シミュレーション・制御・実機

NOAAが物理とAIのハイブリッド気象アンサンブルを実運用化

2026/7/27

🤖 AIが執筆しています

要点： 米NOAA（海洋大気庁）が、AIベースの全球気象モデル一式を実運用に入れたと発表した（2026年1月）¹。話題になりやすいのは「AI版のアンサンブルが従来の約9%の計算資源で動く」ことだが、設計として面白いのはその先だ——彼らは物理モデルをAIで置き換えなかった。物理とAIを足し合わせて一つの大きな集団にしたハイブリッドが、どちらか単独より良かったという。

何が入ったか

投入されたのは三つのシステムだ¹。

• AIGFS（AI版の全球予報）
• AIGEFS（AI版のアンサンブル予報。計算資源は従来型 GEFS の約9%）
• HGEFS（ハイブリッド版。物理の GEFS と AI の AIGEFS を混ぜた62メンバーの「グランド・アンサンブル」）

いずれも数年がかりの Project EAGLE（Experimental AI Global and Limited-area Ensemble）の成果である¹。研究プロジェクトの名前には Experimental が入るが、投入された三つ自体は評価期間を経て2025年12月17日に現業化されたと NWS は告示しており²、NOAA がこれを対外的に発表したのが2026年1月である。

なぜ「混ぜる」のか

鍵は、アンサンブル予報が何をしている道具かにある。単一の予報を出すのではなく、初期条件やモデルを少しずつ変えた多数の予報を束ね、起こりうる結果の幅＝不確実性を張るのがアンサンブルの仕事だ。

ここで効くのが「独立した二つの作り方」である。物理ベースと AI ベースは、間違え方の癖が違う。だから両者を一つの集団にまとめれば、片方だけのときより予報のばらつき（不確実性）を頑健に表せるはずだ——NOAA はこの狙いで、31メンバーの物理 GEFS と 31メンバーの AI AIGEFS を合わせた62メンバーの HGEFS を作った、と説明する¹。そして初期評価では、この HGEFS がAIのみ・物理のみの両方のアンサンブルを上回ったとされる¹。速く安く回せる AI を、既存の物理モデルを捨てる理由にではなく、集団を厚くする材料に使った、という順序だ。

NOAA だけの話ではない

同じ「置き換えでなく足し合わせ」の発想は、独立した現業センターでも動いている。欧州の ECMWF は 2025年7月1日、AI アンサンブル予報 AIFS-ENS（51メンバー）を実運用に入れた。ただしその初期条件は物理ベースのデータ同化に依存しており、純 AI ではなく物理と組み合わせた構成だ。ECMWF 自身「両手法の強みを生かすハイブリッド構成を探っている」と述べている³。学術・現業の側でも、物理・AI・ハイブリッドの三系統を同じ土俵で比べる相互比較プロジェクト WP-MIP が、McTaggart-Cowan らによって提案されている（2026年4月の査読前プレプリント）⁴。NOAA の HGEFS は、こうして独立に進む潮流の一例として読める——一機関の発表だけが根拠ではない。

どこまで言えるか——留保つき

これは論文段階の予想ではなく、現業の予報センターが実運用に入れた構成だ。ただし、二点の留保を添える。

• まだ「初期評価」である。 「両方を上回った」は NOAA 自身が initial testing（初期テスト）と断ったうえでの結果で¹、長期の実績が積み上がった段階ではない。しかもリリース自体は何の指標で上回ったのかを書いていない。ただし内訳がどこにも無いわけではない——実装告示²が参照する NCEP Office Note 522 が、開発段階の62メンバー・ハイブリッド（SUPER62）について CRPSS・アンサンブル平均RMSE・スプレッド・Brier スコア・ROC 面積を地域別・リードタイム別に載せている。ただしその検証は2024年6月1日〜7月9日の1か月分にとどまり、しかもハリケーンの強度予測ではハイブリッドが現業 GEFSv12 に劣ると報告されている。「上回った」は無条件ではない。

• AI が物理を不要にしたわけではない。 AI 気象モデルは、学習データも予報の初期値も従来の観測・解析パイプラインに依存する。しかも苦手な領域が報告されている。記録破りの高温・低温・強風のような極端事象では、単一の予報を出す決定論型の AI モデル（GraphCast・Pangu-Weather・Fuxi）が物理モデル HRES にほぼ全リードタイムで一貫して負けた、と Zhang・Fischer・Zscheischler・Engelke は報告する⁵。彼らの診断は「そうした事例が学習データに乏しいから」ではなく、学習した範囲の外へ外挿できないことだ——見たことのない値を、過去に観測した範囲へ引き戻してしまう。だから記録の更新幅が大きいほど誤差が膨らむ、という。物理的整合性も、決定論的な設定では課題として残る（小スケール構造のぼやけや非物理的なアーティファクト）⁶。ただしこれは現時点の手法の限界であって恒久の性質ではなく、著者ら自身が改善経路の一つにハイブリッド化を挙げている⁵。だからこそ「AIで全部置き換える」ではなく「物理と混ぜる」が選ばれた、と読むのが素直だ。

  この検証には射程がある。検証されたのは決定論型のモデルであり、確率的な AI アンサンブル（GenCast や ECMWF の AIFS-ENS）は対象に入っていない。つまりこの結果を、AIGEFS のような AI アンサンブルにそのまま当てはめることはできない——もっとも著者ら自身は、確率的モデルも学習範囲の外への外挿では同種の困難に直面するだろう、と考察で述べている⁵。ただし NOAA の AIGFS・AIGEFS は DeepMind の GraphCast をもとに構築されている²——ここで物理に負けた系統そのものだ。「混ぜる」という判断は、その意味では自分たちの足元にも向いている。

留保を踏まえても、含意は明快だ——安く速い手法が出てきたとき、それを「置き換え」に使うか「厚みを足す材料」に使うかは別の判断であり、少なくとも NOAA は後者を選び、初期評価の範囲では成果が出ている。

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。