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·施奈德首次對云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，機器學習等人工智能(AI)技術成為他的“左膀右臂”。施耐德表示，機器學習建模速度更快，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，加快氣候建模速度并改進其性能，期望提高模型準確性的同時降低其能耗。當然，鑒于AI存在“黑匣子”，并非所有人都完全信任基于機器學習技術的模型。

　　傳統模型有短板

　　傳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于指導全球政策制定。

　　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。傳統模型模擬一個世紀的氣候，消耗的能源高達10兆瓦時，約等于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。

　　機器學習指計算機程序通過發現數據集中的模式來學習。加州大學洛杉磯分校計算機科學家阿迪亞·格羅弗指出，機器學習領域的一系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模擬器的機器學習模型，它可以在不進行所有數學計算的情況下，給出與傳統模型相同的結果。

　　2023年，澳大利亞聯邦科學與工業研究組織氣候科學家瓦西里·基齊奧斯及其同事開發了15個機器學習模型，以模擬15個基于物理學的大氣模型。他們使用物理模型訓練QuickClim系統。這些物理模型針對低碳排放和高碳排放兩種情況，來預測2100年的大氣溫度。在中等碳排放情景下，接受訓練后的QuickClim預測2100年大氣溫度的結果，與基于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，速度比傳統模型快約100萬倍。

　　無獨有偶，2023年，艾倫人工智能研究所科學家也為一個基于物理學的大氣模型開發出機器學習模擬器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個變量的變化情況。研究顯示，經過訓練后，ACE能在10年內，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制定者進行決策，不過，它們不會取代基于物理學的模型，而是與其“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。這些基底模型隨后可以調整，以執行廣泛的氣候和天氣相關任務。

　　基底模型基于這樣一種觀點：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個基于物理學氣候模型的輸出數據對其進行了訓練，隨后對其進行了微調，使其執行更多任務。

　　例如，該模型基于二氧化碳、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、日溫度范圍和降雨量。結果顯示，ClimaX比帕里斯團隊創建的3個氣候模擬器更好地預測了與溫度相關變量的狀態。但在預測降雨量方面，ClimaX的表現不如3個模擬器中最好的。

　　帕里斯也承認，目前他們并不能證明ClimaX的性能優于傳統氣候模型，也無法證明基底模型本質上優于模擬器。

　　混合模型取長補短

　　第三種方式試圖“兩全其美”，即將機器學習組件嵌入基于物理學的模型內，生成混合模型。在這種情況下，機器學習模型只取代傳統模型中效果較差的部分，通常是對云如何形成、積雪和河流流動等小規模但復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于純基于物理學的模型，同時又比完全由AI構建的模型更值得信賴。

　　鑒于此，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程序。他指出，在根據歷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可以與大氣和陸地模型耦合的海洋混合模型，作為氣候建模聯盟(CliMA)項目的一部分。

　　科學家們認為，最新的AI技術顯著提升了氣象預測的準確性和細節層面的分析能力，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。