WeatherNext 3 : l'IA météo de DeepMind passe à l'heure et défie le modèle européen

La prévision météo est devenue un terrain d'affrontement entre laboratoires d'IA, et l'Europe y a un champion à défendre. Google DeepMind et Google Research ont présenté le 3 septembre WeatherNext 3, un modèle global de prévision qui génère des prévisions horaires jusqu'à 5 kilomètres de résolution sur quinze jours. La bascule est double : une granularité temporelle et spatiale qui se rapproche du besoin réel des utilisateurs, et une comparaison assumée avec le système de référence mondial — celui du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).

Ce que « horaire à 5 km » veut dire concrètement

Les précédents modèles d'IA météo raisonnaient par pas de six heures et à des résolutions grossières. WeatherNext 3 produit des prévisions probabilistes réinitialisées toutes les heures, à travers 64 membres d'ensemble — c'est-à-dire 64 scénarios légèrement différents qui, ensemble, chiffrent l'incertitude. Les variables de surface les plus sensibles, température et humidité, sortent à 5 kilomètres ; les autres variables de surface à 10 kilomètres, et les variables atmosphériques comme le vent à 25 kilomètres.

Cette hiérarchie de résolutions n'est pas un détail : elle reflète là où la finesse compte pour un usage grand public. Savoir s'il pleuvra dans une heure sur un arrondissement précis, et avec quelle probabilité, est un problème très différent de la prévision synoptique à l'échelle d'un continent. En intégrant directement WeatherNext 3 dans la recherche Google, l'app Gemini, Google Maps et son API météo, DeepMind ne vend pas un modèle de recherche : il l'installe dans des produits utilisés par des centaines de millions de personnes.

Le vrai enjeu : battre le modèle européen sur son terrain

C'est ici que l'annonce prend une dimension stratégique pour l'Europe. DeepMind compare frontalement WeatherNext 3 à l'AIFS ENS v2, le système d'ensemble par IA de l'ECMWF, et revendique environ 10 % d'amélioration moyenne sur les variables d'altitude durant la première semaine. Sur la température à deux mètres à courte échéance, l'écart annoncé atteint 40 % d'amélioration du score CRPS face à l'ensemble de l'ECMWF. Sur les précipitations — le nerf de la guerre pour l'utilisateur —, DeepMind avance jusqu'à 50 % de gain de précision quand on planifie à un jour ou plus, et jusqu'à 60 % d'amélioration mesurée contre le produit satellite IMERG de la NASA.

Ces chiffres sont des revendications de vendeur, à prendre avec la prudence d'usage tant qu'ils ne sont pas répliqués par des tiers indépendants — l'évaluation a d'ailleurs été menée sur une fenêtre courte, du 1er juillet au 11 août 2026. Mais le message est clair : l'ECMWF, fierté institutionnelle européenne dont les prévisions font autorité mondiale depuis des décennies, se retrouve challengé par un modèle propriétaire américain sur son cœur de métier. Or l'ECMWF a lui aussi basculé vers l'IA avec son AIFS : la question n'est plus « IA contre physique », mais quel laboratoire d'IA prend la tête.

Une prouesse d'ingénierie, mais une boîte fermée

Sous le capot, WeatherNext 3 repose sur une approche générative — un « Functional Generative Network » articulé autour d'un transformer de maillage de profondeur 32 — entraînée sur un mélange dense de données : mosaïques de satellites géostationnaires à 11 canaux, observations de stations au sol (METAR, réseaux Mesonet), données de navires et bouées depuis 2001, et réanalyses de précipitations. L'entraînement s'arrête au 30 juin 2026. L'architecture générative permet de tirer un membre d'ensemble en une passe, là où les méthodes physiques classiques exigent des heures de calcul sur supercalculateur pour chaque scénario.

Reste la contrepartie, la même que pour les modèles de langage frontière : la transparence. Les données brutes sont accessibles via BigQuery, Earth Engine et des exports Zarr sur Google Cloud, mais le modèle lui-même reste propriétaire. Pour les services météo nationaux — Météo-France en tête —, l'arrivée d'un prédicteur privé plus performant que les systèmes publics pose une question de souveraineté qui rappelle celle du calcul et des modèles de langage : faut-il dépendre d'une infrastructure américaine pour un service aussi régalien que l'alerte météo ? La prévision du temps rejoint, discrètement, la liste des domaines où l'excellence technique d'un acteur privé vient bousculer un bien commun européen.