Google DeepMind et Google Research ont présenté le 3 septembre 2026 leur nouveau modèle d’intelligence artificielle WeatherNext 3, qui suit les changements atmosphériques de manière plus détaillée et produit des prévisions météorologiques plus fréquentes. Google a indiqué que les données obtenues grâce au modèle seraient utilisées dans les résultats de recherche, Google Maps et Gemini, et qu’elles seraient également mises à la disposition des utilisateurs et des chercheurs sur les plateformes cloud de Google.
WeatherNext 3 a affiché la plus grande précision parmi les principaux modèles dans les tests Operational WeatherBench de Brightband, qui comparent les prévisions d’intelligence artificielle, pour des indicateurs tels que la température, la vitesse du vent et l’humidité. Le modèle a devancé les systèmes d’apprentissage profond de Google, Microsoft, Nvidia et du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), ainsi que les prévisions traditionnelles du National Weather Service des États-Unis et de l’ECMWF.
Les prévisions traditionnelles sont élaborées en exécutant, sur des superordinateurs appartenant à des organismes publics, des équations mathématiques décrivant la physique de l’atmosphère. Bien que ces systèmes produisent des résultats précis, ils sont coûteux et fonctionnent relativement lentement. Après la publication par l’ECMWF, en 2018, de plus d’un demi-siècle de données météorologiques, les chercheurs ont commencé à développer des modèles d’apprentissage profond capables d’atteindre une précision similaire plus rapidement.
WeatherNext 3 cible des problèmes tels que la concentration des prévisions d’intelligence artificielle sur de vastes zones, leurs faiblesses en matière de précipitations et leur dépendance aux ensembles de données formatés par les organismes publics. Le modèle peut prévoir certaines variables fondamentales avec une résolution de 5 km ; la précision des évaluations des précipitations s’améliore de 60 % par rapport à WeatherNext 2 et le modèle peut produire des prévisions horaires au lieu de prévisions toutes les six heures. Contenant 2,4 fois plus de paramètres que le modèle précédent, le système a été entraîné pour prévoir non seulement les trajectoires des ouragans, mais aussi les conditions que pourraient mesurer certaines stations météorologiques.
Le modèle peut produire des prévisions plus fréquentes, car il est capable de traiter chaque heure les données satellitaires collectées en temps réel. Google affirme que WeatherNext 3 est le « premier » modèle d’intelligence artificielle à utiliser directement des observations brutes pour réaliser des prévisions mondiales à haute résolution, tandis que WindBorne indique que WeatherMesh 6 exploite des observations brutes depuis la fin de 2025. Les deux modèles reposent sur des ensembles de données météorologiques nationaux.
Le faible coût et la rapidité des prévisions fondées sur l’intelligence artificielle pourraient apporter des bénéfices économiques aux régions pauvres, où l’accès à des informations météorologiques précises est limité par le coût élevé des capteurs et des superordinateurs. Des prévisions plus détaillées du vent, des précipitations et des nuages devraient également rendre les projets d’énergies renouvelables plus fiables.
Pourquoi c’est important
Cette évolution renforce le passage, dans la prévision météorologique, des systèmes fondés sur la physique et reposant sur les coûteux superordinateurs des organismes publics à des modèles d’intelligence artificielle capables de traiter plus rapidement les observations brutes. Le transfert de résultats horaires et à plus haute résolution vers la Recherche, Maps et Gemini signifie que les progrès de l’infrastructure de prévision intègrent directement le flux quotidien d’informations d’un large public. L’accès via le cloud pourrait également abaisser le seuil d’utilisation pour les chercheurs et les régions qui ne disposent pas de capteurs et d’infrastructures de calcul coûteux ; les données sur le vent, les précipitations et les nuages concernent aussi directement les projets d’énergies renouvelables. Toutefois, la dépendance du modèle aux ensembles de données météorologiques nationaux, la controverse autour de l’affirmation selon laquelle il serait le premier système à utiliser des observations brutes et la mesure dans laquelle les performances obtenues lors des tests comparatifs se refléteront dans les conditions en temps réel demeurent des questions ouvertes.
Contexte
Google n’est pas un nouveau nom dans les archives de FikirPilot : au cours des 90 derniers jours, nous avons publié 17 articles dans lesquels ce nom est mentionné ; le plus récent est daté du 4 septembre 2026.