本報(bào)記者 劉 霞

　　10多年前，當(dāng)美國加州理工學(xué)院氣候科學(xué)家塔佩奧·施奈德首次對云如何形成進(jìn)行建模時(shí)，需要煞費(fèi)苦心地調(diào)整描述水滴、氣流和溫度如何相互作用的方程。但2017年，機(jī)器學(xué)習(xí)等人工智能(AI)技術(shù)成為他的“左膀右臂”。施耐德表示，機(jī)器學(xué)習(xí)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(xué)變得更有趣。

　　英國《自然》網(wǎng)站在近日的報(bào)道中指出，科學(xué)家正利用各種AI技術(shù)，加快氣候建模速度并改進(jìn)其性能，期望提高模型準(zhǔn)確性的同時(shí)降低其能耗。當(dāng)然，鑒于AI存在“黑匣子”，并非所有人都完全信任基于機(jī)器學(xué)習(xí)技術(shù)的模型。

　　傳統(tǒng)模型有短板

　　傳統(tǒng)氣候模型使用數(shù)學(xué)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(yùn)行良好，給出的氣候預(yù)測信息可用于指導(dǎo)全球政策制定。

　　但這些模型需要功能強(qiáng)大的超級計(jì)算機(jī)運(yùn)行數(shù)周時(shí)間，且耗能極高。傳統(tǒng)模型模擬一個(gè)世紀(jì)的氣候，消耗的能源高達(dá)10兆瓦時(shí)，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(guī)模過程，但這些小過程在大規(guī)模天氣模擬中發(fā)揮著重要作用。

　　機(jī)器學(xué)習(xí)指計(jì)算機(jī)程序通過發(fā)現(xiàn)數(shù)據(jù)集中的模式來學(xué)習(xí)。加州大學(xué)洛杉磯分校計(jì)算機(jī)科學(xué)家阿迪亞·格羅弗指出，機(jī)器學(xué)習(xí)領(lǐng)域的一系列創(chuàng)新有望在氣候建模領(lǐng)域“大顯身手”。

　　模擬器既快又準(zhǔn)

　　研究人員利用AI對氣候進(jìn)行建模目前主要有3種方式。

　　第一種方式需要開發(fā)名為模擬器的機(jī)器學(xué)習(xí)模型，它可以在不進(jìn)行所有數(shù)學(xué)計(jì)算的情況下，給出與傳統(tǒng)模型相同的結(jié)果。

　　2023年，澳大利亞聯(lián)邦科學(xué)與工業(yè)研究組織氣候科學(xué)家瓦西里·基齊奧斯及其同事開發(fā)了15個(gè)機(jī)器學(xué)習(xí)模型，以模擬15個(gè)基于物理學(xué)的大氣模型。他們使用物理模型訓(xùn)練QuickClim系統(tǒng)。這些物理模型針對低碳排放和高碳排放兩種情況，來預(yù)測2100年的大氣溫度。在中等碳排放情景下，接受訓(xùn)練后的QuickClim預(yù)測2100年大氣溫度的結(jié)果，與基于物理學(xué)的模型非常吻合。

　　一旦接受所有低、中、高3種碳排放情景訓(xùn)練，QuickClim就能快速預(yù)測本世紀(jì)全球氣溫的變化，速度比傳統(tǒng)模型快約100萬倍。

　　無獨(dú)有偶，2023年，艾倫人工智能研究所科學(xué)家也為一個(gè)基于物理學(xué)的大氣模型開發(fā)出機(jī)器學(xué)習(xí)模擬器ACE。研究團(tuán)隊(duì)將10組初始大氣條件輸入該模型中，創(chuàng)建了訓(xùn)練數(shù)據(jù)集。模擬器ACE預(yù)測了10種情況下未來10年氣溫、水蒸氣和風(fēng)速等16個(gè)變量的變化情況。研究顯示，經(jīng)過訓(xùn)練后，ACE能在10年內(nèi)，提前6小時(shí)作出預(yù)測。此外，ACE更準(zhǔn)確預(yù)測了90%大氣變量的狀態(tài)，運(yùn)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(jìn)行決策，不過，它們不會(huì)取代基于物理學(xué)的模型，而是與其“協(xié)同作戰(zhàn)”。

　　基底模型可擴(kuò)展

　　利用AI的第二種方式是開發(fā)基底模型。這些基底模型隨后可以調(diào)整，以執(zhí)行廣泛的氣候和天氣相關(guān)任務(wù)。

　　基底模型基于這樣一種觀點(diǎn)：數(shù)據(jù)中存在可以預(yù)測未來氣候的基本模式。通過發(fā)現(xiàn)這些隱藏的模式，基底模型有望比傳統(tǒng)方法更好地預(yù)測氣候和天氣。

　　2023年，格羅弗和微軟科學(xué)家創(chuàng)建了基底模型ClimaX。研究團(tuán)隊(duì)利用5個(gè)基于物理學(xué)氣候模型的輸出數(shù)據(jù)對其進(jìn)行了訓(xùn)練，隨后對其進(jìn)行了微調(diào)，使其執(zhí)行更多任務(wù)。

　　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(yù)測了全球平均地表溫度、日溫度范圍和降雨量。結(jié)果顯示，ClimaX比帕里斯團(tuán)隊(duì)創(chuàng)建的3個(gè)氣候模擬器更好地預(yù)測了與溫度相關(guān)變量的狀態(tài)。但在預(yù)測降雨量方面，ClimaX的表現(xiàn)不如3個(gè)模擬器中最好的。

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

　　混合模型取長補(bǔ)短

　　第三種方式試圖“兩全其美”，即將機(jī)器學(xué)習(xí)組件嵌入基于物理學(xué)的模型內(nèi)，生成混合模型。在這種情況下，機(jī)器學(xué)習(xí)模型只取代傳統(tǒng)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(dòng)等小規(guī)模但復(fù)雜且重要過程進(jìn)行建模。

　　模擬這些小規(guī)模過程是標(biāo)準(zhǔn)氣候模型的“短板”，而混合模型的性能優(yōu)于純基于物理學(xué)的模型，同時(shí)又比完全由AI構(gòu)建的模型更值得信賴。

　　鑒于此，施耐德及其同事創(chuàng)建了地球大氣層和陸地的物理模型，其中囊括了少數(shù)此類小規(guī)模過程的機(jī)器學(xué)習(xí)程序。他指出，在根據(jù)歷史觀測數(shù)據(jù)對河流流量和積雪進(jìn)行測試時(shí)，這些混合模型表現(xiàn)良好。團(tuán)隊(duì)希望今年底前完成一個(gè)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(lián)盟(CliMA)項(xiàng)目的一部分。

　　科學(xué)家們認(rèn)為，最新的AI技術(shù)顯著提升了氣象預(yù)測的準(zhǔn)確性和細(xì)節(jié)層面的分析能力，開啟了智能氣象預(yù)測的新紀(jì)元。隨著技術(shù)進(jìn)步，未來的氣象預(yù)測將更加精準(zhǔn)和高效。