機械学習モデルは天気予報の分野で急速に普及しつつあります。「この雨はどれくらい続くのか」という簡単な予測から、10日間の見通し、さらには1世紀単位の予測まで、幅広い予測を可能にしています。この技術は、気象学者だけでなく、アプリや地元のニュース局にとってもますます重要になっています。しかし、機械学習モデルが天気を「理解」しているという点では、私たち人間と変わりません。
数十年にわたり、気象学と天気予報は、主に観測結果を綿密に調整された物理学に基づくモデルや方程式に当てはめることによって定義されてきました。これは今でも変わりません。観測なくして科学はあり得ません。しかし、膨大なデータアーカイブによって、私たちが関心を持つほぼあらゆる時間スケールをカバーする強力なAIモデルが実現しました。そしてGoogleは、この分野を未来永劫に支配しようとしています。
スペクトルの短い端には即時予報があり、これは通常、「傘が必要か？」という質問に対して参照されます。これは、DeepMind の「ナウキャスティング」モデルによって提供されます。このモデルは基本的に、降水マップを一連の画像のように見て（実際、一連の画像です）、それらの画像の形状がどのように進化し、変化するかを予測しようとします。
数え切れないほどの時間のドップラーレーダー研究により、モデルは、寒冷前線が雪や凍雨をもたらすようなかなり複雑な状況でも、次に何が起こるかについてかなり確実な見当をつけることができる（Google の研究を基にした中国の研究者によって示されている）。
このモデルは、天気がどのように発生するかについての実際の知識を持たないシステムによって天気予報がどれだけ正確になるかを示す一例です。気象学者は、ある気象現象が別の気象現象と衝突すると霧や雹、あるいは高温多湿になるなどと予測できます。それは物理学がそう教えてくれるからです。AIモデルは物理学について何も知りません。純粋にデータに基づいているため、次に何が起こるかを統計的に推測しているだけです。ChatGPTが実際に何を話しているのかを「知っている」わけではないのと同様に、気象モデルも何を予測しているのかを「知っている」わけではありません。
正確な予測には強力な理論的枠組みが必要だと考える人にとっては驚きかもしれない。実際、科学者たちは雨粒と太陽光線の違いも分からないシステムを盲目的に採用することに依然として慎重だ。しかし、それでも結果は印象的で、「店へ歩いている間に雨が降るかどうか」といったリスクの低い問題であれば、十分すぎるほどだ。
Googleの研究者たちは最近、MetNet-3と呼ばれる、やや長期的な新しいモデルを公開しました。これは最大24時間先までの予測が可能です。ご想像のとおり、このモデルは郡や州全体の気象観測所など、より広い範囲のデータを取得し、より大規模な予測を行います。例えば、「あの嵐は山を越えるのか、それとも消滅するのか」といった予測が可能です。明日の朝、風速や気温が危険な領域に達する可能性があるかどうかを知ることは、緊急サービスの計画やその他のリソースの配備に不可欠です。
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
本日、7～10日先を予測する「中期」スケールにおける新たな開発成果が発表されました。Google DeepMindの研究者らは、Science誌にGraphCastに関する論文を発表しました。GraphCastは、「業界のゴールドスタンダードである気象シミュレーションシステムよりも、最大10日先までの気象状況をより正確かつはるかに高速に予測する」とされています。
GraphCastは時間だけでなく、地球全体を緯度経度0.25度、つまり赤道上で約28×28キロメートルの解像度でカバーします。これは、地球上の100万地点以上の気象状況を予測することを意味します。もちろん、これらの地点の中には他の地点よりも明らかに重要な地点もありますが、重要なのは、今後1週間程度の主要な気象パターンを正確に予測する地球規模のシステムを構築することです。
「私たちのアプローチは、従来の天気予報方法の代替として見なされるべきではなく、むしろ「MLWPが現実世界の予報問題の課題に対応でき、現在の最良の方法を補完し、改善する可能性を秘めていることを示す証拠である」と著者らは書いている。
近所に雨が降るのか、それとも町全体に雨が降るのかまでは分かりませんが、大規模な嵐やその他の危険な異常気象といった大規模な気象現象には非常に役立ちます。こうした現象は数千キロメートルもの広さのシステムで発生するため、GraphCast はそれらを非常に詳細にシミュレートし、数日後の気象現象の動きや性質を予測することができます。しかも、これらすべてを Google の計算ユニット 1 台で 1 分未満で実行できます。
効率性は重要な側面です。従来の物理学に基づくモデルである「数値天気予報」は、計算コストが非常に高くなります。もちろん、実際の天気よりも早く予測できるはずです。そうでなければ、何の価値もありません。しかし、そのためにはスーパーコンピューターを導入する必要があり、それでもわずかな変動を伴う予測を行うには時間がかかります。
例えば、接近するサイクロンが進路を横切る前に、大気の流れが強まるのか弱まるのかわからないとします。強まるレベルが異なる予測をいくつか、弱まるレベルが異なる予測をいくつか、そして同じレベルのままという予測を1つ用意しておくと、これらのいずれかの事態が発生したときに、すぐに予報を準備できます。繰り返しますが、これは嵐、洪水、山火事などの発生時に非常に重要になります。ある地域から避難しなければならないことを1日前に知ることができれば、人命を救うことができます。
こうした作業は、様々な変数を考慮に入れるとあっという間に非常に複雑になり、物事がどのように展開するかを実際に把握するために、モデルを数十回、あるいは数百回実行しなければならないこともあります。スーパーコンピュータクラスターでこれらの予測を1回あたり1時間もかかるとしたら問題ですが、数千台あるデスクトップサイズのコンピュータで1分で済むなら全く問題ありません。むしろ、より細かく、より多くの変動を予測することを検討し始めるかもしれません。
これがClimSimプロジェクトの根底にある考え方です。来週の展開を10通りの選択肢で予測するだけでなく、次の世紀がどのように展開するかを1000通りの選択肢で予測したいとしたらどうでしょうか？
こうした気候科学はあらゆる種類の長期計画にとって重要ですが、操作すべき変数が膨大で、予測期間が数十年にも及ぶため、必要な計算能力も同様に膨大になることは間違いありません。そこでチームは世界中の科学者と協力し、機械学習を用いてこれらの予測を加速・改善し、世紀規模の「予報」の精度向上に取り組んでいます。
ClimSimモデルは、上で説明したモデルと同様の動作をします。物理ベースの手作業で調整されたモデルに数値を入力するのではなく、すべてのデータを相互に関連したベクトル場として扱います。ある数値が上昇すると、別の数値が確実に半分上昇し、3つ目の数値が確実に4分の1減少する場合、たとえそれが（例えば）大気中のCO2、地表温度、海洋バイオマスに関係するものだと機械学習モデルが認識していなくても、これらの関係は機械学習モデルのメモリに埋め込まれます。
私が話を聞いたプロジェクトリーダーは、彼らが構築したモデルは驚くほど正確でありながら、計算コストが桁違いに安いと述べました。しかし、科学者たちは先入観を持たずに研究を進めているものの、（当然のことながら）懐疑的な姿勢を保っていることも認めました。コードはすべてここにありますので、ご自身で確認してみてください。
これほど長い時間スケールと急速な気候変化の中で、長期予測に適したグラウンドトゥルースを見つけるのは困難です。しかし、長期予測の価値はますます高まっています。GraphCastの研究者が指摘したように、これは他の手法に取って代わるものではなく、補完的なものなのです。気候科学者たちは、入手できるあらゆるツールを求めることは間違いないでしょう。
