Google DeepMindのGenCastは、天気の不確実性を複数のシナリオで示す確率的予報モデルで、2024年12月にNatureへ論文が掲載された。欧州中期予報センター(ECMWF)の運用アンサンブル予報ENSに対し、1,320通りの評価対象の97.2%で予報スキルが上回ったと報告された。ただしこれは的中率97.2%を意味しない。数字の定義を正しく読むことがこの論文の第一歩である。
GenCastとは:拡散モデルによるアンサンブル予報
従来の機械学習予報GraphCastは単一の決定論的予報を出すモデルだった。GenCastは画像生成で知られる拡散モデルを球面の大気データに応用し、初期状態から少しずつ異なる50以上の将来シナリオ(アンサンブル)を生成する。対象は15日先まで、12時間刻みで、解像度は0.25度である。熱波や強風、台風の進路といった極端現象のリスク評価にアンサンブルが要るという、実務の要請に応える設計である。
97.2%の正しい読み方:的中率ではない評価結果
評価は2019年の状態を初期値とした検証で行われ、36時間より先では99.8%の対象でENSを上回ったとも報告された。台風進路では平均で約12時間分先行する精度に相当する改善が示されたとされる。一方、学習データは物理モデルで作られた再解析データERA5(1979〜2018年)であり、GenCastは従来気象学の蓄積の上に立つ。対流スケールの局地現象は解像度の限界で捉えきれない点も限界として理解すべきである。
GenCastの計算効率と極端気象への示唆
計算面では、1メンバー分の15日予報を単一のTPUで約8分で生成できると報告され、スーパーコンピュータで数時間かける物理アンサンブルとの対比が示された。気象データを扱う事業者にとっては、予報の出し方だけでなく運用コストの構造が変わる可能性が論点になる。数値は2024年12月のNature論文に基づく研究評価であり、個別の日常予報の正確さを保証するものではない。
気象・エネルギー分野の担当者は、確率予報を意思決定(発電計画や防災)にどう組み込むかが実務の焦点になる。AI研究者は、拡散モデルの応用範囲が画像から地球物理へ広がった事例として読む価値がある。
あわせて読みたい
「10日先の天気を1分で計算する:GraphCast論文」 https://deeptech.aohalab.ai/#/article/68
「大学の研究室から社会へ:技術シーズの見つけ方」 https://deeptech.aohalab.ai/#/article/24
「ロボット基盤モデルが多様な作業を学習したことを示した:Physical Intelligence π0報告」 https://deeptech.aohalab.ai/#/article/97
出典:Nature論文「Probabilistic weather forecasting with machine learning」(Price et al., 2024年12月) https://www.nature.com/articles/s41586-024-08252-9
本記事で紹介した内容は2026年11月時点の公表情報に基づきます。内容は変更される可能性があります。最新の内容は出典の一次情報をご確認ください。
確率予報の「数字の定義」を、自社の意思決定に引き直すには
GenCastの事例が示すのは、97.2%のような数字は、定義を正しく読まなければ意思決定に使えないという点です。自社の事業で、予測モデルや生成AIの評価指標をどう定義し、意思決定に組み込むかの壁打ちは、AOHA LABが技術の事業化支援で扱っています。
まず、本文の読み方に沿って、自社が使っている評価指標の定義(何を分母にし、何と比べているか)を書き出してみてください。そこまでが、記事内で完結する第一歩です。
そのうえで、評価の物差しの引き直しについては、この記事の下にある相談フォームから相談を受け付けています。なお、論文の結果は、自社の業務での再現を保証するものではありません。