Google DeepMind et Google Research ont dévoilé un nouveau modèle d'intelligence artificielle baptisé WeatherNext 3, conçu pour améliorer la précision et le détail des prévisions météorologiques. Ce modèle devrait être progressivement intégré à plusieurs services de Google, notamment Google Search, Google Maps et Gemini, afin d'améliorer leurs fonctionnalités liées à la météorologie. WeatherNext 3 apporte une amélioration significative à la fois en termes de résolution spatiale et temporelle par rapport à sa version précédente, WeatherNext 2. Alors que WeatherNext 2 fournissait des prévisions avec une résolution de 25 kilomètres et des mises à jour toutes les six heures, WeatherNext 3 peut prédire les conditions météorologiques avec une résolution de 5 kilomètres et mettre à jour les prévisions toutes les heures. Les tests effectués à l'aide de l'outil de comparaison Operational WeatherBench montrent que WeatherNext 3 se comporte mieux que d'autres modèles d'apprentissage profond développés par des entreprises comme Microsoft et Nvidia, ainsi que les modèles de prévision traditionnels provenant du Centre européen de prévision à moyenne échéance (ECMWF) et du Service national de météorologie des États-Unis. Pour atteindre cette amélioration des performances, Google a augmenté la taille du modèle, lui donnant 2,4 fois plus de paramètres que WeatherNext 2. Cette augmentation permet au modèle de traiter des données plus complexes et de générer des prédictions plus précises. L'entraînement de WeatherNext 3 repose sur des données provenant de stations météorologiques spécifiques, ce qui permet au modèle de créer des prévisions locales plus détaillées. De plus, le modèle utilise des données satellitaires en temps réel qui sont intégrées toutes les heures, permettant des mises à jour plus fréquentes. Contrairement aux modèles antérieurs qui utilisaient principalement des données météorologiques traitées, WeatherNext 3 utilise directement des données d'observation brutes. Cette approche permet au modèle de fournir des prévisions plus précises et plus rapides. La prévision météorologique basée sur l'intelligence artificielle, telle que celle utilisée dans WeatherNext 3, est plus rapide et moins coûteuse que les méthodes numériques traditionnelles, qui nécessitent des superordinateurs puissants pour résoudre des équations atmosphériques complexes. Au lieu de s'appuyer sur ces superordinateurs, des modèles d'intelligence artificielle comme WeatherNext 3 apprennent à partir des schémas de données météorologiques historiques, réduisant ainsi les ressources informatiques nécessaires à la prévision. Ferran Alet, chercheur au sein de Google DeepMind, a noté que l'apprentissage automatique permet de surmonter le défi de prédire des phénomènes physiques complexes lorsque les informations sont incomplètes et les ressources informatiques limitées. En analysant de grands volumes de données, le modèle peut identifier et prédire des schémas météorologiques récurrents avec une plus grande précision.