AI杀进天气与气候建模，但它离“革命”还差得远

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：机器学习正在深入天气与气候建模体系，从短期天气预报到长期气候模拟，从参数优化到模型替代，AI不断进入传统物理模型的内部结构。但它并未取代既有范式，而是在效率提升与物理约束之间寻找平衡。真正的变化，不是革命，而是渐进式重构。本文来自编译。

图片来源：Getty Images

AI无处不在，但真的有变化吗？

如今，AI 几乎无处不在。你刚在输入框里写下半句话，系统就已经准备好替你续写；想买一台不联网的冰箱，却发现语音助手已经成为默认配置。技术渗透正在变得越来越快，人们不禁思考，我们到底是在经历一场技术跃迁，还是只是被一轮被放大的技术叙事所包围。

当AI进入天气与气候建模领域，这个问题变得更加尖锐，甚至开始触及科学建模本身的边界。

今年年初，美国国家气象局某办公室发布了一张预报图，其中出现了爱达荷州一些并不存在的城市名称，比如“Whata Bod”“Orangeotild”。随后被证实，这只是用于社交媒体传播的AI生成图像，并不属于真实预报系统输出。尽管如此，这类事件仍然容易制造一种误读，仿佛气象预测正在被大模型接管。但现实是，气象学家与气候科学家并没有被提示词工程师取代。

AI确实正在进入这一领域，只是方式并不激进，更接近工具层面的渗透，而非体系层面的替换。

真正起作用的不是LLM，而是机器学习

在气象与气候科学中，所谓AI主要指机器学习，而不是大语言模型。

如果将技术压缩到最基本层面，它做的事情其实很直接，就是从数据中提取模式，并建立输入与输出之间的映射关系。

最基础的形式是线性回归，也就是在数据中拟合一条趋势线。再往上是非线性函数拟合，或更高维度的关系建模。形式不断复杂，但本质始终一致，都是在数据空间中寻找统计规律。

机器学习的关键变化在于，它不再依赖人工规则逐条定义关系，而是通过优化算法在数据中自动学习结构，从而捕捉那些难以显式表达的复杂关联。

训练机制的本质是高维优化

一个典型机器学习模型通常从零开始训练。模型结构首先被定义，例如神经网络，它本质上构成一个可调参数空间，所有能力都被压缩在这些参数之中。

随后系统输入大量带标签的数据，例如成千上万张标注好的图像。模型通过不断迭代调整参数，使预测结果逐渐逼近真实标签。从外部看，这是学习过程，但从机制上看，更接近一个高维优化问题。

能力提升背后是结构性限制

机器学习能力增强的同时，其结构性限制也非常明确。

首先是泛化能力边界。模型无法稳定处理训练分布之外的数据，一旦输入超出经验范围，性能就会明显下降。其次是数据偏置会被放大。如果训练数据中某一类对象总是与特定背景绑定，模型可能会错误地将背景信息当作关键特征。

再往后是可解释性问题。深度模型的内部结构通常无法还原为人类可读的逻辑链条，其决策过程更接近统计耦合，而非规则推导。

气象模型的变化，本质是效率提升

在天气预测中，机器学习的训练方式与图像识别类似，只是数据来源变成了不同时间点的气象观测。

由于不需要逐点求解物理方程，这类模型在计算速度上显著优于传统天气模型。包括Google、Nvidia、Huawei和Microsoft在内的公司已经推出相关模型，并与学术机构合作，在部分场景中开始具备与传统预报系统竞争的能力。

欧洲中期天气预报中心在2025年2月部署首个机器学习模型，并与传统IFS系统并行运行。该模型基于“再分析数据”训练，通过融合观测与物理一致性重建全球天气状态，从而学习未来6小时的天气演化规律。

模型输入包括温度、气压、风速、水汽、云量等变量，但并不显式使用物理方程，而是直接学习这些变量在空间与时间上的变化模式。

关键问题开始暴露

问题在于，这类模型并不理解物理约束。

它不会意识到降水不能为负，也不会自动满足质量守恒与能量守恒。在误差最小化过程中，它可能产生物理上不合理的结果。因此需要额外约束，例如将负降水直接修正为零。

这种“物理约束”正在成为机器学习气象模型的重要设计方向。

但其效率优势同样明显。传统IFS模型的计算能耗约为AIFS的1000倍，运行时间约30分钟，而机器学习模型仅需约3分钟，在集合预报中优势会进一步放大。

极端天气是模型的薄弱区

常规天气预测问题相对稳定，但极端天气预测则完全不同。

由于极端事件本身极为稀缺，训练数据天然不完整，模型很难学习未出现过的极端情况。研究表明，机器学习模型往往低估极端事件的频率与强度，并且误差会随着极端程度增加而扩大，本质原因是模型无法超出训练分布。

结果就是极端天气被“压缩”，趋向平均化。

天气与气候本质是两类问题

天气预测关注短期状态演化，而气候模型关注长期统计结构，例如能量平衡或气候系统响应。

从建模角度看，一个是初值问题，一个是边界条件问题。例如CO₂排放对长期气候结构的影响，这类问题无法从历史数据中直接学习，因此物理规律仍然不可替代。

混合模型成为主流方向

Caltech的Tapio Schneider参与CliMA项目，该项目尝试构建新一代气候模型，在GPU与云架构上运行，并用Julia替代传统Fortran。

其核心思路并不是用机器学习替代物理模型，而是将其嵌入局部过程模块中。

气候模型由多个子系统组成，其中大量微观过程无法解析，只能通过参数化近似。CliMA正在用机器学习替换部分参数化模块，例如积雪过程，并加入水量守恒约束。

在当前气候范围内，这种方法表现良好，因为许多规律具有可迁移性。但在云系统等复杂场景中，由于未来状态可能超出历史数据分布，模型仍然存在失效风险。

因此策略变得清晰，在可学习区域使用机器学习，在其他区域保留物理模型。

模型优化进入“元问题阶段”

一些物理模型参数可以调节，这一过程称为模型校准。机器学习可以用于优化这一过程。

NASA GISS团队通过调整参数组合生成450组模拟结果，每组运行一年，并与观测数据对比，包括气旋数量与能量收支差异。随后训练机器学习模型学习参数与误差关系，并反推出最优参数组合，本质上是高维优化问题。

模拟器与代理模型

机器学习还可以用于模型压缩，即训练轻量模型去模仿复杂物理模型，从而构建代理系统。

这些模型基于高成本模拟数据训练，可以用于快速探索不同排放情景，而无需反复调用超级计算资源。虽然精度有所下降，但计算成本大幅降低。

更重要的是，这形成了一种闭环结构，模拟器生成数据，再反过来训练更高效模型。

这一方法正在扩展到冰盖、海冰与海洋环流等领域。

如果用不到1%的计算成本获得接近一半效果，这种方法就具有工程意义。

黑箱问题仍然存在

机器学习的核心争议依然是黑箱问题。物理模型中的每一项都有明确含义，而神经网络内部结构通常无法解释。

科学模型的核心价值在于理解现实，而不仅仅是预测结果。如果无法解释模型，就无法判断其失效边界。

因此气候科学界在使用机器学习时保持谨慎。但在实践中，这种方法仍然属于科学方法体系的一部分，因为最终仍需实验与数值验证。

可解释AI在试图降低不透明性

一种方法是追踪输入变量对输出的影响。例如在降水预测模型中，研究人员发现模型最初高度依赖闪电信息，在移除该信息后，模型转而依赖红外与水汽数据，并开始识别云结构特征。

这使研究人员能够判断模型是否符合物理机制，从而部分缓解黑箱问题。

机器学习的真实位置

机器学习属于大数据科学的一部分，其核心价值在于从海量数据中提取结构。

其影响取决于应用场景，而非统一结论。

在天气预报领域，它已经显著改变计算方式与效率结构。在气候科学领域，它仍处于探索阶段，但正在逐步渗透到模型内部。

正如NYU的Laure Zanna所说，它目前只是众多因素之一，但未来可能在假设检验与模拟可靠性方面发挥更重要作用。

译者：小川