何が起きているか
気象・気候分野の「AI」は、生成AIやLLMではなく、過去の観測データを学習させたニューラルネットワーク型の機械学習(ML)モデルを指します。Google、Nvidia、Huawei、Microsoftといった巨大テック企業が相次いで参入し、ECMWFは2025年2月に独自のMLモデル「AIFS」を本番運用に投入しました。AIFSは再解析データで学習し、温度・気圧・風・水蒸気・雲量・降水・日射・土壌水分などを含む地球全体のスナップショットから、6時間先の状態を予測します。
なぜ「数値計算からML」が起きるのか
最大の論点はコストです。ECMWFによれば、従来の物理モデルIFSの1回の予報実行はAIFSの約1,000倍のエネルギーを消費し、所要時間も30分対3分。アンサンブル予報では50通りのシミュレーションを走らせるため、この差は運用コストに直結します。気象予測は社会インフラであり、計算資源が10倍速く、1/1000の電力で済むなら、保険・物流・農業・電力需給などの周辺産業も含めて経済合理性が一変します。
構造的な落とし穴
MLモデルは質量保存・エネルギー保存といった物理法則を内在しないため、「負の降水量」のような非物理的な出力を吐くことがあります。AIFSは負の降水を0に丸める「物理ガードレール」を後付けで持たせていますが、本質的な弱点は別にあります。学習データに無い事象を外挿できないため、記録更新級の極端気象では頻度と強度を系統的に過小評価し、記録超過幅が大きいほど誤差が拡大する傾向が報告されています。
気候モデルは別物
短期予報と気候予測は問題設定が違います。気候モデルはCO2排出量など「境界条件のif」を問うもので、歴史データに無い世界を扱う以上、純粋なMLでは原理的に解けません。Caltechのタピオ・シュナイダー氏が率いるCliMAは、Fortranの既存資産を捨ててJuliaとGPUネイティブ設計で気候モデルを書き直し、雪被覆など小スケールのパラメタリゼーションだけをMLに置き換えるハイブリッド設計を採っています。「物理ガードレールを残すために、モデル全体ではなく内部の小スケールにMLを置く」というのが思想です。
💼 事業会社視点：これは自社にどう効くか
日本の事業会社が見るべき論点
損保・再保険・電力小売・農業ITは前提を更新すべきです。 短期予報の精度が上がり、計算コストが1/1000になる世界では、これまで「外部の予報を買って使う」だけだった企業が、自社業務に最適化した予報レイヤーを持てるようになります。電力需給インバランス回避、物流の運休判断、農作物の生育・出荷予測など、予報を内製化する余地が生まれます。
ただし極端気象の過小評価は経営リスクに直結します。 線状降水帯や記録的高温など、保険損害・サプライチェーン分断を引き起こす事象こそMLが苦手とする領域です。MLベース予報を意思決定に組み込む企業は、物理モデル(IFS等)との並走・アンサンブル前提の運用設計が必須で、「AI予報に一本化」という説明は経営として危険です。
SaaS・受託開発の事業機会としては、「MLの高速性 × 物理モデルの堅牢性」をハイブリッドで提供する業界特化型レイヤーが本命です。 汎用予報APIの再販ではなく、保険査定・電力取引・農業保険といった意思決定UIへの埋め込みが差別化点になります。
