本報記者 劉 霞

　　10多年前，當美國加州理工學(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(xué)習等人工智能(AI)技術(shù)成為他的“左膀右臂”。施耐德表示，機器學(xué)習建模速度更快，給出的模型更令人滿(mǎn)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，期望提高模型準確性的同時(shí)降低其能耗。當然，鑒于A(yíng)I存在“黑匣子”，并非所有人都完全信任基于機器學(xué)習技術(shù)的模型。

　　傳統模型有短板

　　傳統氣候模型使用數學(xué)方程來(lái)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(shí)間，且耗能極高。傳統模型模擬一個(gè)世紀的氣候，消耗的能源高達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模過(guò)程，但這些小過(guò)程在大規模天氣模擬中發(fā)揮著(zhù)重要作用。

　　機器學(xué)習指計算機程序通過(guò)發(fā)現數據集中的模式來(lái)學(xué)習。加州大學(xué)洛杉磯分校計算機科學(xué)家阿迪亞·格羅弗指出，機器學(xué)習領(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

　　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(kāi)發(fā)名為模擬器的機器學(xué)習模型，它可以在不進(jìn)行所有數學(xué)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(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(kāi)發(fā)了15個(gè)機器學(xué)習模型，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(lái)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(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(wàn)倍。

　　無(wú)獨有偶，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(kāi)發(fā)出機器學(xué)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(chuàng )建了訓練數據集。模擬器ACE預測了10種情況下未來(lái)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(guò)訓練后，ACE能在10年內，提前6小時(shí)作出預測。此外，ACE更準確預測了90%大氣變量的狀態(tài)，運行速度和能效也都提升了100倍。

　　施耐德指出，此類(lèi)模型有望通過(guò)探索多種場(chǎng)景來(lái)幫助政策制定者進(jìn)行決策，不過(guò)，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”。

　　基底模型可擴展

　　利用AI的第二種方式是開(kāi)發(fā)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(guān)任務(wù)。

　　基底模型基于這樣一種觀(guān)點(diǎn)：數據中存在可以預測未來(lái)氣候的基本模式。通過(guò)發(fā)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(xué)家創(chuàng )建了基底模型ClimaX。研究團隊利用5個(gè)基于物理學(xué)氣候模型的輸出數據對其進(jìn)行了訓練，隨后對其進(jìn)行了微調，使其執行更多任務(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(chuàng )建的3個(gè)氣候模擬器更好地預測了與溫度相關(guān)變量的狀態(tài)。但在預測降雨量方面，ClimaX的表現不如3個(gè)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(yōu)于傳統氣候模型，也無(wú)法證明基底模型本質(zhì)上優(yōu)于模擬器。

　　混合模型取長(cháng)補短

　　第三種方式試圖“兩全其美”，即將機器學(xué)習組件嵌入基于物理學(xué)的模型內，生成混合模型。在這種情況下，機器學(xué)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(dòng)等小規模但復雜且重要過(guò)程進(jìn)行建模。

　　模擬這些小規模過(guò)程是標準氣候模型的“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構建的模型更值得信賴(lài)。

　　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，其中囊括了少數此類(lèi)小規模過(guò)程的機器學(xué)習程序。他指出，在根據歷史觀(guān)測數據對河流流量和積雪進(jìn)行測試時(shí)，這些混合模型表現良好。團隊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)項目的一部分。

　　科學(xué)家們認為，最新的AI技術(shù)顯著(zhù)提升了氣象預測的準確性和細節層面的分析能力，開(kāi)啟了智能氣象預測的新紀元。隨著(zhù)技術(shù)進(jìn)步，未來(lái)的氣象預測將更加精準和高效。