本文源自微信公眾號“生態(tài)學時空”，作者為復旦趙斌，原標題為《【AI氣候預測】一張圖看懂這場革命 | 一起讀頂刊-2026》

長期以來，氣候預測面臨一大難題：傳統(tǒng)模型依賴超級計算機耗時數(shù)周運算，耗電量相當于美國家庭一年用量，且僅能分析少數(shù)幾種碳排放情景。

AI的出現(xiàn)徹底改變了這一局面。今天要介紹的《自然》期刊文章聚焦人工智能如何優(yōu)化氣候預測，其中“AI CLIMATE MODEL WORKS AT SPEED”圖極具代表性?；诖藞D，我們能清晰理解這場革命：AI不僅能復刻傳統(tǒng)模型的預測精度，速度更是提升了一百萬倍。

深入解析這張圖：AI與傳統(tǒng)模型的直接較量

這張圖看似復雜，實則圍繞三件事展開，可用“老工匠”與“快學高手”的比喻來理解：

上左：Physics-based model（傳統(tǒng)物理模型）——慢工出細活的老工匠

這是科學家憑借數(shù)十年積累的物理知識，手工構建的數(shù)學方程體系。從雨滴形成到海洋環(huán)流，均通過復雜公式描述。圖中曲線展示了其預測的2100年前氣溫分布，清晰呈現(xiàn)出-35℃至35℃的溫度區(qū)間。

• 優(yōu)點：可靠性強，是氣候預測的核心依據(jù)，能為全球氣候政策提供指導。

  
  

  
  

• 缺點：運算速度極慢，模擬一個世紀的氣候需耗時數(shù)周，耗電量達10兆瓦時（相當于美國家庭一年用電量），最多僅能分析5種以內(nèi)的碳排放情景，難以應對更多場景。

  
  

  
  

上右：AI-based emulator（AI模擬器QuickClim）——高效學習的快學高手

AI并非重新發(fā)現(xiàn)氣候規(guī)律，而是像擅長“借鑒”的天才：它不求解復雜方程，而是通過分析傳統(tǒng)模型的輸出結果，掌握碳排放與氣溫變化的關聯(lián)規(guī)律。其曲線與左側(cè)傳統(tǒng)模型幾乎重合，表明AI預測的氣溫分布與超級計算機運算結果高度一致。

• 優(yōu)點：速度驚人，普通筆記本訓練模型僅需30分鐘，預測速度比傳統(tǒng)模型快一百萬倍；還能同時分析數(shù)千種碳排放情景，這是傳統(tǒng)模型無法實現(xiàn)的。

  
  

  
  

下：Difference（差值）——誤差可忽略不計

這是關鍵的驗證環(huán)節(jié)，計算左側(cè)傳統(tǒng)模型與中間AI模型結果的差距，橫坐標為差值范圍（-0.49℃至0.49℃）。

• 大部分差值集中在±0.07℃左右，最大差距僅0.49℃——這種誤差在氣候預測中微不足道，如同用尺子測量操場時相差幾毫米，完全不影響決策。

  
  

  
  

• AI并非盲目猜測，而是真正掌握了傳統(tǒng)模型的核心規(guī)律，精準度達到實用標準。

  
  

  
  

AI為何能兼顧速度與精度？

這張圖背后是AI氣候建模的關鍵方法——模擬器（emulator），文章中的比喻十分形象：

傳統(tǒng)模型如同“依據(jù)物理規(guī)律計算球的落點”，需考慮投擲力度、角度、轉(zhuǎn)速等因素，逐步解方程；

AI模擬器則像“觀察過一萬次球落地的運動員”，無需計算物理公式，憑借經(jīng)驗即可精準預判落點。

以文章中的QuickClim為例，科學家用低、高兩種碳排放情景的傳統(tǒng)模型結果訓練它，再讓它預測“中等碳排放情景”（訓練時未接觸過的情況），結果完美匹配。更重要的是，訓練無需超級計算機，普通筆記本30分鐘即可完成，普通人也能操作——這意味著氣候預測不再是超級計算機的專屬領域，中小國家和科研團隊也能負擔得起。

速度提升一百萬倍，究竟有何價值？

很多人會問：速度提升這么多，真的重要嗎？答案是肯定的！

氣候變化決策最擔心信息不足。例如制定減排政策時，需了解減排10%與30%分別會導致氣溫上升多少、極端天氣減少多少。傳統(tǒng)模型僅能計算5種情景，政策制定者只能在有限選項中選擇；而AI能計算數(shù)千種情景，可精準找到成本最低、效果最佳的方案，為決策提供更細致的參考。

文章提到，QuickClim未來能幫助政策制定者快速探索多種情景，無需等待數(shù)周甚至數(shù)月——在氣候變化日益緊迫的今天，每一秒都至關重要。

不止模擬器：AI氣候建模的另外兩大核心方法

這張圖聚焦的模擬器只是AI的方法之一，文章還提到另外兩種更具潛力的方法，簡單介紹如下，幫助理解AI氣候建模的全貌：

1. 基礎模型（Foundation Model）：如微軟的ClimaX，先學習1850年至2015年的全球氣候數(shù)據(jù)，掌握通用規(guī)律，再通過微調(diào)即可完成多種任務（如預測氣溫、降雨、臺風），實現(xiàn)“一專多能”；

   
   

   
   

2. 混合模型（Hybrid Model）：AI僅彌補傳統(tǒng)模型的“短板”——例如云形成、積雪等小尺度過程，傳統(tǒng)模型難以精確計算，由AI接手，既保證可靠性，又提升效率。

   
   

   
   

但無論哪種方法，核心邏輯與這張圖一致：AI并非要取代傳統(tǒng)模型，而是通過高效學習能力，解決傳統(tǒng)模型在效率和細節(jié)上的難題。

不可忽視的不足：AI的局限性

盡管這張圖令人振奮，文章也客觀指出了AI面臨的挑戰(zhàn)，避免過度樂觀：

1. 黑箱難題：AI如何學習規(guī)律、為何做出特定預測，難以解釋——氣候預測關乎全球命運，“知其然不知其所以然”，難以獲得廣泛信任；

   
   

   
   

2. 未來驗證困難：氣候是混沌系統(tǒng)，未來與歷史可能存在巨大差異，AI在歷史數(shù)據(jù)上表現(xiàn)精準，不代表能預測從未出現(xiàn)過的極端氣候；

   
   

   
   

3. 無法替代傳統(tǒng)模型：AI模擬器是學習傳統(tǒng)模型的結果，根基仍是物理規(guī)律——沒有傳統(tǒng)模型的基礎，AI也無法發(fā)揮作用。

   
   

   
   

AI與傳統(tǒng)模型的協(xié)同合作

這張圖的意義在于開啟了人機協(xié)作的氣候預測新時代：傳統(tǒng)模型確定物理框架，保證可靠性；AI負責提升速度、補充細節(jié)、擴展情景，讓預測更具實用性。

文章提到，科學家的終極目標是：通過AI輔助，打造地球數(shù)字孿生體，能精準模擬到公里級的天氣細節(jié)，如某城市的暴雨強度、某海域的浪高，且能快速輸出結果。如今，這一目標已逐步清晰可及。

氣候預測革命的本質(zhì)是效率革命

氣候變化刻不容緩，傳統(tǒng)模型的緩慢運算實際上是在浪費應對氣候變化的時間。這張圖告訴我們：AI并非來“搶飯碗”，而是來“搭快車”——它讓氣候預測從少數(shù)超級計算機的專利，轉(zhuǎn)變?yōu)槿巳丝捎玫墓ぞ?，幫助政策制定者更快找到最?yōu)解，讓我們更早做好防災準備。

科技的價值從來不是顛覆，而是讓復雜的事情變得簡單，讓遙遠的希望變得切近。當AI的速度遇上傳統(tǒng)模型的精準，我們應對氣候變化的底氣又增添了一分。

解讀文獻：

• https://doi.org/10.1038/d41586-024-00780-8