Google DeepMind a publié ses travaux WeatherNext dans Nature le 6 août 2026, et a diffusé le code et les poids le jour même. L'annonce tient en une journée d'avance : des prévisions de trajectoire cyclonique à trois jours aussi bonnes que ce que les modèles précédents fournissaient à deux jours, soit environ cent kilomètres d'erreur de position en moins face à l'ensemble du CEPMMT à cette échéance. Le code est sous Apache 2.0, les poids et les documents associés sous Creative Commons Attribution 4.0, et une variante mini tourne dans un carnet Colab gratuit sur un seul TPU. Nous avons regardé ce que contient vraiment le dépôt.
The short answer
Google DeepMind a publié WeatherNext dans Nature le 6 août 2026, et a ouvert le code et les poids du modèle le jour même. WeatherNext Cyclones améliore la trajectoire des cyclones tropicaux à trois jours d'environ cent kilomètres face à l'ensemble du CEPMMT, et l'intensité d'environ onze nœuds face à HWRF, ce que DeepMind résume par une journée d'alerte en plus. Le dépôt contient WeatherNext 2, WeatherNext Cyclones et les variantes mini des deux, plus les modèles GraphCast et GenCast antérieurs. Les points de contrôle mini tournent à 1 degré de résolution sur un seul TPU ou un GPU de classe P100, et le carnet Colab fourni fonctionne sur l'offre gratuite.
La plupart des sorties de modèles arrivent avec un tableau de résultats et une invitation à y croire. Celle-ci arrive avec une saison cyclonique derrière elle, ce qui est une affirmation d'une autre nature, et plus utile.
Ce que disent les chiffres
Deux erreurs comptent en prévision cyclonique et elles se trompent indépendamment. L'erreur de position indique où sera la tempête. L'erreur d'intensité indique la force du coup à l'arrivée. Un modèle peut exceller sur l'une et rester moyen sur l'autre, et historiquement les modèles d'intensité spécialisés et les ensembles globaux se partageaient ce travail.
WeatherNext Cyclones réduit l'erreur de position à trois jours d'environ cent kilomètres face à l'ensemble du CEPMMT, et l'erreur d'intensité à trois jours d'environ onze nœuds face à HWRF. Le résumé de DeepMind mérite d'être repris tel quel : la prévision à trois jours vaut à peu près ce que les modèles précédents produisaient à deux jours.
Vingt quatre heures de plus paraissent anecdotiques jusqu'à ce que l'on regarde ce qui se passe dedans. Les ordres d'évacuation, les transferts hospitaliers, le routage des navires et la préparation du réseau électrique se comptent en jours, pas en heures, et chacun gagne un cycle entier.
La preuve opérationnelle est ce qui distingue ce travail d'une entrée dans un classement. Pendant la saison atlantique 2025, le National Hurricane Center a utilisé le modèle pour prévoir l'ouragan Melissa, son intensification rapide et son arrivée sur la Jamaïque comprises. L'intensification rapide est justement le cas que les modèles classiques traitent le plus mal, c'est donc un test honnête et non un test flatteur.
Comment le modèle est construit
L'architecture décrite par DeepMind est un modèle unique qui relie les régimes de vent mondiaux au comportement de plus petite échelle d'une tempête donnée, plutôt qu'un modèle de tempête spécialisé greffé sur une prévision générale. L'entraînement a mobilisé près de vingt téraoctets de données atmosphériques mondiales, plus l'archive IBTrACS d'environ cinq mille cyclones historiques.
La partie générative produit la dispersion. WeatherNext utilise des réseaux génératifs fonctionnels pour produire des ensembles de 1 000 membres, là où la génération de 2025 en produisait 50. C'est un facteur vingt sur la finesse d'échantillonnage de la distribution, et cela n'est abordable que parce qu'une prévision unique à quinze jours prend moins d'une minute sur un TPU. Un ensemble physique paie chaque membre par une simulation complète, ce qui explique précisément pourquoi les ensembles opérationnels se comptent en dizaines.
Ce que contient le dépôt
Le dépôt contient plus que le modèle vedette. WeatherNext 2 est le modèle atmosphérique général à moyenne échéance. WeatherNext Cyclones est le modèle spécialisé. Les deux ont leur pendant mini, et les anciens GraphCast et GenCast s'y trouvent aussi, si bien que le dépôt fait office d'archive de toute la lignée.
La distinction qui compte pour qui veut exécuter tout cela, c'est la résolution. Les points de contrôle complets travaillent à 0,25 degré, environ trente kilomètres, et DeepMind recommande un TPU, avec le H100 comme voie GPU. Les points de contrôle mini travaillent à 1 degré et sont décrits dans le README comme adaptés aux essais locaux ou à un seul TPU ou GPU, ce qui les place en territoire P100. Plusieurs versions de points de contrôle sont livrées avec des dates de coupure de données différentes, de 2023 à 2025, ce qui compte si vous comptez évaluer le modèle sur une saison qu'il n'a pas vue.
Les licences sont séparées elles aussi, et cela mérite lecture plutôt que supposition. Le code est sous licence Apache 2.0. Les poids et les autres documents associés sont sous Creative Commons Attribution 4.0. Les deux autorisent l'usage commercial, les deux exigent l'attribution, et ce ne sont pas les mêmes licences : une revue de conformité doit donc examiner les deux fichiers, pas un seul.
À qui cela s'adresse vraiment
La décision intéressante est la variante mini, et plus précisément le choix de faire pointer le carnet Colab par défaut sur WeatherNext Cyclones Mini avec un environnement v5e-1 fourni par l'offre gratuite. Ce n'est pas un confort de démonstration. L'intention affichée est de mettre cette classe de modèle à portée des services météorologiques nationaux sans budget de calcul intensif, et les régions citées sont les Caraïbes, les îles du Pacifique et l'Asie du Sud.
Ce sont les endroits où la prévision cyclonique pèse le plus lourd et où l'infrastructure de prévision est la plus mince, donc une licence ouverte et un carnet gratuit y font plus de travail que pour la plupart des publications de modèles.
Si vous évaluez tout cela pour un usage opérationnel, la position de départ honnête est que les points de contrôle mini servent à apprendre l'interface et le format des données, pas à remplacer les modèles complets. Le README le dit lui même. Lancez le carnet d'abord, comprenez à quoi ressemblent les entrées, puis décidez si les modèles complets et le matériel qu'ils réclament valent le coup pour votre cas.
Sources et pour aller plus loin
- WeatherNext: AI model achieves breakthrough in forecasting cyclones, Google DeepMind, 6 août 2026
- google-deepmind/weathernext sur GitHub
- Google DeepMind Open Sources WeatherNext AI Cyclone Forecasting Model, Open Source For You
- Google's WeatherNext 2 Gains a Full Day of Cyclone Warning, Goes Open Source, Unite.AI
- WeatherNext Publishes Proof: Cyclone AI Gave NHC Extra Day of Warning on Hurricane Melissa, TechTimes, 8 août 2026
Questions fréquentes
Qu'a réellement publié DeepMind, et sous quelle licence ?
Trois choses sont arrivées ensemble le 6 août 2026 : un article dans Nature, le code d'inférence et les points de contrôle du modèle. Le dépôt github.com/google-deepmind/weathernext contient WeatherNext 2 pour la prévision atmosphérique générale à moyenne échéance, WeatherNext Cyclones pour la trajectoire, l'intensité et la structure du vent des cyclones tropicaux, ainsi que les modèles GraphCast et GenCast que Google avait déjà publiés. Les licences sont séparées, comme c'est désormais courant pour ce type de diffusion : le code est sous licence Apache 2.0, tandis que les poids et les autres documents associés sont sous Creative Commons Attribution 4.0. Cette combinaison permet un usage commercial et des travaux dérivés, à condition de citer la source. Mieux vaut lire les deux fichiers de licence plutôt que supposer, car un dépôt à deux licences se lit facilement de travers, et les points de contrôle sont la partie que tout le monde veut réellement.
Quel est le gain en chiffres plutôt qu'en adjectifs ?
Deux chiffres comptent : la position et l'intensité. Sur les prévisions à trois jours, WeatherNext Cyclones réduit l'erreur de position de la trajectoire d'environ cent kilomètres face à l'ensemble du CEPMMT, et l'erreur d'intensité d'environ onze nœuds face à HWRF. DeepMind résume l'effet combiné par une journée gagnée : la prévision à trois jours vaut à peu près ce que la génération précédente produisait à deux jours. Pour situer la lenteur habituelle de ce domaine, ce saut est décrit comme environ une décennie de progrès classique. Le modèle a aussi tourné en conditions opérationnelles et pas seulement sur des données historiques. Pendant la saison cyclonique atlantique 2025, le National Hurricane Center l'a utilisé pour prévoir l'ouragan Melissa, y compris son intensification rapide et son arrivée sur la Jamaïque, ce qui transforme un banc d'essai en preuve.
De quel matériel ai-je besoin pour le faire tourner ?
Moins que ce que l'on imagine, si l'on choisit la bonne variante. Les modèles complets travaillent à 0,25 degré de résolution, environ trente kilomètres, et DeepMind recommande un TPU ; côté GPU, les points de contrôle complets réclament un H100. Les variantes mini travaillent à 1 degré et sont explicitement pensées pour peu de mémoire et peu de calcul, ce qui les ramène à un GPU de classe P100 ou à un seul TPU. Le carnet Colab interactif du dépôt utilise par défaut WeatherNext Cyclones Mini sur un environnement v5e-1, et cet environnement est disponible sur l'offre Colab gratuite. Le ticket d'entrée pour un premier essai se limite donc à un navigateur et un compte Google. Le compromis est annoncé franchement dans le fichier README : les points de contrôle mini produisent les mêmes sorties mais ne prétendent pas égaler les grands modèles.
Pourquoi la taille de l'ensemble revient-elle sans cesse ?
Parce qu'une prévision cyclonique est une distribution de probabilité et non un trait sur une carte, et que le nombre de membres finançables détermine la finesse avec laquelle on voit les queues de distribution. WeatherNext produit des ensembles de 1 000 membres, contre 50 pour la génération de 2025, grâce à une approche que DeepMind appelle réseaux génératifs fonctionnels. Vingt fois plus de membres, c'est ce qui permet à un prévisionniste de raisonner sur les scénarios peu probables mais coûteux, cette intensification rapide qui arrive plus vite que la trajectoire moyenne ne le laissait croire, plutôt que sur le seul cas central. Le coût rend la chose praticable : une prévision unique à quinze jours se génère en moins d'une minute sur un TPU. Les ensembles physiques classiques coûtent cher précisément parce que chaque membre est une simulation complète, donc des membres bon marché changent tout.
Est-ce un remplacement pour un service météorologique national ?
Non, et DeepMind ne le présente pas ainsi. Le modèle a été développé avec le National Hurricane Center, le Cooperative Institute for Research in the Atmosphere et le Met Office britannique, et il s'insère dans un processus de prévision plutôt qu'il ne le remplace. Ce que l'ouverture change, c'est l'accès à cette classe de modèle. L'intention affichée derrière la variante mini exécutable dans Colab est d'abaisser la barrière pour les services météorologiques nationaux dépourvus de superordinateurs, en particulier dans les Caraïbes, les îles du Pacifique et l'Asie du Sud, qui sont aussi les régions où une journée d'alerte supplémentaire vaut le plus cher. Les données d'entraînement derrière tout cela représentent près de vingt téraoctets de données atmosphériques mondiales, plus l'archive IBTrACS d'environ cinq mille tempêtes historiques.