本報記者 劉 霞

　　10多年前，當美國加州理工學院氣候科學家塔佩奧·施奈德首次對雲(yun) 如何形成進行建模時，需要煞費苦心地調整描述水滴、氣流和溫度如何相互作用的方程。但2017年，機器學習(xi) 等人工智能(AI)技術成為(wei) 他的“左膀右臂”。施耐德表示，機器學習(xi) 建模速度更快，給出的模型更令人滿意，讓氣候建模和氣候科學變得更有趣。

　　英國《自然》網站在近日的報道中指出，科學家正利用各種AI技術，加快氣候建模速度並改進其性能，期望提高模型準確性的同時降低其能耗。當然，鑒於(yu) AI存在“黑匣子”，並非所有人都完全信任基於(yu) 機器學習(xi) 技術的模型。

　　傳(chuan) 統模型有短板

　　傳(chuan) 統氣候模型使用數學方程來描述陸地、海洋和空氣之間的相互作用如何影響氣候。這些模型運行良好，給出的氣候預測信息可用於(yu) 指導全球政策製定。

　　但這些模型需要功能強大的超級計算機運行數周時間，且耗能極高。傳(chuan) 統模型模擬一個(ge) 世紀的氣候，消耗的能源高達10兆瓦時，約等於(yu) 美國家庭平均年用電量。此外，這些模型很難模擬雨滴如何形成等小規模過程，但這些小過程在大規模天氣模擬中發揮著重要作用。

　　機器學習(xi) 指計算機程序通過發現數據集中的模式來學習(xi) 。加州大學洛杉磯分校計算機科學家阿迪亞(ya) ·格羅弗指出，機器學習(xi) 領域的一係列創新有望在氣候建模領域“大顯身手”。

　　模擬器既快又準

　　研究人員利用AI對氣候進行建模目前主要有3種方式。

　　第一種方式需要開發名為(wei) 模擬器的機器學習(xi) 模型，它可以在不進行所有數學計算的情況下，給出與(yu) 傳(chuan) 統模型相同的結果。

　　2023年，澳大利亞(ya) 聯邦科學與(yu) 工業(ye) 研究組織氣候科學家瓦西裏·基齊奧斯及其同事開發了15個(ge) 機器學習(xi) 模型，以模擬15個(ge) 基於(yu) 物理學的大氣模型。他們(men) 使用物理模型訓練QuickClim係統。這些物理模型針對低碳排放和高碳排放兩(liang) 種情況，來預測2100年的大氣溫度。在中等碳排放情景下，接受訓練後的QuickClim預測2100年大氣溫度的結果，與(yu) 基於(yu) 物理學的模型非常吻合。

　　一旦接受所有低、中、高3種碳排放情景訓練，QuickClim就能快速預測本世紀全球氣溫的變化，速度比傳(chuan) 統模型快約100萬(wan) 倍。

　　無獨有偶，2023年，艾倫(lun) 人工智能研究所科學家也為(wei) 一個(ge) 基於(yu) 物理學的大氣模型開發出機器學習(xi) 模擬器ACE。研究團隊將10組初始大氣條件輸入該模型中，創建了訓練數據集。模擬器ACE預測了10種情況下未來10年氣溫、水蒸氣和風速等16個(ge) 變量的變化情況。研究顯示，經過訓練後，ACE能在10年內(nei) ，提前6小時作出預測。此外，ACE更準確預測了90%大氣變量的狀態，運行速度和能效也都提升了100倍。

　　施耐德指出，此類模型有望通過探索多種場景來幫助政策製定者進行決(jue) 策，不過，它們(men) 不會(hui) 取代基於(yu) 物理學的模型，而是與(yu) 其“協同作戰”。

　　基底模型可擴展

　　利用AI的第二種方式是開發基底模型。這些基底模型隨後可以調整，以執行廣泛的氣候和天氣相關(guan) 任務。

　　基底模型基於(yu) 這樣一種觀點：數據中存在可以預測未來氣候的基本模式。通過發現這些隱藏的模式，基底模型有望比傳(chuan) 統方法更好地預測氣候和天氣。

　　2023年，格羅弗和微軟科學家創建了基底模型ClimaX。研究團隊利用5個(ge) 基於(yu) 物理學氣候模型的輸出數據對其進行了訓練，隨後對其進行了微調，使其執行更多任務。

　　例如，該模型基於(yu) 二氧化碳、二氧化硫、黑碳和甲烷水平等輸入變量預測了全球平均地表溫度、日溫度範圍和降雨量。結果顯示，ClimaX比帕裏斯團隊創建的3個(ge) 氣候模擬器更好地預測了與(yu) 溫度相關(guan) 變量的狀態。但在預測降雨量方麵，ClimaX的表現不如3個(ge) 模擬器中最好的。

　　帕裏斯也承認，目前他們(men) 並不能證明ClimaX的性能優(you) 於(yu) 傳(chuan) 統氣候模型，也無法證明基底模型本質上優(you) 於(yu) 模擬器。

　　混合模型取長補短

　　第三種方式試圖“兩(liang) 全其美”，即將機器學習(xi) 組件嵌入基於(yu) 物理學的模型內(nei) ，生成混合模型。在這種情況下，機器學習(xi) 模型隻取代傳(chuan) 統模型中效果較差的部分，通常是對雲(yun) 如何形成、積雪和河流流動等小規模但複雜且重要過程進行建模。

　　模擬這些小規模過程是標準氣候模型的“短板”，而混合模型的性能優(you) 於(yu) 純基於(yu) 物理學的模型，同時又比完全由AI構建的模型更值得信賴。

　　鑒於(yu) 此，施耐德及其同事創建了地球大氣層和陸地的物理模型，其中囊括了少數此類小規模過程的機器學習(xi) 程序。他指出，在根據曆史觀測數據對河流流量和積雪進行測試時，這些混合模型表現良好。團隊希望今年底前完成一個(ge) 可以與(yu) 大氣和陸地模型耦合的海洋混合模型，作為(wei) 氣候建模聯盟(CliMA)項目的一部分。

　　科學家們(men) 認為(wei) ，最新的AI技術顯著提升了氣象預測的準確性和細節層麵的分析能力，開啟了智能氣象預測的新紀元。隨著技術進步，未來的氣象預測將更加精準和高效。