L'IA change la façon dont nous prévoyons la météo. C'est plus périlleux qu'on ne le pense

Le 12 novembre 1970, le cyclone Bhola claqué sur la côte de ce qui était alors le Pakistan oriental. La tempête a provoqué des vents maximums soutenus de 130 miles par heure (205 kilomètres par heure) et une onde de tempête de 35 pieds (10,5 mètres), tuant environ 300 000 à 500 000 personnes.

Aujourd’hui, le cyclone Bhola reste la tempête tropicale la plus meurtrière jamais enregistrée. Mais si elle avait frappé une décennie plus tard, elle n’aurait peut-être pas été aussi dévastatrice. Prévision météo modifié de manière spectaculaire dans les années 1970, lorsque les météorologues ont adopté des modèles informatiques basés sur la physique qui ont amélioré la prévision des tempêtes. Avec l’essor de l’IA, les prévisions évoluent à nouveau, mais cette fois, les experts craignent que les nouveaux modèles ne soient moins fiables lorsqu’il s’agit de prédire des événements météorologiques sans précédent.

Les chercheurs appellent cela le problème du « cygne gris ». Les phénomènes météorologiques extrêmes du cygne gris sont physiquement plausibles, mais si rares qu'ils sont mal représentés dans les ensembles de données d'entraînement. Le problème est que le changement climatique entraîne des phénomènes météorologiques extrêmes, les premiers en leur genre. Pensez : la vague de chaleur du nord-ouest du Pacifique de 2021. Cet événement était si grave qu'il aurait a été pratiquement impossible sans le changement climatique.

Modèles de prévision physique peut simuler des événements de cygne gris comme la vague de chaleur du nord-ouest du Pacifique, bien qu'ils soient qualifiés d'extrêmement rares. Ils peuvent le faire parce qu’ils reposent sur les lois de la physique. Les modèles d’IA sont entraînés sur des données météorologiques passées, dans lesquelles les cygnes gris sont pratiquement inexistants.

« Ils échouent sur les cygnes gris », a déclaré à Gizmodo Pedram Hassanzadeh, professeur agrégé de sciences géophysiques à l'Université de Chicago. Lui et ses collègues publié une étude d'avril dernier qui a supprimé tous les ouragans de catégorie 3 à 5 de l'ensemble de données de formation d'un modèle d'IA, puis l'a testé sur des tempêtes de catégorie 5. Les résultats ont montré que les modèles d’IA ne peuvent pas prévoir avec précision des événements inédits, car cela nécessiterait une extrapolation.

« Le problème ne vient pas des ratés occasionnels. C'est que les modèles d'IA peuvent rater silencieusement, produisant des prévisions fiables de conditions météorologiques banales alors qu'un événement record se déroule », a déclaré Rose Yu, professeur agrégé d'informatique et d'ingénierie à l'Université de Californie à San Diego, dans un e-mail à Gizmodo.

« D’autres risques comptent également », a-t-elle déclaré. « Les modèles d'IA peuvent violer les lois de conservation de manière subtile qui n'apparaît pas dans les mesures standard. Lorsqu'ils déjouent une prévision, il est plus difficile de diagnostiquer pourquoi. Ils dépendent de systèmes d'observation stables, ce qui est une réelle préoccupation compte tenu de la pression actuelle sur les programmes satellitaires. Et sur le plan institutionnel, si nous nous consolidons trop rapidement autour de l'IA et laissons les infrastructures basées sur la physique s'atrophier, nous perdons la redondance qui détecte actuellement les échecs de l'IA. « 

Les arguments en faveur de la prévision par l’IA

Malgré ces pièges, les météorologues adoptent rapidement les modèles de prévision basés sur l’IA, et il est facile de comprendre pourquoi. Ils sont plus rapides, moins chers et nécessitent beaucoup moins d’infrastructure informatique que les modèles physiques. Lorsqu’il s’agit de prédire des modèles et des événements météorologiques typiques (et non des cygnes gris), leur précision est comparable et s’améliore rapidement.

« Le taux de progrès typique pour la plupart des modèles physiques de pointe est d'environ un jour de plus précis par décennie, ce qui ne semble pas beaucoup, mais c'est conséquent », a déclaré à Gizmodo Andrew Charlton-Perez, professeur de météorologie et directeur de l'École des sciences mathématiques, physiques et informatiques de l'Université de Reading.

« Le taux de croissance de la précision des modèles d’apprentissage automatique a largement dépassé ce chiffre », a-t-il déclaré. « Ils sont désormais compétitifs, et il y a deux ou trois ans, ils n'étaient même pas dans la même situation. »

Au cours de la saison des ouragans de l'Atlantique 2025, par exemple, le modèle de Google DeepMind a surpassé presque tous les modèles physiques en termes de trajectoire et d'intensité des tempêtes. En fait, depuis 2023, selon Yu.

Les modèles d’IA s’avèrent particulièrement utiles dans les régions du monde qui manquent de ressources de prévision traditionnelles – des régions qui sont souvent en première ligne du changement climatique. Hassanzadeh co-dirigé une initiative qui a fourni à 38 millions d'agriculteurs à travers l'Inde des prévisions de mousson basées sur l'IA, leur donnant jusqu'à quatre semaines d'avance sur le début de la saison des pluies.

« De nombreux pays ont été laissés pour compte dans cette première révolution de la prévision météorologique, car [traditional] les prévisions météorologiques nécessitent un superordinateur, des centaines de millions de dollars, divers domaines, de la main-d'œuvre et des experts », a expliqué Hassanzadeh. Les modèles d'IA, en comparaison, sont beaucoup plus accessibles aux pays à faible revenu.

Combler les lacunes des connaissances

Il serait néanmoins dangereux d’adopter rapidement ces modèles sans tenir compte des risques, en particulier dans les régions du monde très vulnérables aux impacts du changement climatique. Shruti Nath, associée de recherche postdoctorale à l'Université d'Oxford, a récemment co-écrit un éditorial appelant à des tests plus rigoureux des modèles de prévision de l’IA avant que les agences publiques ne les adoptent largement.

« Il y a encore beaucoup de travail à faire pour comprendre les limites de ces modèles, ainsi que les domaines dans lesquels ils pourraient compléter les modèles physiques et pourquoi », a-t-elle déclaré à Gizmodo dans un e-mail.

L'éditorial de Nath décrit un cadre pour tester les modèles de prévision de l'IA qui retiendraient délibérément un ensemble désigné d'événements extrêmes « emblématiques » (comme la vague de chaleur du nord-ouest du Pacifique, par exemple) de l'ensemble de données de formation. Ces événements seraient réservés uniquement à des tests visant à évaluer la capacité des modèles à extrapoler des phénomènes météorologiques extrêmes sans précédent, ou cygnes gris.

En réalité, la mise en œuvre de ce protocole AIRWIE (AI Retraining Without Iconic Events) « nécessiterait que la communauté météorologique se mette d’accord sur les événements à fort impact qui constituent une référence rigoureuse », indique l’éditorial. Ce serait une entreprise formidable, mais Nath pense que la plupart des chercheurs conviennent qu’il existe un besoin urgent de ce type de tests.

« Nous devons cependant être un peu plus organisés pour garantir que les protocoles appropriés peuvent être suivis et que des garanties solides sont mises en place et maintenues par la communauté », a déclaré Nath. « C'est difficile quand les choses sont dans une telle phase de battage médiatique et que personne ne veut manquer le train en marche. »

D’autres chercheurs, comme Hassanzadeh, développent des moyens d’apprendre aux modèles de prévision de l’IA à prédire les cygnes gris. Lui et ses collègues étudient si la combinaison de systèmes d'IA avec des méthodes « d'échantillonnage pertinentes » – qui leur permettent de générer des échantillons d'événements de cygne gris – peut améliorer la capacité des modèles à extrapoler des extrêmes sans précédent.

Les efforts visant à comprendre et à remédier aux limites des prévisions de l’IA seront essentiels, car il n’est plus possible de revenir en arrière. L’IA remodèle déjà la façon dont nous prévoyons le temps, et à mesure que le climat devient de plus en plus volatile, les météorologues auront besoin que tous les outils de leur arsenal soient précis et fiables. Malgré leurs limites actuelles, il y a beaucoup à gagner en continuant à faire progresser ces systèmes et en trouvant la meilleure façon de les intégrer aux prévisions physiques.

« Le programme de recherche vise à rendre les modèles d'IA physiquement cohérents, bien calibrés et robustes aux changements de distribution », a déclaré Yu. « Abandonner cette approche en raison du problème du cygne gris signifie renoncer à la plus grande amélioration en matière de prévision depuis une génération. »