世界中の計算資源を集めても足りない——気象と核融合のAIは、Transformerを捨てて100万倍速くなりました
📌 本記事は公開情報（研究機関・企業の公表資料、査読論文、公開されたインタビュー、市場データ）にもとづく情報提供・解説であり、特定の銘柄の売買を勧めるものではありません。数値は特記なき限り2026年8月27日時点のものです。
天気予報は、世界でいちばん計算にお金がかかる仕事のひとつです。 各国の気象機関は、スーパーコンピュータを何時間も回して明日の空を計算しています。
その計算を、NVIDIAが公開したAIは「GPU 1枚・4分」で60日先まで出しています。
しかもこのAIは、ChatGPTと同じ作りではありません。 いまのAIのほぼ全部が使っているTransformerという設計を、はじめから使っていません。
使わなかったのではなく、使えなかった——というのが正確なところです。
なぜ、これが投資の話になるのか
AIへの投資は「GPUを何枚積めるか」の勝負として語られます。 資金力がそのまま順位になる世界です。
ですが気象と核融合では、勝ったのはGPUを増やした側ではありませんでした。 200年前からある数学を持ち込んだ側でした。
「AIの価値はGPUの枚数で決まる」という前提が、少なくともひとつの分野では成り立たなかった。 そこがこの記事の主題です。
まず「Transformer」から
Transformer（トランスフォーマー）とは、いまのAIのほぼ全部が使っている設計図のことです。
ChatGPTもClaudeもGeminiも、中身はこのTransformerです。2017年にグーグルの研究者が発表したもので、「文章の中のどの言葉が、どの言葉と関係が深いか」を総当たりで調べるのが特徴です。総当たりで調べるから文脈を深く読める——これが、AIがここまで賢くなった理由です。
ただし、総当たりには弱点があります。 見る対象が2倍になると、組み合わせは4倍になります。10倍なら100倍です。扱う情報が増えるほど、計算量が一気にふくらむのです。
普段の文章ならこれで足ります。この記事の主役は、それでは足りない世界の話です。
2026年8月26日に公開された対談で、カリフォルニア工科大学のアニマ・アナンドクマー教授がこう述べました。
各次元がたった数百グリッド点でも——産業規模はそこから始まるのですが——文脈長は数千億から1兆になります。この規模でTransformerを持つことは忘れてください。世界中の計算資源を集めても足りません。
対象は、気象・核融合・流体・熱伝導といった「連続する物理」の世界です。
そして彼女の研究チームは、Transformerを使わない別の道で、従来のシミュレーションより100万倍速い予測に到達しました。
なぜGPUを増やしても届かないのか
文脈長（コンテキスト長）とは、AIが一度に見渡せる情報の量のことです。 文章を扱うAIなら「何文字ぶんまでまとめて読めるか」に当たります。今の大規模言語モデルで、長いものが100万前後です。
問題は、地球や炉の中を計算するときに必要な量が、その桁ではないことです。
どうしてそんなに増えるのか、実際に数えてみます。
物理の計算は、方眼紙のマス目のように空間を区切って行います。マスごとに温度・風速・気圧などを計算し、それを少しずつ時間で進めていく、という方法です。
縦・横・高さをそれぞれ300に区切ったとします。 マスの数は300×300×300で、それだけで2,700万です。ここに時間の刻みと、マスごとに追いかける変数の数（温度・風速・気圧…）が掛かります。
数千億から1兆という桁は、こうして出てきます。 アナンドクマー教授が「各次元が数百でも」と言っているのは、この掛け算のことです。
Transformerは、この全部を総当たりで見ようとします。 対象が2乗で効いてくるので、1兆の総当たりはGPUを何枚買っても終わりません。教授の「世界中の計算資源を集めても足りない」は、比喩ではなく計算の話です。
この話をしているアナンドクマー教授について、一言だけ。 カリフォルニア工科大学のブレン教授（計算科学）で、Accelerated Understandingの共同創業者、そして国連の科学諮問委員に就任しています。
Transformerの代わりに使われているもの
彼女が使っているのはニューラル・オペレーター（Neural Operator）という手法です。
マスの中身をひとつずつ覚えるのをやめて、「変化の形」のほうを覚えさせます。
音でたとえます。
ある音を記録するのに、2つのやり方があります。 ひとつは、空気の振動を1万分の1秒ごとに測り、数字の列として全部書き取る方法。もうひとつは、「ドの音とミの音とソの音が重なっている」と分解して覚える方法です。
後者なら、数字は3つで足ります。 しかもあとから音質を上げても、同じ3つの音で書き直せます。
ニューラル・オペレーターがやっているのは、後者です。 地球の温度や風の分布を「波の重ね合わせ」として分解し、その波の形を学習します。地球は平らではなく球なので、球の上の波＝球面調和関数を使います。
だから、区切りを細かくしても学習をやり直す必要がありません。 ここが、マスをひとつずつ覚える方法との決定的な違いです。
教授は「これはスケールの否定ではない」とも述べています。 記事本文には「これはスケールの拒絶ではなく、そこへ至る別の道だ」とあり、「深層学習でうまくいっているものは全部取り入れ、そのうえで少し原理的にする」というのが本人の言い方です。
「GPUを増やす路線が終わる」という話ではありません。 使えない領域に、別の入口ができたという話です。
実測値：天気は4分、核融合は100万倍
この手法が実際に何を出しているのかは、公開された資料で確かめられます。
気象：FourCastNet
NVIDIAが公開しているFourCastNet 3は、球面ニューラル・オペレーターを使った、地球全体の気象予測システムです。
H100（エイチひゃく）を1枚使って、60日先までの予測を4分未満で計算します。
用語を3つだけ補います。H100は、AIの計算に使われるNVIDIAの業務用GPUです（1枚で数百万円の水準。家庭用のグラフィックボードとは別物です）。予測の細かさは0.25度＝赤道あたりでおよそ28km四方に1点で計算するということ。6時間刻みは、6時間ごとの状態を順に出していくという意味です。
精度についてもNVIDIAは、中期予報でGenCastと同等、従来の数値予報（IFS-ENS）は上回ると書いています。 学習済みのモデルはNVIDIAの配布サイト（NGCカタログ）で公開され、学習・推論のコードもオープンソースとして公開されています。
モデルを無料で配ってGPUを売るという形は、NVIDIAの参入障壁は「CUDA」だったで扱った囲い込みの延長線上にあります。 ソフトを開いておくほど、動かす場所としての自社ハードが選ばれやすくなるという構図です。
📝 念のため：対談で教授が挙げた「民生グレードのGPUで回る」は、初代のFourCastNetを含む一連の研究についての発言です。 上の4分という数字はH100という業務用のGPUでの実測値で、家庭用のGPUの話ではありません。ここは分けて読む必要があります。
核融合：プラズマが壊れる前に止める
核融合炉の中では、超高温のプラズマが不安定になって一気に崩れることがあります。 これをディスラプション（崩壊）と呼び、起きると炉そのものが傷みます。事前に予測できれば、手前で止められます。
アナンドクマー教授らのチームは英国原子力公社（UKAEA）と組み、フーリエ・ニューラル・オペレーターでこの予測を行いました。 波の重ね合わせで形を表す「フーリエ解析」という数学を土台にした型で、上で説明したニューラル・オペレーターの仲間です。
論文には「従来のソルバーに対して6桁の高速化」と書かれています。6桁＝約100万倍です。 ソルバーとは、物理の方程式を数値で解くプログラムのことです。 シミュレーション上のプラズマだけでなく、MASTトカマク（実験炉）に設置されたカメラが捉えた実データでも予測できたとされています。
この成果は査読誌『Nuclear Fusion』に掲載され、著者にアナンドクマー教授が名を連ねています。
📝 念のため：「学習に必要なサンプルは数千件で足りた」は、論文ではなく対談での教授の発言です。 論文の要旨に件数の記載はありません。
核融合が「認可」と「実機」の両面でどこまで来ているかは、「認可に15年」を迂回した会社で扱いました。 また、AIの物差しそのものが揺れている問題は数学はAIの“炭鉱のカナリア”かにまとめています。
もうひとつ、教授はTorchLeanという枠組みも発表しています。 数学の証明をコンピュータに検算させる仕組み（Lean）の中に、AIを書ける形にしたもので、形式検証をかけられるものです。核融合炉の制御ループにAIを入れるなら、「このAIは暴走しない」と数学的に示す手段が要る——そのための道具です。
関連企業と日本の接点
この技術で儲かる会社を特定するのは、まだ難しい段階です。 中心にいるのは大学と政府機関で、企業ではありません。そのうえで、接点のある上場企業を確度で分けて並べます。
① 研究に固有名詞として登場する組織
| 組織 | 上場 | この議論での位置 |
|---|---|---|
| NVIDIA（NVDA） | 米国上場（日本の取引所には上場していません） | FourCastNetの開発元。同社の気象・気候向けサービス群「Earth-2」の中核として提供しています |
| カリフォルニア工科大学 | 大学（非営利） | アナンドクマー教授の所属 |
| 英国原子力公社（UKAEA） | 政府機関 | 核融合の共同研究相手。MASTトカマクを保有しています |
| Accelerated Understanding | 未上場（個人が直接買う手段はありません） | 教授が共同創業した会社 |
② 予測精度が上がると事業に効く上場企業（採用は未確認）
| 企業 | コード | この議論での位置 |
|---|---|---|
| ウェザーニューズ | 4825 | 世界最大級の民間気象情報会社。海・空・陸の分野別に予測を売っています |
| 東京海上ホールディングス | 8766 | 天候による損害を引き受ける側。予測が変われば料率の前提が動きます |
| MS&ADインシュアランスグループHD | 8725 | 同上 |
⚠️ この一覧は、技術の接点を整理したものであり、投資対象として推奨するものではありません。 ②の3社がニューラル・オペレーターを採用しているという公表資料は、執筆時点で確認できていません。
4社の株価は、この1年でそろっていません
そろっていないこと自体が、今の段階を表しています。 この技術はまだ、株価に織り込まれるところまで来ていません。
フクリの見方
この話でいちばん大事なのは、天気が当たるようになったことではありません。「AIの価値がGPUの枚数で決まる」という前提が、少なくともひとつの分野では成り立たなかったという事実です。
根拠は、勝った側の資源の使い方です。
気象と核融合で結果を出したのは、より多くのGPUを買った側ではありませんでした。 Transformerを捨て、球面調和関数という200年前からある数学を持ち込んだ側です。その結果として、数千件のサンプルで足り、H100が1枚で60日先まで4分という水準に落ちました。
計算資源を積む競争では、AIの売上は年10倍、計算資源は年3倍で見たとおり、資金力がそのまま順位になります。 ですが、問題の構造に合った数学を持ち込む競争では、資金力は順位を決めません。 ここは大学と国立研究機関が強い領域です。
似た逆転は、ソフトウェアの側でも起きています。 ハードの制約に対する“逆走ランナー”では、チップを増やす代わりに計算の書き方を最適化する動きを扱いました。足りないものを買い足すのではなく、要求そのものを減らすという点で、今回の話と同じ形をしています。
だから、この分野の投資的な意味は「関連銘柄を探すこと」ではないと見ています。
見るべきなのは、AIの適用範囲が「データが大量にある領域」から「データが少なく、法則が分かっている領域」へ広がるかどうかです。 広がれば、対象は気象・核融合だけでなく、材料の設計や流体・熱の解析まで伸びます。広がらなければ、これは学術的に美しいが範囲の狭い成果として終わります。
現時点では、まだ後者の可能性も十分に残っていると見ています。
この見立てが外れる条件
投資として見るときの注意
まとめ（3行）
情報源
- Latent Space：Anima Anandkumar回（2026年8月26日公開）
- NVIDIA開発者ブログ：FourCastNet 3 enables fast and accurate large ensemble weather forecasting（2025年7月29日）
- NVIDIA：Earth-2 FourCastNet NIM 概要
- Nuclear Fusion（IOP Publishing）：Plasma surrogate modelling using Fourier neural operators
- arXiv：Plasma Surrogate Modelling using Fourier Neural Operators
- カリフォルニア工科大学：Extending AI Architectures to Address Continuous Scientific Problems
- 株価：Yahoo Finance の週次終値（2025年8月〜2026年8月）
本記事は情報提供を目的としたものであり、特定の金融商品の投資勧誘や投資助言を行うものではありません。投資にともなう最終的な判断は、ご自身の責任で行ってください。記載内容の正確性には努めていますが、その完全性・将来の結果を保証するものではありません。
