保険会社、巨大災害リスクに生成AIを試験導入

生成AIが巨大災害モデリングに進出

保険会社は、洪水や暴風雨など、従来のリスク推定を支えるには歴史記録上の出現頻度が十分ではない災害をモデル化するために、生成AIの利用を始めている。狙いは明快だ。合成的にイベントを生成できれば、引受会社、再保険会社、銀行、インフラ事業者は、従来手法では不可能なほど大量かつ詳細に、極端なシナリオを検証できる。

だが、この技術にはおなじみの問題が伴う。膨大な数のもっともらしいシナリオを生み出せるシステムは、同時にハルシネーションも起こしうる。見た目は現実的でも、巨大災害モデリングが依拠する物理的な整合性に反する出力を生成してしまうのだ。この緊張関係により、生成AIは有望なツールであると同時に、金融における最重要級の予測分野に新たなモデルリスクをもたらす存在になっている。

なぜ業界は、より多くの合成災害を求めるのか

巨大災害モデルは長年、地震、ハリケーン、洪水などへのエクスポージャーを推定するために使われてきた。提供された元資料によると、こうした物理ベースのシステムは世界をグリッドセルに分割し、重力、摩擦、流れといった要素を含む方程式を解く。モデルが詳細であるほど計算負荷は大きくなる。そのため、空間解像度、現実性、地理的カバレッジの間でトレードオフが生じる。

生成AIは今、その限界を押し広げるために使われている。記事は、モデラーが拡散モデルを適用して、既存の気候シミュレーションだけでは供給しきれないはるかに多くの気象イベントを生成していると説明している。特に重要なのは、実例が少なすぎて確実な価格設定やポートフォリオ分析を支えられない、いわゆるテールリスクのような、稀で影響の大きい災害だ。

この文脈では、合成イベントは単なる便利機能ではない。将来の気候および巨大災害エクスポージャーに関する「unknown unknowns」を、より幅広い結果分布で埋めようとする試みである。合成シナリオに信頼性があれば、保険会社は限られた歴史データでは不可能なほどの細やかさで、資本の十分性、引受戦略、地域別エクスポージャーを検証できる。

企業はモデルをどう使っているのか

元テキストはいくつかの例を挙げている。Swiss Reの子会社であるFathomは、およそ1,000年分の既存気候シミュレーションで拡散モデルを学習させ、それを使って2030年の気候予測に対するはるかに多くの気象シナリオを生成したという。別のモデルは、初期出力を粗い100×100キロメートルの解像度から10×10キロメートルへと高精細化した。これは降水パターンを捉えるのに十分な水準だと、同資料は述べている。

このワークフローは、1つのモデルがシナリオの宇宙を拡張し、別のモデルが実用的な局所詳細を改善するというハイブリッド構成を示している。保険実務の観点では、それにより、大規模な気候予測と、引受判断が行われる建物単位あるいは地域単位のリスク推定との間のギャップを埋められる可能性がある。

記事はまた、Veriskが極端な風と雨を逐次ではなく同時にモデル化するために生成AIを使っているとも伝えている。相関のあるハザードは、単純なモデリング手順では見落とされがちな形で損失を拡大させうるため、これは重要だ。一方、Moody’s RMSは、山火事やハリケーンの後に衛星画像を分析して保険損失を推定するためにAIを使っていると説明されている。これらの例を総合すると、AIは巨大災害分析の1段階に限られていない。シナリオ生成、ハザード相互作用のモデリング、事後損失評価の各段階に入り込んでいる。

ここでのハルシネーション問題は別物だ

一般向けAI製品では、ハルシネーションはしばしば厄介な誤りや事実誤認として扱われる。だが巨大災害モデリングでは、欠陥のある出力でも統計的、視覚的には十分に説得力があるため、より危険になりうる。合成された洪水パターン、暴風雨の進路、降水場は、非専門家にはもっともらしく見えても、基本的な物理制約を破っているかもしれない。

提供資料には、Fathomの科学部門ディレクターであるOliver Wing氏の警告が含まれており、彼はこうしたシステムが“absolute slop”をハルシネーションすることがあると述べている。言葉は率直だが、本質的な課題をよく表している。見た目のリアリズムと、水文学、気象学、気候ダイナミクスへの忠実性は同じではない。

つまり、検証基準は通常より厳格でなければならない。モデルが内部的に矛盾した大量の合成イベントを生成した場合、見かけ上のデータ量の多さが誤った自信を生む可能性がある。利用者は、より豊かなリスク像を見ていると思い込むかもしれないが、実際にはモデルの人工物を見ているにすぎない。

期待できる利点と、構造的なインセンティブ問題

警告はあるものの、この技術はなお重要になりうる。より良い巨大災害モデルは、実用的なデータが乏しすぎる、あるいは収集・計算コストが高すぎるために歴史的に十分にサービスされてこなかった地域でも、保険会社がリスクを価格付けするのを可能にするかもしれない。理論上は、脆弱な地域での補償アクセスを改善し、変化する気候エクスポージャーをより細かく評価できるようになる。

しかし元資料は、技術的な正確さ以外の懸念も指摘している。それがインセンティブだ。モデル出力が引受収益性に影響するなら、企業は、予測損失が低く出るシステムや、リスクを実態よりも扱いやすく見せるシステムを好む可能性がある。これは企業が意図的にAIを誤用しているという意味ではないが、リスクモデリングにもともと存在する構造的圧力が、不透明な生成システムによって強まる可能性を示している。

要するに、課題はモデルが災害をうまくシミュレーションできるかどうかだけではない。商業的には魅力的だが十分に信頼できないモデルが、価格設定や補償判断を左右しないよう、組織が十分に強固なガバナンスを採用できるかどうかも問われている。

今後の展開

業界は、生成AIが既存の巨大災害モデリング手法を置き換えるのではなく補完する、実験的な段階に入っているようだ。短期的には、それが唯一現実的な道筋だろう。物理ベースのモデルは、災害がどのように進行するかについての概念的な土台を引き続き提供し、生成システムは規模、速度、そしてより多くの仮想的未来を探る能力を与える。

鍵となるのは、その組み合わせを信頼できるものにできるかどうかだ。研究者と企業がハルシネーションを抑え、物理に裏打ちされた検証を徹底し、インセンティブの歪みを管理できれば、生成AIは巨大災害分析を有意義に拡張できる。そうでなければ、業界は古い不確実性を、より説得力のある見た目の出力で包み込むだけになる。

気候変動の激化に直面する保険会社にとって、この違いは重要だ。巨大災害モデリングは常に、起こりそうにないことが高くつく現実になる前に見積もる作業だった。生成AIはその予測の視野を広げるかもしれないが、業界がもっともらしさを証明ではなく出発点として扱う場合に限られる。

この記事は The Decoder の報道をもとにしています。元記事を読む。