何が起きたか
Google DeepMindとGoogle Researchが開発した気象AI「WeatherNext」に関する論文が、木曜にNatureで公開されました。熱帯低気圧の進路と強度を、これまでにない精度で予測できるという内容です。
実績はすでに現場で出ています。2025年10月、カリブ海で発生した低気圧について、既存モデルの見解は割れていました。勢力を保てずハイチへ向かうのか、発達してジャマイカへ向かうのか。WeatherNextは上陸5日前の時点で、80%の確度で「カテゴリー5のハリケーンとしてジャマイカを直撃する」と示しました。ハリケーン・メリッサはジャマイカ各地に洪水と土砂災害をもたらす壊滅的な災害となりましたが、進路上の地域には従来より早い警報が出されました。米国立ハリケーンセンター（NHC）が、まだカテゴリー1の段階でカテゴリー5への発達を予測できたのは、これが初めてだといいます。
なぜ「1日」が決定的なのか
平均すると、WeatherNextは予報官に1日分の追加リードタイムを与えます。3日先の予測精度が、従来モデルの2日先と同等という水準です。地味に見えますが、研究者によれば従来この「1日」を前倒しするには10年規模の研究が必要でした。NHCのMike Brennan氏は「数時間の違いでも意味がある」「そうした判断において時間はまさに黄金であり、精度を1日分先まで押し出せることの価値は非常に大きい」と述べています。避難、資材配置、営業停止判断——時間が足りずに実行できなかった意思決定が、実行可能な選択肢に変わるということです。
技術的に何が驚かれたのか
ハリケーン予測が難しいのは、現象が複数の空間スケールにまたがるためです。進路の予測には寒冷前線の位置や卓越風といった全球規模のデータが要り、強度の予測には局所的な大気・海洋の細かいデータが要ります。Cooperative Institute for Research in the AtmosphereのKate Musgrave氏によれば、これまでのAIモデルは進路には強い一方「強度はまったくうまくいかなかった」。今回は「結果が良すぎて、リアルタイムの実証でも同じ精度が出るのか懐疑的だった」ものの、実運用でも性能は保たれました。
さらに意外だったのは入力データです。WeatherNextは、従来モデルが強度予測に必要としてきた解像度よりはるかに粗い大気データしか使っていません。研究チームのFerran Alet氏は「相対的に粗い解像度しか使っていないと伝えたとき、コミュニティは衝撃を受けた。低解像度の入力が、これまで考えられていたよりも多くのシグナルを含んでいることを意味するからだ」と語ります。なぜ当たるのかはDeepMindの研究者自身にも完全には分かっておらず、Alet氏は「結局のところブラックボックスだが、それは物理学者にとって、これまで理解されていなかった何かが起きているというシグナルになる」と述べています。
希少な事象という学習データの壁は、設計で回避されました。「サイクロンのデータはそれほど多くないが、気象のデータは大量にある。だから気象とサイクロンの両方が得意なモデルを訓練した」（Alet氏）。
単一予測から1,000シナリオへ
運用上の変化としてもう一つ重要なのが、出力の形です。WeatherNextは単一の予測ではなく複数のシナリオ群を出し、バタフライ効果的な分岐を表現します。昨年は1嵐あたり50シナリオでしたが、現在は1,000です。Musgrave氏は「今の計算資源では、既存の数値モデルではこれは到底できない」と言います。予報官はこの出力を他モデルと併用しています。
ただしBrennan氏は「昨年よく当たった、この嵐でよく当たったからといって、次のシーズンや次の嵐で最良のモデルである保証はない」と釘を刺し、「ハリケーンは進路や強度の予測だけではない。それが何をもたらすかを翻訳する専門家が必要で、人を殺すのはその影響のほうだ」と人間の専門性の重要性を強調します。
DeepMindは、ハリケーンシーズンに使用したWeatherNextモデルをオープンソース化すると発表しました。Alet氏は、研究コミュニティに開くことでサイクロンの仕組みそのものへの新しい知見が生まれることを期待しています。
💼 事業会社視点：これは自社にどう効くか
日本企業にとっての含意は「防災」より広い。第一に、サプライチェーンとロジスティクスです。1日のリードタイムは、コンテナの積み替え、倉庫の在庫退避、配送網の迂回、工場の計画停止といった、実行に半日〜1日かかる打ち手を「間に合う」側に移します。ECや3PLなら、単一予測を前提にした現行のBCPフロー（警報が出てから動く設計）を、確率シナリオを前提にした段階発動型に組み替える価値があります。1,000シナリオの出力は、意思決定を「当たる／外れる」から「どの分岐にいくら賭けるか」に変えるからです。
第二に、モデルがオープンソース化される点。損保・再保険、電力・再エネ、農業、建設、屋外イベント、旅行など気象感応度の高い事業では、自社データと組み合わせた需要予測・リスク推計を、社内のデータチームや受託開発ベンダーで内製できる領域が広がります。SaaS事業者にとっては、気象を外部APIから買う機能から、自社の予測レイヤーを持つ機能への差別化余地が生まれます。
第三に、経営判断への一般化。粗い解像度の入力でも高精度が出たという事実は、「まず高精度データを揃えないとAIは使えない」という社内の投資前提を揺さぶります。データ整備プロジェクトの前に、手元の粗いデータでモデルを回して精度の上限を測る——順序の入れ替えが、AI投資の費用対効果を大きく変えます。ただしブラックボックスである以上、Brennan氏の指摘どおり、出力を事業インパクトに翻訳する人間の専門家をどこに置くかが説明責任の分かれ目になります。
