観測された大気状態に基づいて訓練された機械学習気象モデルは、短期から中期間（1～14日）の予測スケールにおいて、従来の物理ベースモデルを上回る性能を示すことができる。本研究では、大気の進化を6時間刻みで予測するように訓練され、長期予測期間においても安定性を維持できる機械学習モデルACE2を用い、季節予測（1～3か月のリードタイム）の視点からその性能を評価する。毎年11月1日を基準として、保持された海面温度（SST）および海氷異常を用いて、1993/1994年から2015/2016年までの23年間にわたり、ラグ付きアンサンブル予測を初期化する。この期間において、ACE2モデルの予測可能性のパターンは、主要な物理ベースモデルと顕著な類似性を示している。ACE2モデルは、北大西洋振動（NAO）に対して相関係数0.47（p = 0.02）という有意な予測精度を示し、世界的なスキル分布およびアンサンブル分散も現実的である。驚くべきことに、ACE2モデルは物理ベースモデルと同様に、信号対ノイズ誤差（signal-to-noise error）を示しており、モデル自身よりも現実世界をより正確に予測している。2009/2010年冬の予測を検討した結果、訓練データの範囲外に及ぶ極端な季節的状況をACE2が捉えきれていない可能性が示唆された。本研究は、機械学習気象モデルが世界規模の季節予測において有効な結果をもたらすことができ、短期気候予測の理解深化、モデル開発、予測生成の新たな機会を提供する可能性を示している。