google DeepMind surpasse considérablement les modèles physiques traditionnels en termes de précision et de vitesse des prévisions. Ce changement pourrait remodeler le domaine de la météorologie. Le laboratoire météo de DeepMind publie des prévisions sur les cyclones tropicaux depuis juin et ses performances ont largement dépassé celles du système de prévision mondial (GFS) utilisé par le service météorologique national.
Brian McNoldy, climatologue à l'Université de Miami, a analysé les données prévisionnelles de 13 tempêtes cette saison. Il a constaté que le modèle DeepMind AI présentait une erreur de position moyenne inférieure à celle du modèle GFS dans un intervalle de prédiction allant jusqu'à 5 jours. Plus précisément, à l'heure de prévision de 120 heures, l'erreur de trajectoire du modèle DeepMind était de 165 milles marins, tandis que le GFS atteignait 360 milles marins, soit un écart de plus de deux fois.
Cette différence vient principalement des différents parcours techniques. GFS s'appuie sur des équations physiques claires pour effectuer des simulations tridimensionnelles du mouvement atmosphérique, ce qui nécessite une grande quantité de calculs sur les supercalculateurs de la NOAA. Le système DeepMind utilise des réseaux neuronaux pour former des décennies de données météorologiques et peut générer des prévisions en quelques minutes sur des clusters GPU conventionnels sans avoir besoin d'une énorme infrastructure informatique.
Le chercheur sur les ouragans Michael Lowry a souligné que les modèles d’IA peuvent continuellement apprendre des erreurs de prédiction passées et s’ajuster, ce que les systèmes physiques ne peuvent pas faire. Il a également déclaré que les modèles d'IA peuvent être rapidement recyclés à l'aide de nouvelles données et que leur vitesse d'amélioration devrait augmenter de façon exponentielle, alors que les modèles traditionnels ne peuvent être optimisés que progressivement.
De plus, le modèle DeepMind surpasse également les prévisions officielles développées par des experts humains et les modèles consensuels qui intègrent des résultats multimodèles pour réduire les biais. Si cela est finalement vérifié par les données officielles, ce sera la première fois que l’IA dépassera les prévisions consensuelles automatiques et manuelles dans le bassin atlantique.
L’analyse actuelle ne couvre pas le modèle du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), qui a toujours été considéré comme la référence mondiale. Les données historiques montrent que la précision des trajectoires des cyclones tropicaux du CEPMMT est similaire ou légèrement meilleure que les prévisions officielles, mais les données de cette saison montrent également qu'il est difficile de surpasser les performances de DeepMind.
Les performances exceptionnelles du système DeepMind ont suscité des discussions sur le rôle futur de la prévision météorologique numérique traditionnelle. Les modèles physiques doivent traiter la dynamique des fluides, le transfert radiatif et les équations thermodynamiques sur des millions de points de grille, ce qui nécessite une énorme puissance de calcul et est sensible aux erreurs de troncature. Les réseaux neuronaux basés sur les données, quant à eux, déduisent des processus dynamiques directement à partir des données de réanalyse globales sans avoir recours à des formules complexes.
Les modèles d'IA sont des « modèles génératifs profonds » capables d'apprendre des modèles de grande dimension. Il est rapporté que DeepMind utilise une architecture d'encodeur-décodeur optimisée pour la prédiction temporelle et spatiale afin de traiter simultanément la prédiction de trajectoire et d'intensité dans un seul réseau. Le système a également été stable cette saison dans la prévision des vitesses maximales du vent et des changements de pression, là où les modèles physiques présentent encore des incohérences.
Pendant ce temps, les performances de GFS cette année ont intrigué les météorologues. Ce modèle a été mis à niveau vers le noyau de puissance FV3 en 2019, mais il y a eu une régression des performances après la transformation. Les biais persistants des modèles et les divergences de trajectoire ont rendu les prévisionnistes de première ligne de plus en plus méfiants à l’égard de leurs conseils sur les systèmes tropicaux.
Lowry et d'autres spéculent que les lacunes dans les données d'observation du National Weather Service dues aux contraintes budgétaires fédérales ont exacerbé le problème, mais aucune évaluation officielle n'a été publiée.