GenCast : l’IA de Google DeepMind accélère la prévision météo à 15 jours

Prévoir le temps qu’il fera dans deux semaines relève habituellement d’une course contre la montre et d’un immense calcul scientifique. Avec GenCast, Google DeepMind propose une autre voie : au lieu de résoudre à chaque prévision l’ensemble des équations de la physique atmosphérique, son modèle d’intelligence artificielle s’appuie sur les régularités apprises dans des décennies de données météorologiques. Les premiers résultats, publiés dans la revue Nature, placent cette approche parmi les avancées les plus remarquées de l’IA pour la science.

Le modèle ne se contente pas d’être rapide. Lors d’une évaluation rétrospective fondée sur les données de 2019, GenCast a fait mieux que le système ENS dans 97,2 % des cas examinés. Il se distingue aussi dans des tâches particulièrement sensibles, comme la prévision de la trajectoire des cyclones tropicaux, l’anticipation de phénomènes extrêmes et l’estimation de la production éolienne.

Que signifie le score de 97,2 % obtenu par GenCast ?

Le chiffre de 97,2 % ne veut pas dire que GenCast aurait « raison » 97,2 % du temps pour chaque ville ou chaque averse. Il résume la comparaison entre ses prévisions et celles d’ENS sur de nombreux critères météorologiques, lieux et échéances, à partir des observations de 2019. Dans cette évaluation, le modèle de Google DeepMind a donc plus souvent fourni une prévision plus performante que son concurrent de référence.

ENS appartient à la famille des systèmes de prévision d’ensemble. Plutôt que de produire une seule trajectoire possible pour l’atmosphère, ce type de système calcule plusieurs scénarios afin de représenter l’incertitude inhérente à la météo. C’est un point crucial : à plusieurs jours d’échéance, les petites imprécisions sur l’état initial de l’atmosphère peuvent entraîner des évolutions très différentes.

Le tableau ci-dessous résume les écarts essentiels décrits dans les résultats disponibles en décembre 2024.

Deux façons de prévoir l’atmosphère

Les modèles numériques traditionnels partent des lois de la physique. Ils découpent l’atmosphère en mailles, puis calculent l’évolution de variables comme la température, la pression, le vent et l’humidité. Cette méthode est au cœur de la météorologie moderne. Elle exige cependant des supercalculateurs, car les interactions à prendre en compte sont innombrables et doivent être recalculées à chaque nouvelle prévision.

GenCast emprunte une approche différente. Le modèle a été entraîné à partir de quarante années de données, de 1979 à 2018, afin d’identifier les configurations atmosphériques et les évolutions qui se répètent ou se ressemblent. Il ne remplace pas les lois de la physique par une simple règle approximative : il apprend statistiquement les liens observés entre des états météorologiques successifs dans les données disponibles.

Cette différence explique sa vitesse. Là où un modèle physique résout explicitement des équations complexes, un modèle d’apprentissage automatique effectue une inférence à partir de ce qu’il a appris. En contrepartie, sa fiabilité dépend étroitement de la qualité, de la diversité et de la pertinence des données utilisées pour son entraînement et son évaluation.

Pourquoi les cyclones et l’éolien sont-ils des cas d’usage importants ?

Les phénomènes extrêmes sont parmi les situations où quelques heures peuvent faire une différence concrète. Pour les cyclones tropicaux, GenCast a fourni en moyenne 12 heures d’anticipation supplémentaires par rapport aux approches conventionnelles mentionnées dans l’étude. Le modèle s’est aussi montré plus performant pour prévoir leurs trajectoires.

Cette capacité intéresse directement les services météorologiques, les autorités chargées des alertes, les opérateurs de transport et les acteurs de la protection civile. Un scénario plus fiable ou plus précoce ne suffit pas à lui seul à déclencher une alerte, mais il peut donner davantage de temps pour analyser un risque, communiquer une consigne ou préparer des moyens d’intervention.

L’autre application mise en avant concerne l’énergie éolienne. La quantité d’électricité produite par une éolienne dépend étroitement de la force et de la régularité du vent. Des prévisions plus précises jusqu’à 15 jours peuvent aider les exploitants de réseaux et les producteurs à planifier l’équilibre entre l’offre et la demande d’électricité.

Il faut néanmoins distinguer une prévision globale de l’atmosphère d’une promesse de précision à l’échelle d’un quartier. À une résolution de 0,25 degré, GenCast travaille sur des zones représentant plusieurs dizaines de kilomètres selon la latitude. Cette échelle est très utile pour la prévision à moyen terme, mais elle n’élimine pas les difficultés liées aux orages très localisés, au relief ou aux effets côtiers.

Huit minutes de calcul : un gain de temps considérable

Selon les résultats présentés, GenCast peut produire une prévision à 15 jours en moins de huit minutes. Des systèmes physiques tels qu’ENS peuvent, eux, nécessiter plusieurs heures de calcul. L’écart ne relève pas seulement du confort technique : plus un modèle fournit vite ses résultats, plus il devient possible de relancer des prévisions lorsque de nouvelles observations arrivent ou de comparer davantage de scénarios.

Cette efficacité pourrait aussi compter dans un contexte où les besoins de calcul de l’IA suscitent des interrogations environnementales. Les centres de données consomment de l’électricité, et l’entraînement comme l’utilisation des modèles ont une empreinte matérielle et énergétique. Un modèle capable de livrer des prévisions compétitives avec moins de calcul opérationnel pourrait limiter une partie de cette charge.

Cette perspective doit toutefois être formulée avec prudence. Une prévision rapide ne permet pas, à elle seule, de mesurer l’empreinte environnementale totale d’un système. Celle-ci dépend également de l’entraînement du modèle, des équipements utilisés, du nombre de prévisions lancées et de la source d’électricité qui alimente les infrastructures.

Des résultats prometteurs, mais une comparaison à replacer dans son contexte

La performance de GenCast ne met pas fin aux modèles traditionnels. Le principal point de vigilance tient à la version d’ENS utilisée comme référence. Les tests portent sur les données de 2019, alors que le système ENS a depuis gagné en finesse. Sa résolution atteint désormais 0,1 degré, contre 0,25 degré pour GenCast.

La résolution décrit la taille des mailles sur lesquelles le modèle représente l’atmosphère. Plus elle est fine, plus un modèle peut, en principe, représenter des variations locales. La comparaison de 2019 demeurait favorable à GenCast, alors même qu’ENS présentait une résolution légèrement plus fine à cette époque. Mais l’amélioration continue des modèles physiques doit être prise en compte lorsqu’il s’agit de juger les performances actuelles des deux approches.

La communauté météorologique observe donc ces modèles d’IA avec intérêt, sans renoncer à ses exigences de validation. Des professionnels, dont Stephen Mullens, ont exprimé des réserves sur leur efficacité à long terme et rappelé l’importance de la formation scientifique traditionnelle. L’enjeu n’est pas seulement d’obtenir un bon score sur un test : il faut vérifier la robustesse du système dans des situations variées, comprendre ses erreurs et l’intégrer de façon sûre aux procédures d’alerte.

Un code accessible pour favoriser les vérifications

Google DeepMind a mis à disposition le code de GenCast. Cette ouverture permet à des chercheurs et à des prévisionnistes d’examiner le fonctionnement du modèle, de reproduire certains tests et de l’évaluer dans d’autres contextes. Dans un domaine aussi sensible que la météorologie, cette possibilité de vérification indépendante est particulièrement importante.

L’accès au code ne transforme pas pour autant GenCast en application météo prête à l’emploi. Utiliser un tel modèle suppose de disposer de données atmosphériques adaptées, d’une infrastructure de calcul et de compétences pour interpréter les sorties produites. Sa valeur, à ce stade, réside surtout dans la recherche, la comparaison méthodique avec les modèles existants et l’amélioration possible des outils professionnels.

Ce qu’il faut surveiller pour la suite

Les chercheurs envisagent d’augmenter la résolution de GenCast et de réduire les intervalles de prévision, actuellement fixés à 12 heures. Des sorties plus rapprochées et plus fines pourraient renforcer son intérêt opérationnel, notamment pour la planification de l’énergie éolienne et l’anticipation des risques météorologiques.

La question décisive sera celle de la complémentarité. Les modèles physiques offrent un cadre fondé sur les mécanismes connus de l’atmosphère. Les modèles d’IA apportent une rapidité et des performances statistiques inédites. Plutôt que de choisir immédiatement entre les deux, les services météorologiques pourraient chercher à exploiter leurs forces respectives : confronter les scénarios, mieux quantifier l’incertitude et conserver une expertise humaine au moment de communiquer une alerte.

En décembre 2024, GenCast apparaît ainsi moins comme un remplaçant définitif de la météorologie numérique que comme un sérieux accélérateur de son évolution. Ses résultats montrent que l’IA peut désormais rivaliser avec des outils établis sur la prévision à moyen terme. Reste à confirmer, sur la durée et dans les usages opérationnels, la place que cette nouvelle génération de modèles pourra prendre.