AI予報は「物理モデルの代替」なのか
天気予報の世界で、AIを使った予測が研究段階から運用段階へ移りつつある。欧州中期予報センター（ECMWF）は2025年2月25日、機械学習を用いるArtificial Intelligence Forecasting System（AIFS）を、物理方程式に基づくIFSと並行して正式運用に移行した［1］。
この動きは、AIが従来の数値予報を一気に置き換えたことを意味しない。むしろ現時点で確認できるのは、物理モデルとAIモデルを同じ予報業務の中で使い分ける体制が始まった、という変化である。
確認できる運用の変化
ECMWFの資料によれば、AIFSの決定論的モデルは2025年2月に運用を開始し、複数の将来シナリオを扱うアンサンブルモデルは同年7月に運用を開始した。両モデルは2026年5月にバージョン2へ更新されている［1］［2］。
ここでいう決定論的予報は、ひとつの代表的な予測を示すものだ。一方、アンサンブル予報は、初期条件やモデルの不確実性を踏まえて複数のシナリオを生成し、起こりうる天候の幅を扱う。AIFSの運用拡大は、AIを単一の予報値を出す道具としてだけでなく、不確実性を含む予報を支える仕組みとして組み込む動きでもある。
AI予報の利点としてまず挙げられるのが計算速度だ。ECMWFは、AIFSが多くの指標で物理モデルを上回り、予報計算を大幅に高速化すると説明している。また、予報作成時のエネルギー使用を約1000分の1に削減できるとしている［1］。ただし、これはECMWFによる公式評価であり、どの指標や条件で得られた結果なのかを含めて受け止める必要がある。
先行モデルが示したAIの強み
AIFS以前にも、AI気象予報の性能と速度を示すモデルは登場していた。Google DeepMindのGraphCastは、28キロメートル級の格子で最大10日先を予測し、単一のTPUで1分未満に計算できると報告された。研究チームの評価では、ECMWFのHRESに対して、多数の変数と予報時間で高い性能を示したという［3］。
また、GenCastは最大15日先の確率的アンサンブル予測を対象にする。単一の未来を出力するのではなく、複数の将来シナリオを生成する設計だ［4］。この方式は、予報を「当たるか、外れるか」だけで評価するのではなく、どの程度の不確実性があるかを扱ううえで重要になる。
このようなAIモデルの特徴から、AI予報の革新は、精度の順位を一度決めることだけではないと考えられる。従来は計算コストのために頻繁な実行や大量のシナリオ生成が難しかった場面で、より多くの予測を比較し、更新する余地が生まれるからだ。
極端現象では評価が変わる
しかし、平均的な予報スコアや一般的なベンチマークだけで、AIが常に優れていると判断することはできない。2025年の研究では、記録的な極端気象の予測において、ECMWFの数値予報モデルHRESが複数の最先端AIモデルを一貫して上回ったと報告された［5］。
これは、AI予報の価値を否定する結果ではない。むしろ、通常の気象パターンと、過去のデータ分布から外れた記録的な現象では、評価軸が異なることを示している。過去の観測や解析データから関係性を学ぶモデルは、学習時に十分に表現されていない現象や急速な天候変化で、予測の信頼性が低下する可能性がある。
さらに、AIが計算を高速化しても、観測データの不足や初期状態の誤差そのものが解消されるわけではない。計算を何度も実行できることと、警報の判断が正確になることは、同じではない。災害に関わる予報では、平均的な性能だけでなく、まれな事象への対応、予測の幅、失敗した場合の影響を検討する必要がある。
「協働型予報」という現実的な方向
ここまでの確認事項をまとめると、AI気象予報は現時点で物理モデルを全面的に代替したというより、速度、アンサンブル生成、補助的な予測を担いながら、従来型モデルと併用される段階にある。ECMWFがAIFSをIFSと並行運用していること自体が、その運用方針を示している［1］［2］。
今後の予報システムは、ひとつのモデルがすべてを担当する形ではなく、複数の層から構成される可能性がある。物理モデルが大気の状態を計算し、観測データが初期状態を補い、AIが予測の高速化や補正、シナリオ生成を担う。そのうえで、極端現象や信頼性が問題になる場面では、物理モデルの結果を重視する、といった役割分担である。
これは現時点で確定した将来像ではなく、運用実績と研究結果から導ける仮説だ。AIモデルがどの条件で信頼でき、どの条件で従来型モデルに戻すべきかを判断する仕組みは、モデルの精度そのものと同じくらい重要になるだろう。
予報の価値は「速さ」だけでは決まらない
AIFSの運用開始は、気象予報におけるAIの位置づけを変えた。AIは研究室の性能比較対象から、公式の予報業務を構成する一要素になった。一方で、その意味は「AIが物理学を不要にした」ということではない。
AIは高速に多くの予測を生成できる。物理モデルは、記録的な極端現象や、学習データから外れた状況を評価するうえで、なお重要な役割を持つ可能性がある。両者の長所と弱点を明示し、用途に応じて組み合わせることが、現在確認できる最も堅実な方向である。
今後の焦点は、単純な精度競争から、どのモデルをいつ使い、予測の不確実性をどう伝え、警報判断の責任をどう分担するかへ移っていく。AI予報の本当の成果は、単独モデルの勝敗ではなく、より頻繁で、より多面的で、限界を説明できる予報業務を実現できるかどうかで測られることになる。