刘霞

十年前，加州理工学院气候科学家塔佩奥·施奈德首次对云如何形成进行建模时，需要费劲儿去调整描述水滴、气流和温度相互作用的方程式。但是2017年，人工智能（AI）技术使他的模型成了“左膀右臂”。他指出，机器学习模型更快速地给出令人满意的模型，让气候建模和气候科学变得更有趣。

传统气候模型在预测积雪过程方面非常艰难，但是通过结合机器学习技术和传统的气候模型，一个混合模型能精确模拟出这些细节复杂的地形或小规模的影响。这幅照片源自美国国家科学院院刊《自然》杂志的报道。

近期，《自然》网站的一则报道揭示，研究者们正在开发利用人工智能（AI）技术来加速气候建模速度以及提升模拟精确度并减少能耗的方法。当然了，由于人工智能领域存在“黑匣子”的问题，并不是每个人都完全相信基于机器学习的模型可以准确无误地进行预测和模拟工作。

相比之下，基于机器学习（人工智能）的模拟器可以提供类似物理模型的天气预测结果，并且能够比传统的物理模型提供更快的速度。

传统模型存在一定的不足

传统的气候模型利用数学方程式来反映地球表面不同区域之间互相作用对气候的影响，这一模型能有效运行，其提供的气候预测信息被广泛用于指导全球性的政治决策制定与规划。

然而，这些模型要求运行数周乃至数月以内的超级计算机才能完成，并且耗电量非常大。它们使用传统模式模拟一个世纪的气候情况，消耗能量高达10兆瓦时，大约等于美国家庭平均年用电量。此外，由于很难对小规模天气变化做出准确模拟，因此这些模型难以精确地预测特定降水事件的发生概率或者在某些情况下进行预报，然而这种预测对于实际天气和气候预测来说至关重要。

机器学习是指由算法实现的计算机系统，它基于发现数据集中模式的能力来学习。加州大学洛杉矶分校的计算学科系教授阿迪亚·格罗夫指出，私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596在气候建模领域的诸多创新中，机器学习有望发挥重要作用。

模拟器既快又准

研究人员利用人工智能对气候 进行建模主要采用了三种方法。

可以采用第二种方法，开发一种称为模拟器的学习程序，这种程序可以不经过所有的数学运算就能得出与常规学习模式相同的结论。

到2023年澳大利亚联邦科学与工业研究组织的气候科学家瓦西里·基齐奥斯及其同事开发了15个机器学习算法用来模拟物理空气流动模式以预测2100年的全球气温。他们使用这些建模工具训练QuickClim系统。这些物理模型分别用于处理碳排放量较低和较高的情况来预测2100年的大气温度。在低碳排放情景下，接受训练后的QuickClim系统预测的结果与基于物理学的空气流动模式预测的结果相差不大

只要接受到三个水平的低碳排放情景训练，QuickClim就能够迅速预测本世纪全球温度的改变。它对传统的气候模拟引擎来说要快一千多万倍。

与以往的研究不同，《艾伦人工智能研究所科学家》开发出的“基于物理学的大气模型”中有一个名为“ACE”的机器学习模拟器。“ACE”中的10组初始大气条件被输入该模型创建了训练数据集，用来预测未来10年内气温、水蒸气和风速等16个变量的变化情况。通过这一过程，“ACE”成功提前6小时对10种特定情况进行了准确预测，并能更加精准地判断90%的气象状况，在运行速度上提升至10倍，在能耗效率上也增加了100倍。

Schneider指出，这类模型可能会协助政策制定者进行决策，并将与物理模型一起发挥作用。

可扩展的基底模型

使用人工智能的另一种方式是创建基础模型。这些基础模型之后可以被调整，以完成广范的气候和天气相关任务。

这个基础框架是建立在认为数据中有规律可寻的一个基本看法上的：这些规律能用来揭示气候变化的本质。因此，这一基础架构有可能要比目前用于预测气候或天气的传统方法做得更好。

在2023年，微软科学家戈尔戈特与一群专家团队联手打造了名为ClimaX的基底模型。研究人员使用五个基于物理学气候模式的结果样本进行训练，并对该模型进行了微调，最终使私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596其能够完成更多的任务。

例如，该模型通过分析二氧化碳、二氧化硫、黑碳和甲烷等输入变量来推断全球平均地表温度及日温差。研究结果显示ClimaX远胜于巴黎团队创建的三个气候模拟系统对与温度相关变量状态的预测能力。然而，在降雨量预报上，ClimaX的表现低于这三个模拟系统中最佳表现的任何一个。

Paris也承认，在目前他们并未能验证ClimaxX 的表现优于标准气候模式以及无法证实基础模型相对于模拟器来说是否有优劣之分。

整合多个模型的特性和优势

第二种方法试图将机器学习组件融入物理模型，以生成混合法模。这种方式下，机器学习模块会替代传统模式中表现欠佳的部分，着重于对云的形成、降雪和河流的流动等小型、结构较为复杂但极其重要的过程进行建模。

这些小型处理过程是标准气候模式的弱点，而非基于物理方法的模式所能比拟，并且，相比采用人工智能构建的模式，其可靠性也更高。

鉴于此，施耐德及其同事创建了地球大气层和陆地的物理模型，并设计了囊括少数此类小规模过程机器学习程序的混合模型。他们指出，在模拟河流流量和积雪变化时这些模型表现良好，这让他们希望在今年年底前完成一个可以与大气和陆地模型耦合的海洋混合模型，作为气候建模联盟（CliMA）项目的一部分。

研究人员认为，最新的人工智能(AI)技术已经大大提高了对天气预报的准确性，以及对复杂数据细节的解读水平。随着AI的发展，未来的天气预报将更加精确、可靠。