シミュレーション・制御・実機

天気予報の「2週間の壁」は、モデルではなく天気の側にある

2026/7/4 （更新: 2026/8/13）

🤖 AIが執筆しています

スーパーコンピュータは1963年から桁違いに速くなった。気象モデルの解像度も観測データの量も、当時とは比較にならない。そして「何日先まで当たるか」も、実際に延びてきた——現代の5日予報は1980年の1日予報と同じ精度で、実用になる予報は9〜10日先まで届く¹。それでも、その少し先で頭打ちになる。なぜか。天井が、モデルの側ではなく、天気の側にあるからだ。

打ち直した丸めが、道具ではない限界を暴いた

1961年、気象学者エドワード・ローレンツは数値シミュレーションを途中から再開しようと、印刷された値を打ち直した。機械内部の .506127 を、印字された .506 として。下三桁を落としただけだ。コーヒーを淹れて戻ると、計算結果はまったく別の天気に分岐していた。小さな差が、小さなまま留まらない——古典的な「小さな原因は小さな結果」という前提が、ここで崩れた²。この鋭敏な初期値依存性を、彼は1963年の論文「決定論的非周期流」で、3変数に切り詰めた対流の模型として定式化した³（1961年に走らせていたのは12変数の気象モデルで、別の系である）。後に「ブラジルの蝶の羽ばたきがテキサスで竜巻を起こすか」という比喩(命名は同僚P.メリリーズ)で知られる、バタフライ効果である。

皮肉が二重になっている。バタフライ効果は丸めた印字を打ち直すという偶然から発見され、そして計算機が永遠にできることを制限する。

なぜ「壁」なのか——傾斜ではなく

カオス系では、初期のごく小さな誤差が平均して指数関数的に増える(正のリャプノフ指数)。誤差が「自然なばらつき」と同じ大きさに飽和したとき、予報はもう気候平均以上の情報を持たない。そこが壁だ。

よく言われる「約2週間」という数字は、しかし定理ではなく慣例であることに注意がいる。元をたどるとCharneyら(1966)に行き着く。当時の大循環モデルによる誤差倍増時間の推定は、Leithのモデルで「成長ゼロ」、Smagorinskyで10日、Mintzで5日と互いに矛盾しており、さまざまな理由でMintzの5日が最も広く受け入れられた値になった。「5日」ですら測定値ではなく、食い違う3つのモデル推定から選ばれた一つである。Charneyらはその上で「利用可能な最も現実的な大循環モデルに基づけば、決定論的予測可能性の限界は冬季で約2週間、夏季はやや長い」と結論した⁴。現代の高解像度「双子実験」では、中緯度でも波長5000kmを超える惑星規模なら約15〜17日まで延びる⁵。ただしこれは最も長い側の数字で、中緯度全体では「2週間強」、100km未満の細かい運動では10〜12日。しかも熱帯のほうがむしろ長い（20日超）——壁の高さは、緯度と空間規模で変わる。Zhangら(2019)は9km解像度の全球アンサンブルから内在的限界を「約2週間」と見積もっているが⁶、Shen/Pielkeらは「2週間は証明された境界でなく仮説だ」と論じている⁴。数値そのものは論争中だが、「有限の地平線が存在する」点は揺るがない。

重要なのは、壁が傾斜ではないことだ。解像度やデータを増やせば、地平線までの精度は上がる。Zhangら自身、現状の実用的な予測可能性である9〜10日に対し、観測とデータ同化と解像度の改善によってあと3〜5日は稼げる余地があると書いている⁶。つまり計算は、天井までの距離をまだ買える。だが、有限の不確かさを確率の雲に変えてしまうカオスの性質は、どんなモデルでも消えない。買えるのはそこまでだ。

だからアンサンブル予報がある

点で当てられない以上、現代の予報は軌道でなく分布を予測する。初期条件を観測誤差の範囲で揺らし、さらにモデル方程式にも揺らぎを与えて何度も計算し、確率を読む⁷。そしてばらつきの幅そのものが予報になる——大気の状態によって、数日まとまりを保つことも、ほとんど即座に発散することもある。カオスは予測を不可能にしたのではない。予測の性質を、決定論から確率論へと変えたのだ。そして近年は、現業の予報センターでもAIアンサンブルの運用が始まっている。ECMWF は AIFS ENS を実運用に移した——50の摂動メンバーと1つのコントロールからなるアンサンブルである⁸。ただしそのばらつきの作り方は物理モデルと違う。AIFS ENS はメンバーをプロセッサ内へのノイズ注入（乱数シード）で生成しており、コントロールを含む全メンバーが「学習された予報分布からの異なる帰結」——つまり確率的予報だと ECMWF 自身が断っている⁸。もっとも、初期条件の摂動を捨てたわけではない。AIFS ENS は物理側の IFS アンサンブルと同じ初期摂動を使い、その上にモデル内部の揺らぎが乗る。幅は、いまむしろ広すぎる——ECMWF は上層の複数の変数で過大分散（アンサンブルの標準偏差が、アンサンブル平均の二乗平均平方根誤差より大きい）だと自ら報告している。ECMWF はその原因を、この同じ初期摂動を IFS と共有していることと関係している可能性が高い、と述べる。そのうえで、AIFS ENS のほうが予報誤差は小さいので別の摂動振幅が要るのかもしれない、と続けている⁸。幅は、広く取れば当たるというものではない。

AI気象モデルは壁を動かすのか

2023〜2025年、AI気象モデルは目覚ましい。GraphCast(DeepMind, Science 2023)は10日予報を1分未満で出し、ECMWFの最良決定論システムを1,380指標の90%で上回った⁹。GenCast(Nature 2024)は拡散ベースのアンサンブルで97.2%の指標でECMWFのENSを上回った¹⁰。

だがこれらは壁の手前で、安く・少し良くしているのであって、壁を動かしてはいない。むしろ不穏な指摘がある。Selz & Craig(2023, GRL)は、AI気象モデル Pangu では微小な初期擾乱の急成長がほとんど起きないことを見出した。誤差の増え方はほぼ一定で、物理モデル ICON と比べると5桁小さい。このまま読めば「大気は無限に予測可能で、バタフライ効果は存在しない」ことになってしまう¹¹。ただし同論文は限定も付ける——波長1000kmより大きい規模では、成長率もスペクトルの性質も ICON とよく似て現実的で、予測可能性を失った規模を塗り潰してしまうわけでもない。壊れているのは、現在の観測精度よりはるかに小さい擾乱から始まる領域だ。直接試されたのは Pangu 1本である。ただし著者ら自身は「FourCastNet や GraphCast のように似たデータで訓練された現行の AI モデルが、有意に異なる結果を出すとは考えにくい」と書いている。論文の Key Point も「現行の AI ベースのモデルはバタフライ効果を再現できず、大気の予測可能性が無限であるかのように示してしまう」と複数形で一般化している¹¹。ただし GraphCast のように初期条件を2時刻ぶん入力するモデルは別扱いになりうる、とも断っている。初期条件を遡及的に最適化すれば約23日先まで予報が改善したという報告もある(Vonich & Hakim 2024)¹²。ただし著者ら自身は、これを壁の突破ではなく「最近の推定の上端」——アンサンブル予報で既に報告されていた16〜23日の範囲の上端——と位置づけている。しかも改善の由来はモデル誤差ではなく主に解析（初期値）誤差だと Key Point に明記しており（「予報の改善は予報モデルに依存せず、主として総観規模以上の解析誤差に由来する」）、「既存の観測から、初期値推定の改善によって予報精度の大幅な向上が可能かもしれない」と結んでいる¹²。原理ではなく実務で縮められる側だ、ということである。壁を破ったのではなく、壁までの距離をもう少し買えることを示した仕事である。AIが壁を破ったように見えるとき、最初に疑うべきは、それが本物の(カオス的な)大気を模していない可能性のほうだ。

結論：天井は、最初から道具ではなかった

計算もモデルも1963年から桁違いに良くなり、予報が当たる日数も実際に延びた。だが延びたのは地平線までの距離であって、地平線そのものではない。道具が良くなるほど、天井が道具でなかったことが明らかになった。限界は非線形力学という系の構造にある。計算が買えるのは天井までの距離であって、天井の高さではない。地平線は、計算機ではなく天気の性質なのだ。

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。