Google va intégrer WeatherNext 3, modèle météo à 5 km

Google présente WeatherNext 3, un modèle d’IA météo évalué comme plus précis que des références historiques et concurrentes, avec des prévisions horaires et une résolution annoncée jusqu’à 5 km. L’entreprise prévoit de l’inscrire dans la recherche Google, Maps et Gemini, et de l’ouvrir sur ses clouds. Le recours direct à des observations brutes est revendiqué par Google, mais une startup affirme le faire déjà, tandis que tous ces modèles s’appuient encore sur des jeux de données nationaux.

Données brutes, primauté contestée et dépendances persistent

Google avance que WeatherNext 3 constitue le premier modèle d’IA à exploiter directement des observations brutes pour fournir des prévisions à haute résolution à l’échelle mondiale. De son côté, la startup WindBorne affirme que son modèle WeatherMesh 6 utilise déjà, depuis la fin de l’année 2025, des observations brutes provenant de sa flotte de ballons météorologiques ainsi que d’autres sources. Google met en avant, en retour, une résolution mondiale supérieure. Dans les deux situations, ces modèles s’appuient toujours sur les ensembles de données météorologiques nationaux pour produire leurs prévisions, et il faudra encore progresser avant d’atteindre une assimilation intégrale et directe des données. Même si l’intégration d’observations empiriques brutes dans les modèles d’IA est présentée comme un moyen d’améliorer la précision, il demeure complexe sur le plan technique de faire fonctionner ces modèles avec des données qui n’ont pas été préalablement formatées.

Intégration annoncée dans les produits Google et accès cloud

Google prévoit d’intégrer les sorties de WeatherNext 3 dans ses résultats de recherche, Google Maps et Gemini, et d’en proposer l’accès aux utilisateurs et aux chercheurs via ses plateformes cloud. Samier Merchant, ingénieur senior chez Google, indique que c’est la première fois que certaines variables clés issues de ces prévisions alimentent de nombreux produits Google. Ferran Alet, chercheur chez DeepMind, estime que l’objectif de Google est de fournir des informations utiles à l’utilisateur, une grande partie des recherches des utilisateurs ayant trait à la météo.

Ce que change WeatherNext 3 côté capacités et cadence

Selon les chercheurs, WeatherNext 3 atteint une résolution de prédiction jusqu’à 5 km et améliore de 60 % l’évaluation des précipitations par rapport à WeatherNext 2. Le modèle peut désormais fournir des prévisions à l’heure plutôt que toutes les six heures. Il s’attaque explicitement aux principales faiblesses des approches antérieures. WeatherNext 3 est plus grand, avec 2,4 fois plus de paramètres que son prédécesseur, et il a été ajusté pour délivrer des réponses jugées plus utiles. Les concepteurs l’ont entraîné à cibler des stations météorologiques spécifiques afin d’accroître la granularité et de comparer ses performances à des références locales. La possibilité d’ingérer des données satellitaires en temps réel à un pas horaire explique aussi une fréquence de mise à jour accrue.

État du secteur et usages visés au-delà de Google

Des modèles d’IA sont déjà employés par des agences météorologiques en Europe et aux États-Unis dans leurs solutions de prévision. Leur vitesse d’exécution et leur faible coût sont mis en avant comme des facteurs d’impact économique dans les zones où les équipements de pointe et les supercalculateurs ne sont pas accessibles. Bill Gates cite la prévision météo par IA comme un avantage important, avec des gains de rendement agricole associés dans les pays en développement. Ferran Alet, de DeepMind, indique que des prévisions à haute résolution du vent, de la pluie et de la nébulosité pourraient rendre les projets d’énergie renouvelable plus fiables. Dans ce contexte, la diffusion des transformers en météorologie est décrite comme aussi marquante que l’essor des LLMs dans d’autres domaines.

Tests, références et limites historiques des approches IA

WeatherNext 3 a obtenu, sur Operational WeatherBench développé par Brightband, la meilleure précision face à des concurrents majeurs. Ce banc compare notamment des variables comme la température, la vitesse du vent et l’humidité. Le modèle est annoncé comme surpassant des approches d’apprentissage profond de Google, Microsoft, Nvidia et de l’ECMWF, ainsi que des prévisions traditionnelles du National Weather Service et de l’ECMWF. Historiquement, la prévision météorologique repose sur des supercalculateurs publics résolvant les équations de la physique, des systèmes coûteux et relativement lents. La mise à disposition par l’ECMWF de plus de cinquante ans de données en 2018 a permis l’entraînement de modèles IA plus rapides à précision comparable. Ferran Alet souligne le caractère chaotique de la météo et l’intérêt de l’IA pour apprendre des motifs à partir de données abondantes malgré des informations incomplètes. Les modèles IA ont toutefois présenté des limites, dont une résolution spatiale typique de 15 à 25 km², des performances inégales sur la pluie et une dépendance aux jeux de données formatés des agences. Les progrès actuels sont attribués à des choix de conception, et des travaux antérieurs ont déjà permis de visualiser des trajectoires de cyclones. Daniel Rothenberg, de Brightband, rappelle la recherche d’exécution la plus complète possible dans de nombreuses applications d’IA.