配送ルートを翌朝に確定する場合も、太陽光発電の出力を見積もる場合も、予報がどれだけ新しい観測を反映しているかは判断を左右します。Google ResearchとGoogle DeepMindが開発したWeatherNext 3の中心的な変化は、この観測から予報までの時間差を縮めることです。提供された原文によると、静止衛星のリアルタイムデータを直接処理し、最新の観測に基づく予報を毎時生成します。

従来のWeatherNext 2を含むAI気象モデルは、数値予報（NWP）のデータを学習に利用していました。数値予報とは、大気の状態を物理法則に沿って計算する手法です。Googleの説明では、スーパーコンピューター上のシミュレーションには6時間の遅れがあり、雨量や気温のように変化の速い要素では、その時間差が誤差につながります。WeatherNext 3は衛星観測を直接取り込むことで、急速に発達する嵐や降水の変化を、より早く予報に反映する設計です。



ただし、「物理モデルを捨てる」という原文タイトルを、物理学や従来の気象データが不要になるという意味で受け取るのは適切ではありません。原文に掲載された構成の説明では、静止衛星データに加えて従来の解析データも入力し、個々の観測所のデータも学習に使っています。注目すべき点は、従来のシミュレーション結果に依存していた処理の流れを見直し、観測と予報の間隔を短くすることです。企業にとっては、予報の精度だけでなく、どの時点の状況を反映した情報なのかも評価軸になるでしょう。

WeatherNext 3が掲げる「従来比で約5倍の細かさ」は、すべての予報項目が一律に5キロメートル単位になるという意味ではありません。原文では、気温と湿度は5キロメートル、その他の地表付近の変数は10キロメートル、風速などの大気の変数は25キロメートルの解像度で出力すると説明しています。WeatherNext 2の25キロメートル格子に対し、気温などでは格子の間隔が5分の1になる比較です。

格子とは、地図上を区切って気象の値を表すための単位です。区切りが粗いと、海岸線や山地をまたぐ範囲が一つにまとまり、場所による違いが見えにくくなります。Googleが示した英国の気温予報の比較では、WeatherNext 2で四角い塊のように見えていた分布が、WeatherNext 3では地域の地形をより細かく捉えています。観測所のデータも学ぶことで、海岸、谷、山などの地域条件を反映する狙いです。



企業がここで区別したいのは、表示の細かさと予測の正確さです。5キロメートル格子になっても、個別の建物や道路ごとの天候まで正確に予測できることを保証するわけではありません。また、格子間隔の改善を、そのまま予測精度の「5倍」と読み替えることもできません。細かな地理的な差を表せることと、実際の観測値にどれだけ近いかは別の評価です。

原文では、予報の時間間隔もWeatherNext 2の6時間から1時間へと細かくなっています。空間と時間の両方で情報が増えるため、拠点別の気温差や天候の変わり目を業務に結びつけやすくなると考えられます。利用時には、必要な項目がどの解像度で提供されるのかを確認することが出発点です。

雨や雪は、小さな空間で短時間に進む雲の変化に左右されるため、全球を対象とする気象モデルでは予測が難しい要素です。WeatherNext 3は降水を学ぶため、NASAの衛星ベースの降水データセットであるIMERGと、衛星レーダーに基づいてGoogleが構築した全球降水解析の二つを利用しています。原文で紹介された米国北西部の太平洋岸の比較では、細い雨の帯を従来モデルより鮮明に表現し、レーダー観測に近づいたと説明されています。

性能を読む際には、複数の改善率を混同しない注意が必要です。原文は全球の中期予報に関する評価として、確率予報の指標であるCRPSの改善を紹介しています。IMERGに対して最大60％、MRMSに対して30％、予測から対象時刻までが短い条件では雨量計に対して10％という数値です。MRMSは複数のレーダーや観測情報を組み合わせた気象解析の仕組みを指します。これらは参照する観測・解析データや予報時間によって異なる評価であり、すべての場所で同じ改善が得られるという説明ではありません。



CRPSは、ある一つの予測値が当たったかだけでなく、予測した値の確率分布が実際の観測とどれだけ整合するかを見る指標です。一般に値が小さいほど良い評価になります。したがって、CRPSの改善率を「雨が降るかどうかの的中率が何ポイント上がった」と置き換えることはできません。

これとは別にGoogleは、1日以上先の予定を立てる利用場面で、降水予報の精度が最大50％向上すると説明しています。記事には、その数値とCRPSの各改善率を同じ条件で比較できるだけの詳細はありません。導入判断では最大値に注目するだけでなく、対象地域、何時間先の予報か、どの指標を使ったかをそろえ、自社の判断に必要な改善なのかを確かめるべきでしょう。

WeatherNext 3は、風力発電の出力推定を意識して、高度100メートルの風速を予測します。原文では、この高さはおおむね風車の高さに相当すると説明されています。地表付近の風だけを見るよりも、発電設備が実際に受ける風に近い条件を把握する狙いです。太陽光発電については、雲量や日射量の予測改善によって、期待される発電量を計算しやすくするとしています。

気象予報が詳しくなることと、発電量の予測が完成することは同じではありません。一般に、発電量を見積もるには設備の仕様や稼働状態などの情報も必要です。WeatherNext 3が提供するのは、そうした計算の入力となる気象情報です。Googleは、この情報が電力系統の運用者による需給の調整を助けると説明していますが、原文には電力事業者の具体的な導入成果やコスト削減額までは示されていません。



企業側の考察としては、毎時更新される予報を、発電計画の見直しや蓄電池の運用判断に使えるかが検討点になります。たとえば、日射量の見通しが変わった際に、どの程度の変化なら担当者へ通知するのかを決めておけば、更新頻度の高さを実務に結びつけられるでしょう。これは活用方法の例であり、WeatherNext 3自体が電力設備を制御するという意味ではありません。

評価では、風速や日射量の誤差だけでなく、そこから算出した発電量が実績とどれほど離れたかまで追うことが有用です。予報の改善が、現場の計画修正や判断の早さに結びつかなければ、業務上の効果は限定されます。モデル単体の性能と、自社の運用全体で得られる成果をつなぐ検証が必要です。

原文によると、WeatherNext 3はGoogle検索、Geminiアプリ、Googleマップ、Google Maps PlatformのWeather API、Google Earth Engineの気象機能に使われています。利用者は新しい気象モデルを意識しなくても、普段の検索や地図を通じて予報に触れる構成です。企業にとっては、同じ技術を利用者向けの画面と業務システムの双方で活用できる可能性があります。

研究者、開発者、企業向けには、BigQueryとEarth Engineによるデータ照会、Google Cloud Storageからの一括ダウンロードが用意されていると説明されています。BigQueryは大量のデータを分析するためのサービス、Earth Engineは衛星画像などの地理空間データを扱う基盤です。Cloud Storageはファイルやデータを保存・配布するサービスで、予報をまとめて取得する経路になります。これらは入口が異なるため、既存の分析環境や必要なデータ量に応じて選ぶことになるでしょう。



Googleは、従来の地域向けモデルにかかる計算コストのため、十分な予報サービスが行き届いていなかった中南米、アフリカ、アジア太平洋地域で、とくに恩恵が大きいと見ています。全球の予報を細かく提供できれば、複数の国や地域に拠点を持つ企業が共通の形式で気象情報を扱う際にも役立つと考えられます。ただし、これは活用上の見方であり、日本の各地域での改善幅を示すものではありません。

実際の採用には、必要な変数と過去データの入手範囲、取得頻度、料金、利用条件を確認する必要があります。原文は提供経路を紹介していますが、それらの詳細までは記載していません。毎時更新というモデル側の特徴を業務で生かせるかは、取得処理や社内システムがその更新を取り込めるかにも左右されます。

WeatherNext 3を生成AIのニュースとして捉える際は、文章や画像を作るサービスとは用途が異なることを押さえると理解しやすくなります。気象の確率予報では、将来を一つに決め打ちせず、起こり得る複数の状態を扱います。原文によると、WeatherNext 3は前世代と同じFunctional Generative Networkを基盤にしています。生成モデルを、将来の気象の見通しを得るために利用する技術です。

前世代のWeatherNext 2は2025年11月に登場し、単一のTPUで数百の気象シナリオを1分未満で処理したと紹介されています。TPUはGoogleが開発した機械学習向けの計算プロセッサーです。その経緯に照らすと、今回の焦点は生成処理の速さだけではなく、最新の観測を取り込み、地域差を細かく表す方向へ予報を進めたことにあります。ただし、前世代の処理時間をそのままWeatherNext 3の性能値として扱うことはできません。



日本企業が試すなら、対象拠点と判断を一つずつ絞ると評価しやすくなります。たとえば、一つの物流拠点で翌日の降水予報を記録し、既存の予報と同じ取得時刻、同じ対象時間で比較する方法です。実際の降水とのずれに加え、配送計画を変更する判断に間に合ったかも残せば、毎時更新が役立った場面を具体的に把握できるでしょう。単に平均誤差を見るだけでなく、業務上困る見逃しが減ったかを確認する視点も必要です。

Google自身も、大気の予測には不確実性が残ると認め、公的な予報や荒天警報、安全に関する情報は各国の気象機関を参照するよう案内しています。日本での運用でも、気象庁などの公的な情報を確認する手順を業務に組み込むことが前提です。導入の第一歩として、判断に必要な気象項目と許容できる更新の遅れを明文化し、一つの拠点で既存予報との比較記録を始めてみてください。

Google’s WeatherNext 3 ditches physics simulations and learns weather directly from live satellite data

本稿は提供された原文に基づいて翻訳・再構成しています。性能数値や提供状況は原文で紹介された内容であり、業務での活用例と評価方法は編集上の考察です。