Pendant soixante-dix ans, la prévision météorologique a été l’affaire des États. Supercalculateurs, satellites, réseaux de radiosondages, armées de physiciens de l’atmosphère : le droit de prévoir le temps était réservé aux rares pays capables d’en payer le prix. Ce monopole vient de s’effondrer. Un réseau de neurones entraîné par DeepMind prédit désormais la météo mondiale à dix jours en moins de soixante secondes sur un Cloud TPU v4, là où le meilleur modèle physique de l’histoire prenait des heures sur des supercalculateurs — le contrat signé par l’ECMWF avec Atos pour son dernier supercalculateur (BullSequana XH2000) s’élève à plus de 80 millions d’euros sur quatre ans. Et il le fait mieux.

Ce n’est pas une démonstration de laboratoire. C’est une bascule opérationnelle qui redessine la géopolitique d’un service public que sept milliards d’humains utilisent sans le voir.

L’essentiel

  • GraphCast, le modèle de DeepMind, surpasse le modèle ECMWF HRES sur 90 % des 1 380 cibles de vérification standard, selon une étude publiée dans Science en décembre 2023.
  • Pangu-Weather de Huawei a été intégré dans les prévisions officielles de la China Meteorological Administration pour la prévision des typhons, marquant une adoption croissante de ces outils dans les services météo officiels.
  • Un forecast mondial à dix jours s’exécute en moins de soixante secondes sur un Cloud TPU v4, contre plusieurs heures sur les supercalculateurs de l’ECMWF.
  • GraphCast est disponible en open source (code sous licence Apache 2.0, poids sous CC BY-NC-SA 4.0) et Pangu-Weather l’est également, ce qui ouvre un accès sans précédent à des prévisions de qualité mondiale.
  • Les services météo du Sud gagnent l’accès à une qualité de prévision sans précédent, mais au prix d’une dépendance nouvelle envers des opérateurs privés étrangers pour un bien public stratégique.

Soixante-dix ans de physique dépassés par trente-six heures d’entraînement

Pour comprendre l’ampleur du changement, il faut d’abord comprendre ce qui existait avant.

Le modèle ECMWF HRES (High Resolution Forecast) est la Rolls-Royce de la prévision météorologique mondiale. Développé par le Centre européen pour les prévisions météorologiques à moyen terme, basé à Reading, en Angleterre, il tourne sur l’un des supercalculateurs les plus puissants d’Europe. Son architecture repose sur des équations aux dérivées partielles qui décrivent le comportement physique de l’atmosphère : conservation de l’énergie, thermodynamique, dynamique des fluides. Soixante-dix ans de science atmosphérique condensés dans des millions de lignes de code. Son budget dépasse 100 millions d’euros par an. Ses prévisions à cinq jours affichent une fiabilité élevée selon ses propres métriques de vérification.

GraphCast fait mieux sur 90 % des 1 380 cibles testées. Ces cibles couvrent la température, la pression, le vent, l’humidité à différentes altitudes, sur l’ensemble du globe. L’avantage est particulier aux horizons supérieurs à cinq jours, là où les modèles physiques traditionnels se dégradent le plus vite. Il est également mesurable sur la trajectoire des cyclones tropicaux : pendant la saison 2023, GraphCast a prévu l’intensification de l’ouragan Lee avec trois jours d’avance supplémentaires par rapport à l’ECMWF.

La différence de méthode est totale. GraphCast n’a aucune connaissance des équations de la physique atmosphérique. Il a été entraîné sur quarante ans de réanalyses ERA5 produites par l’ECMWF lui-même — c’est-à-dire que le modèle de référence a, en quelque sorte, servi de professeur à son successeur. À partir de cette archive, GraphCast a appris à prédire l’état de l’atmosphère au pas de temps suivant. Résultat : une prévision mondiale à dix jours en moins de soixante secondes sur un Cloud TPU v4.

Pangu-Weather ou comment Huawei entre dans l’infrastructure publique

DeepMind n’est pas seul. Pangu-Weather, développé par Huawei, FuXi (de l’Académie des sciences de Chine), et NeuralGCM (Google DeepMind), forment un second front de modèles IA qui concourent à des performances comparables ou supérieures au modèle ECMWF sur des critères spécifiques.

Une étape décisive est franchie lorsque la China Meteorological Administration intègre Pangu-Weather dans ses prévisions officielles pour la prévision des typhons. Ce n’est plus un outil de recherche. C’est de l’infrastructure publique d’État, alimentée par un modèle développé par une entreprise privée.

La décision est logique du point de vue de la performance. Pangu-Weather montre une précision supérieure sur les trajectoires de typhons dans le Pacifique occidental, région où les enjeux de prévision sont massifs : plus de 30 millions de personnes exposées aux typhons en Chine chaque année, une économie côtière qui représente près de 60 % du PIB national. Quand un modèle IA prédit mieux le passage d’un typhon, cela se traduit en vies épargnées et en évacuations mieux ciblées.

Mais l’intégration de Pangu-Weather dans les services officiels soulève une question que les agences météo commencent à formuler prudemment : que se passe-t-il quand une organisation publique dépend d’un prestataire privé pour un service de sécurité publique ? La transparence des modèles physiques de l’ECMWF, documentés et auditables, contraste avec les modèles IA dont les poids sont souvent propriétaires et les raisonnements internes difficiles à interpréter.

Le dilemme des pays du Sud : la meilleure prévision de l’histoire, livrée par des inconnus

C’est ici que le progrès crée son propre paradoxe.

Un service météorologique national en Éthiopie, au Bangladesh ou au Pérou n’avait pas, jusqu’à récemment, les moyens d’exploiter un modèle de la qualité de l’ECMWF. Les licences d’accès existent, mais les capacités computationnelles locales pour faire tourner des modèles de descente d’échelle, les personnels formés à l’interprétation de sorties haute résolution, les budgets pour maintenir ces infrastructures : tout cela restait hors de portée. La prévision météo restait un luxe du Nord.

Les modèles IA redistribuent cet accès. GraphCast est disponible en open source (code sous licence Apache 2.0, poids sous CC BY-NC-SA 4.0). Un service météo national peut faire tourner une prévision mondiale de qualité mondiale sur une infrastructure modeste, sans supercalculateur. Pour des pays où l’agriculture pluviale représente 40 à 60 % du PIB et où les alertes précoces aux cyclones sauvent des vies concrètes, c’est un changement de premier ordre.

L’Organisation météorologique mondiale l’a reconnu explicitement : le déploiement de modèles IA dans les services météo des pays à revenus faibles et intermédiaires figure parmi ses priorités pour 2024-2027. Des projets pilotes sont en cours au Kenya, en Inde, en Indonésie et au Nigéria, avec un soutien de l’OMM et du Programme des Nations Unies pour le développement.

Mais accéder à GraphCast en open source ne signifie pas indépendance. Le modèle est maintenu par DeepMind, filiale d’Alphabet. Si Google décide de modifier, de restreindre ou de monétiser l’accès, les agences qui ont construit leurs workflows autour de GraphCast se retrouvent dans une position vulnérable. Ce n’est pas une hypothèse théorique : c’est exactement ce qui s’est produit dans d’autres secteurs où des services publics ont intégré des outils Google sans plan de substitution.

Le problème n’est pas tant la qualité du modèle que l’absence de gouvernance. La prévision météo est un bien public mondial depuis la création de l’Organisation météorologique mondiale en 1950. Les données de radiosondes, de satellites, de bouées océaniques circulent librement entre États par traité international. Les modèles IA, eux, appartiennent à des firmes privées soumises à des régimes juridiques nationaux, à des impératifs commerciaux, et à des dynamiques géopolitiques. La rivalité technologique sino-américaine que l’on observe dans la fusion nucléaire et les semi-conducteurs s’installe désormais dans l’infrastructure météorologique mondiale.

Ce que les services météo publics font en réponse

Les grandes agences ne sont pas passives. Elles intègrent.

L’ECMWF a lancé un programme interne de développement de modèles IA hybrides, combinant les contraintes physiques de ses modèles traditionnels avec les architectures d’apprentissage profond. L’objectif est d’obtenir des modèles interprétables, dont les sorties peuvent être auditées et dont les erreurs peuvent être attribuées à des causes identifiables. Metnet-3 de Google Research, qui incorpore des contraintes physiques dans un modèle IA, représente une piste similaire.

La NOAA américaine (National Oceanic and Atmospheric Administration) a annoncé en 2024 des partenariats avec plusieurs laboratoires pour développer des modèles IA fondamentaux pour la prévision météo, en mettant l’accent sur l’open source et l’auditabilité. L’objectif est de ne pas laisser le terrain entièrement aux acteurs privés.

Météo-France expérimente l’intégration de sorties IA dans ses chaînes de prévision opérationnelle, en les traitant comme une source parmi d’autres plutôt que comme un remplacement des modèles physiques. Cette approche d’ensemble, qui agrège des sorties de modèles différents pour réduire l’incertitude, est probablement la voie la plus robuste à court terme.

Ces réponses montrent une chose : les agences publiques prennent au sérieux la menace sur leur expertise, mais aussi l’opportunité que représentent ces outils pour améliorer leurs propres prévisions. Le risque n’est pas que les États disparaissent de la météo, mais qu’ils deviennent des intégrateurs de modèles qu’ils ne comprennent pas entièrement, sur des sujets dont ils restent responsables devant leurs populations.

Pourquoi la prévision à dix jours est un enjeu géopolitique

Il faut nommer ce qui se joue concrètement au-delà de la performance technique.

La prévision météorologique à moyen terme conditionne des décisions qui ne sont pas anodines. Les marchés à terme agricoles bougent sur des prévisions à dix jours. Les stratégies d’évacuation avant un cyclone se décident soixante-douze heures à l’avance. La gestion des réseaux électriques en période de canicule dépend de prévisions à cinq jours. Les opérations militaires intègrent depuis toujours la météo comme variable tactique. Qui détient les meilleurs modèles de prévision détient une forme d’avantage informationnel sur tous ces registres.

Pendant la guerre froide, les États-Unis et l’URSS avaient convenu de partager les données météo en temps réel, y compris dans les moments de tension maximale. C’était l’Organisation météorologique mondiale qui organisait ces échanges. La logique était simple : les perturbations atmosphériques ne respectent pas les frontières, et un modèle qui fonctionne correctement sur son seul territoire est un modèle qui ne fonctionne pas.

Ce cadre de coopération tient toujours pour les données brutes. Il ne tient pas pour les modèles IA, qui sont développés en dehors des traités internationaux, dans des entreprises privées soumises à des contrôles à l’export et à des pressions gouvernementales. Le fait que Pangu-Weather soit développé par Huawei, entreprise dont les liens avec l’État chinois font l’objet d’une attention soutenue de la part des régulateurs américains et européens, n’est pas un détail. La même tension entre souveraineté technologique et dépendance aux fournisseurs étrangers structure d’autres industries critiques, des semi-conducteurs à l’énergie.

La question posée n’est pas théorique : si une crise géopolitique majeure conduit à des restrictions d’accès aux modèles IA développés par des firmes adverses, les services météo qui en dépendent peuvent-ils basculer vers des alternatives en temps réel ? Aujourd’hui, la réponse est incertaine.

L’enjeu de la prochaine décennie : qui gouverne les modèles fondamentaux

Les modèles IA météo suivent une trajectoire que l’on commence à connaître dans d’autres domaines. Les premiers modèles sont publiés en open source, démontrent leur supériorité, sont adoptés massivement. Puis les modèles de deuxième et troisième génération, plus performants, deviennent propriétaires. La fenêtre open source se referme.

GraphCast est aujourd’hui open source. Rien ne garantit que GraphCast 2 ou GraphCast 3 le sera. La même dynamique s’observe dans les grands modèles de langage, dans les modèles de biologie structurale, dans les outils de génération d’images. L’IA impose partout la même question de gouvernance : qui contrôle les modèles fondamentaux contrôle l’infrastructure cognitive d’un secteur.

Pour la météo, la réponse à ce problème passe probablement par trois voies parallèles. La première : l’ECMWF et ses équivalents développent leurs propres modèles IA, publics et auditables, avec un financement international. La deuxième : un cadre de gouvernance international, sous l’égide de l’OMM, définit des exigences de transparence et d’accès pour les modèles intégrés dans des services publics. La troisième : les services météo nationaux maintiennent une capacité autonome minimale sur les modèles physiques traditionnels, pour ne pas se retrouver sans filet si les modèles IA se dégradent ou deviennent inaccessibles.

Aucune de ces trois voies n’est simple ni rapide. La première exige des financements publics dans un contexte budgétaire contraint. La deuxième se heurte à la souveraineté technologique des entreprises et des États. La troisième court contre la logique économique qui pousse les agences à réduire leurs capacités computationnelles coûteuses dès que des alternatives moins chères existent.

Ce que la prévision météo illustre, en avance sur d’autres secteurs, c’est la forme concrète que prend la dépendance à l’IA lorsqu’elle touche des biens publics stratégiques. La performance est réelle, le progrès est mesurable, les bénéfices pour les populations vulnérables sont tangibles. Le dilemme de gouvernance l’est tout autant. Ce sont les agences publiques, les gouvernements et les organisations internationales qui devront décider s’ils veulent rester architectes du service ou se contenter d’en être les usagers.

Sources

  1. Articledge — AI Weather Forecasting (synthèse ECMWF / Science / Nature)
  2. Lam et al., “GraphCast : Learning skillful medium-range global weather forecasting”, Science, décembre 2023 (vol. 382)
  3. Bi et al., “Accurate medium-range global weather forecasting with 3D neural networks”, Nature, juillet 2023 (Pangu-Weather, Huawei)
  4. ECMWF — rapports annuels et documents techniques sur les modèles hybrides IA-physique (ecmwf.int)
  5. Organisation météorologique mondiale (OMM) — Plan stratégique 2024-2027 (wmo.int)
  6. NOAA — communiqués sur les partenariats IA pour la prévision météo 2024 (noaa.gov)
  7. Article Science – GraphCast (Lam et al. 2023)
  8. Google DeepMind – Publication officielle GraphCast
  9. Google DeepMind – Blog GraphCast
  10. GitHub – google-deepmind/graphcast
  11. Nature – Pangu-Weather (Bi et al. 2023)
  12. ECMWF – Key facts and figures
  13. ECMWF – Contrat supercalculateur Atos
  14. WMO – Congrès IA pour prévisions (2024)
  15. NOAA EPIC – Projet EAGLE
  16. Huawei – Communiqué Pangu-Weather Nature