気象予報に革命を起こすAI——その仕組み、可能性、そして限界

気象予報は、送電網の運用から避難計画まで、数兆ドル規模の経済的意思決定を支えている。そして今、AIがその予測精度を飛躍的に向上させようとしている。本エピソードでは、ホストのShayle KannがGoogle DeepMindのシニアディレクターPeter Battagliaを迎え、従来の数値気象予報（Numerical Weather Prediction）が抱える本質的な限界と、AI、特にトランスフォーマーやグラフニューラルネットワークがどのようにしてそれを突破しつつあるのかを深掘りする。会話のトーンは知的で好奇心に満ちており、Battaglia自身も「気象予報の世界には比較的新しく、学びながら話している」と謙虚に認めるなど、探求心と誠実さがにじむ対話となっている。

4:07気象予報の歴史と業界構造——公共財としての天気予報

Battagliaはまず、気象予報の歴史を概観する。約100〜150年前、農業や海洋予報のために組織的な観測が始まり、50年前にはNOAA（米国海洋大気庁）やECMWF（欧州中期予報センター）といった政府系気象機関が設立された。気象予報は伝統的に「公共財」として扱われ、税金で運営されてきた。その理由は明白だ。危険な嵐や洪水、極端な高温・低温から人命を守るだけでなく、農業、エネルギー、運輸といった分野での意思決定に不可欠だからである。Battagliaは「気象予報への公的投資は、経済的リターンが非常に大きい」と指摘する。

業界の構造は「パイプライン」に例えられる。まず政府系機関が全球規模の粗い解像度の予報を生成する。その後、民間企業がそのベース予報を「後処理」し、地域の気象観測データや過去の情報を加えて、スマホアプリに表示される「降水確率」のような、ユーザー固有の用途に特化した予報に仕上げる。この二層構造が、気象予報業界の長年の基本モデルだ。

8:31数値気象予報の核心——ナビエ・ストークス方程式と「蝶の羽ばたき」

気象予報の技術的核心は、大気を流体として捉え、その振る舞いを記述する「ナビエ・ストークス方程式」を解くことにある。しかし、この方程式はあまりに複雑なため、スーパーコンピュータ上で近似解を計算する「数値気象予報」が伝統的な手法だ。Battagliaは「100年前には想像もできなかった精度で、2週間先の天気を予測できるようになった」と、その進歩を称賛する。

しかし、ここに根本的な限界がある。それが「バタフライ効果」だ。大気はカオス的な系であり、蝶の羽ばたきのような微細な変化が、1週間後にはハリケーンの有無を左右する。完璧な予報には地球上のすべての蝶の位置を知る必要があるが、それは不可能だ。さらに、予報のプロセスは「予測」の前段階として「現在の気象状態の推定」が必要であり、衛星、気象観測所、気球、船舶などからのデータを統合して現在の状態を把握する。この推定自体が不完全である以上、予報には常に不確実性が伴う。これが「降水確率」や「気温の範囲」という表現の理由である。

19:37予報の難所——なぜ「降水」は「気温」より予測が難しいのか

Battagliaは、気象予報における最大の課題の一つとして「降水」を挙げる。気温は地図上で滑らかに変化するが、降水はそうではない。激しい雷雨は突然発生し、数キロ離れた場所ではまったく雨が降っていないこともある。このような微細なスケールの複雑なパターンは、従来のモデルでは捉えきれない。モデルの解像度よりも細かいスケールで現象が起きているため、二次的な処理で詳細を補完する必要がある。つまり、「予測すべき情報量が桁違いに多い」というのが、降水予測が難しい本質的な理由だ。

22:41新旧のAI——「教師あり学習」と「トランスフォーマー」がもたらした飛躍

ここからが本題だ。Battagliaは、気象予報に使われるAIの中核は「教師あり学習」だと説明する。過去の気象データを入力とし、その後の実際の気象を目標として学習することで、モデルは現在の状態から次の状態を予測する。そして、その出力を再び入力として「自己回帰的」に連鎖させることで、未来の時系列予報を生成する。

では、5年前と何が違うのか。鍵は「トランスフォーマー」と「グラフニューラルネットワーク」にある。従来の「畳み込みニューラルネットワーク」は局所的な情報しか扱えなかったが、トランスフォーマーは画像の端から端まで、任意の距離にある情報を直接結びつけることができる。これは大規模言語モデル（LLM）が文中の遠く離れた単語の関係を捉えるのと似ている。気象予報では、この能力が「空間的な長距離依存関係」の捕捉に活かされる。ハリケーンを例に取れば、従来モデルは圧力や温度、風速を局所的に計算するだけだったが、AIモデルはハリケーン全体を「ひとつの大きなマクロな物体」として認識し、その移動を追跡できる。Battagliaは「AIがどのように世界を見ているのか、その科学はまだ解明途上だが、空間認識の点で従来モデルとは質的に異なる」と語る。

30:52気象AIとLLMの決定的な違い——決定論的世界と確率的テキスト

Shayleはここで、気象予報AIとLLMの比較という興味深い問いを投げかける。LLMは「次の単語」に正解がなく、確率的な「最良の推測」を行う。一方、気象予報には物理法則に基づく「正しい答え」が存在し、膨大な過去データを学習に使える。これは気象AIにとって有利な点のように思える。

しかしBattagliaは、この見方に微妙なニュアンスを加える。「物理法則は決定論的だが、モデルが利用できる情報は不完全だ。蝶の羽ばたきを知らなければ、モデルにとってはハリケーンの発生もランダムな過程に見える」。つまり、モデルの視点に立てば、気象予報もまた不確実な確率過程なのである。一方で、テキストの不確実性とは質が異なる。「天気が突然『家具』という単語のように、まったく脈絡のない状態に跳ぶことはない」。気象の不確実性はより「制約された」ものだ。しかし、その代償として、気象AIは一度に数百万もの変数を予測しなければならない。Battagliaは「これはLLMラボの友人とビールを飲みながら議論するのがふさわしいテーマだ」と笑いながら締めくくる。

36:02データの豊かさと貧しさ——ERA5という至宝と、それでも足りない理由

気象予報AIの最大の強みは、ECMWFが提供する「ERA5」というデータセットの存在だ。これは1979年（後に1960年代まで拡張）から現在までの地球の気象を、6時間間隔、25km四方の解像度で記録した、極めて良質なデータセットである。Battagliaは「これは機械学習のために設計されたものではないが、完璧に適合した」と語る。

しかし、ここにも限界がある。過去のデータは観測技術の向上により、古いものほど精度が低い。そして何より、「天気は待たなければならない」。明日には一日分のデータが増えるだけだ。この「データの枯渇」が、現在のAI気象予報の最大の制約要因の一つである。そこで注目されているのが、スマートフォン、ビデオドアベル、車のワイパーや温度計、さらにはソーシャルメディア上の「今日は暑い」といった投稿など、従来は使われていなかった「異種データ」の活用だ。Battagliaは「データが多ければ多いほどモデルは良くなる。これは現代AIの最も驚くべき事実の一つだ」と強調する。

41:52未来の展望——エネルギー、防災、そして日常生活の変革

最後に、BattagliaはAI気象予報が実現する未来像を描く。エネルギー分野では、風力発電や太陽光発電の出力予測、電力需要の予測（暑さ・寒さ・湿度が冷暖房需要に与える影響）において、まだ「表面をなぞっただけ」の状態だという。サプライチェーンや物流、さらには消費者の日常的な意思決定（冷蔵庫に何を入れるか、旅行の計画）に至るまで、より正確でカスタマイズされた気象情報が浸透する可能性を指摘する。

そして最も重要なのが、危機対応だ。DeepMindの最近の熱帯低気圧予報の研究に触れ、「より早く、より正確な警報を発することで、人命を救い、山火事のような災害が制御不能になる前に対処できるかもしれない」と語る。Battagliaは「テクノロジーの力で、子どもたちにより良い世界を残したい」というチームの信念を静かに、しかし力強く表明する。

まとめ

このエピソードが特に印象的なのは、AI気象予報を「LLMの単なる応用」としてではなく、物理世界のモデリングという独自の挑戦として位置づけた点だ。決定論的な物理法則と、不完全な観測データが生み出す本質的な不確実性。局所的な計算と、全球的な空間認識のギャップ。そして、豊富でありながら決して十分ではないデータ。Battagliaの誠実な語り口は、AIがもたらす楽観的な未来像と、その前に立ちはだかる科学的・工学的な難問の両方を、バランスよく伝えている。気象予報は、AIが「現実世界」にどう応用されうるかの優れたケーススタディであり、この対話はその最前線を生々しく描き出している。