🌪️ 100年分の観測データでは「1000年に1度の災害」を十分に予測できない
台風や洪水、山火事、豪雨といった自然災害のリスクを評価する際、保険会社や政府、電力会社などでは「カタストロフィーモデル（Catモデル）」と呼ばれる災害シミュレーションが使われています。気象や地形、建物、人口、資産価値などのデータを組み合わせ、「この規模の洪水が起きた場合、どこまで浸水し、どれだけの経済損失が発生するか」を確率的に計算する仕組みです。しかし従来の物理ベースモデルには大きな弱点があります。世界規模を細かな格子で計算すると膨大な計算資源が必要になるうえ、信頼できる近代的な観測記録は地域によって差があるもののせいぜい100年程度しかありません。つまり、100年に1度、500年に1度、1000年に1度といった極端な災害ほど、実際の観測例がほとんどないのです。さらに気候変動によって過去の統計そのものが将来を十分に表さなくなる「非定常性」も問題となり、過去に起きた災害を再現するだけでは、これから起きる災害を評価しきれないという限界が目立ち始めています。
この問題を解決する手段として注目されているのが生成AIです。ポイントはAIに「来年○月○日に洪水が起きる」と予言させることではなく、物理的に起こり得る大量の仮想気象を生成し、その中に極端な災害がどの程度含まれるかを調べることにあります。従来ならスーパーコンピューターで何千年分もの気象計算を繰り返す必要がありましたが、AIは一度学習すれば大量のシナリオを比較的低コストで生成できます。Google DeepMindのWeatherNext 2も1台のTPUで数百の気象シナリオを1分未満で生成できるとされ、ECMWFでもAIベースのAIFS SingleとAIFS ENSがすでに運用段階に入っています。AI気象予測は研究室の実験から、実際の防災・気象業務を支える技術へ移りつつあります。
🧠 画像生成AIと同じ「拡散モデル」で未知の洪水を作り出す
Swiss Re傘下の洪水リスク企業Fathomが進めているのが、画像生成AIでも知られる拡散モデル（Diffusion Model）を災害リスク分析へ応用する試みです。拡散モデルは、データへ人工的にノイズを加え、そこから元の構造を復元する方法を学ぶことで新しいデータを生成します。画像生成ではノイズから人物や風景を作りますが、気象分野では粗い気象分布から雨量や気圧、風などの細かな空間構造を生成できます。Fathomは既存の気候モデルから得た約1000年規模のデータを利用してAIを学習させ、近未来の気候条件でさらに数千～数万年規模の合成気象イベントを作る研究を進めています。2026年6月にFathomが公開した研究では、最終的に5万年分の気象データを生成して詳細な洪水マップへつなげる構想まで示されています。
さらに重要なのが「ダウンスケーリング」です。全球気候モデルでは100km四方程度の粗い格子で現象を計算することがありますが、この解像度では「どの川があふれるのか」「どの住宅地が浸水するのか」といった局地的被害を判断できません。そこで別の生成AIを使って約10km級まで情報を高精細化し、その結果を河川・地形・建物・資産価値のデータと重ねます。Fathomの特徴はAIだけで答えを出さず、生成した気象イベントを水文学などの物理モデルへ通して現実性を検証するハイブリッド方式を採用している点です。生成AIを高速な「シナリオ製造機」として使い、その後を物理法則でチェックすることで、計算速度と科学的妥当性の両方を狙っています。
🛰️ 保険だけではない、AI災害予測が変える社会インフラ
こうした技術が実用化されれば、自然災害リスクの使い方そのものが変わる可能性があります。保険会社なら「100年に1度の洪水」でどの程度の保険金支払いが発生するかを地域単位で細かく計算でき、政府なら避難所や堤防の配置、電力会社なら変電所や送電網の弱点、銀行なら住宅ローンや不動産ポートフォリオの災害リスクを評価できます。Moody’sではすでに衛星・航空画像へAIを適用して災害後の建物被害を迅速に検出・定量化する技術を活用しており、自然災害モデルは「天気を予想するもの」から社会・金融システム全体の損失を計算するインフラへと発展しています。
2026年にはAI気象モデルの実用化も一段と進んでいます。
- 🌦️ ECMWF：AI予報システム「AIFS」の決定論モデルとアンサンブルモデルを運用し、2026年5月にv2へ更新
- 🌀 Google DeepMind：WeatherNext系モデルで台風・ハリケーンの進路だけでなく強度や構造まで予測し、米国のNational Hurricane Centerとも検証
- 🌍 NVIDIA Earth-2：2026年1月に観測処理、短時間予報、中期予報まで含むオープンなAI気象モデル群を公開
- 🇺🇸 NOAA：AI気象モデル「EAGLE」を運用へ投入し、2026年7月には台風強度・降水予測を改善した更新版を導入
- 🌏 香港天文台：AI気象モデル導入後、4～5日前の熱帯低気圧進路予測誤差を30％超削減したとWMOが報告
つまり「AIによる気象予測」は将来構想ではなく、各国の気象機関が従来の数値予報と並行して利用する段階に入っています。
⚠️ 最大の弱点は「もっともらしいが物理的にあり得ない災害」
一方、生成AIだからこその危険もあります。画像AIが存在しない人物や文字を自然に描いてしまうのと同じように、気象AIも見た目は本物らしいのに、物理法則として成立しない気象イベントを生成する可能性があります。特に問題なのが学習データにほとんど存在しない超巨大災害です。本来AIに期待しているのはまさに「未経験の極端現象」ですが、学習範囲から離れるほどモデルを検証する実データも減ってしまいます。ECMWFやWMOも、AI気象モデルについて未経験の極端現象に対する性能検証や透明性、物理モデルとの比較が重要だと指摘しています。そのため今後は「AIか物理モデルか」という二者択一ではなく、AIで大量の候補を生成 → 物理シミュレーションで検証 → 観測データで補正 → 人間の気象専門家が判断という組み合わせが主流になっていく可能性があります。
この点は災害予測を読む側にも重要です。たとえば「1000年に1度」という数字は「1000年ごとに必ず1回起こる」という意味ではなく、一般にはある年に発生する確率が約0.1％に相当する規模を表すリターンピリオドです。また気候変動によって発生確率が変化すれば、昔の「100年に1度」が将来も100年に1度とは限りません。AIによって5万年分の仮想気象を作れるようになっても、それは未来を5万年先まで予言したわけではなく、現在または想定する将来気候の条件下で起こり得る大量の世界線を計算したものと理解する必要があります。
🔍 まとめ：AIは「未来を当てる」のではなく「想定外を減らす」技術へ
AIによる自然災害予測の本当の革新は、災害の発生日を言い当てることではありません。従来は計算量や観測記録の不足によって十分に調べられなかった、**「まだ一度も観測されていないが、物理的には起こり得る災害」**を大量に生成して検証できる点にあります。Fathomの拡散モデル、ECMWFのAIFS、GoogleのWeatherNext、NVIDIA Earth-2、NOAAのEAGLEなどが示すように、AI気象技術は2026年時点ですでに研究から実運用へ進み始めています。ただし、最も危険な極端現象ほどAIにも学習例が少ないという矛盾は残ります。今後の鍵になるのは、生成AIを「未来を知る魔法」として使うのではなく、物理モデルと観測データを補完し、人類がまだ経験していない災害まで防災計画の中へ取り込むためのシミュレーション技術として使えるかどうかでしょう。
📚 参考・出典
- Financial Times「How AI is transforming natural disaster prediction」
- Fathom「EGU 2026: Event Set Generation With AI」
- Google DeepMind「WeatherNext 2」およびWeatherNext関連研究
- European Centre for Medium-Range Weather Forecasts（ECMWF）「AIFS Machine Learning Data / AIFS v2」
- NVIDIA「Earth-2」AI気象モデル群
- NOAA「EAGLE AI」
- World Meteorological Organization（WMO）「AI-powered meteorology / AI weather model verification」
- Moody’s「Catastrophe modeling for a resilient future — powered by AI」
