L'effet papillon menacé : comment Google et Nvidia tentent d'apprivoiser le chaos météo

La météorologie a toujours été une science de la grande humilité. Nous avons l'habitude de considérer la prévision du lendemain comme une information utile, et celle à deux semaines comme du marc de café mâtiné de science-fiction. La faute à Edward Lorenz et à son célèbre effet papillon. La moindre erreur dans les données initiales transforme n'importe quel modèle informatique en bouillie chaotique après quelques jours de simulation. Mais Google, Microsoft et Nvidia ont décidé que le chaos n'était qu'un réseau de neurones mal entraîné, et se sont lancés dans une expansion à grande échelle sur le territoire des prévisionnistes.

Pendant des décennies, la météorologie mondiale s'est appuyée sur la prévision numérique du temps (NWP). Ce sont des systèmes monstrueux d'équations de thermodynamique et d'hydrodynamique, « broyés » par des supercalculateurs de la taille d'un petit entrepôt. Le problème : ces modèles sont incroyablement lents et coûteux à exploiter.

Le temps qu'un modèle classique finisse de calculer un cyclone complexe, celui-ci peut déjà être en train d'inonder des villes côtières. C'est là qu'interviennent les modèles d'IA de nouvelle génération, comme GraphCast de Google DeepMind ou FourCastNet de Nvidia. Au lieu de résoudre les équations de la physique, ils examinent les archives de données historiques des dernières décennies et y cherchent des motifs cachés.

C'est un basculement fondamental : on passe de la compréhension des causes à la simple reconnaissance de scénarios.

Pourquoi cette bataille s'intensifie-t-elle maintenant ? La réponse est simple : on a accumulé assez de données de qualité et, surtout, assez de puissance de calcul. Nvidia joue ici un double rôle.

Elle ne se contente pas de vendre les « pelles », sous forme de puces graphiques, pour cette ruée vers l'or : elle creuse aussi activement elle-même, avec son projet Earth-2. Il s'agit de bâtir un jumeau numérique de toute la planète, où l'IA pourrait simuler le changement climatique avec une précision inédite. Microsoft ne reste pas en retrait : l'entreprise intègre des solutions similaires à ses services cloud pour les groupes agro-industriels et les géants de la logistique, pour qui il est vital de savoir quand exactement le prochain port fermera à cause d'une tempête.

Pourtant, le scepticisme grandit dans la communauté météorologique, et il est tout à fait fondé. Les modèles traditionnels « comprennent » la physique du phénomène : ils savent pourquoi le vent souffle et comment l'humidité se condense. Les modèles d'IA restent, dans ce contexte, des « boîtes noires ».

Ils peuvent produire un résultat d'une précision effrayante, mais sont incapables d'expliquer comment ils y sont parvenus. Il existe un risque : face à une anomalie absente de l'échantillon d'entraînement (par exemple à cause de l'évolution rapide du climat), le réseau de neurones peut halluciner au lieu de produire une prévision. En météorologie, le prix d'une telle erreur ne se mesure pas en clics perdus, mais en vies humaines et en infrastructures détruites.

Pour l'économie mondiale, les enjeux sont encore plus élevés. Une prévision précise de la trajectoire d'un ouragan à dix jours au lieu de cinq permet d'évacuer à temps matériel et personnes, et de préserver des milliards de dollars. Les entreprises énergétiques qui basculent vers les renouvelables dépendent de façon critique de la connaissance de la quantité de soleil et de vent disponible sur le réseau à une heure donnée. En somme, la météorologie passe d'une discipline physique fondamentale à un travail appliqué sur le Big Data. Cela peut changer durablement notre perception de l'incertitude.

L'IA peut-elle vaincre définitivement l'effet papillon ? Peu probable, car le chaos est inscrit dans la nature physique même de l'atmosphère. Mais elle peut assurément rendre ce chaos assez prévisible pour que nous cessions d'être surpris par des cataclysmes « soudains ». La bataille du ciel ne fait que commencer, et ses principaux héros ne sont pas des gens en imperméable devant une carte, mais des ingénieurs en apprentissage automatique qui tentent de faire tenir toute la complexité de l'atmosphère terrestre dans les rangs ordonnés des poids d'un réseau de neurones.

L'essentiel : l'IA fait passer la météorologie de la physique théorique à une compétition d'algorithmes et de données. La vitesse d'obtention des prévisions a été multipliée par des milliers, mais sommes-nous prêts à confier la sécurité des villes à des modèles qui ne connaissent pas les lois de la physique et se contentent de se souvenir de ce qui s'est passé la dernière fois ?