AI 深入天气与气候建模，渐进重构而非革命

机器学习正在进入天气与气候建模体系，从短期数值预报到长期气候模拟，从参数校准到局部过程替代，几乎每一个环节都开始出现 AI 的影子。但与外界的想象不同，这一渗透更接近工具层面的渐进重构，而非对既有物理范式的整体替代。多位研究者指出，AI 在效率上带来了数量级提升，但其在物理一致性与极端事件预测上的短板，决定了它目前只是科学方法体系中的一部分，而非新的主宰者。

从图像识别迁移到气象预报

气象领域所使用的机器学习，与近期大众熟悉的「大语言模型」并不是一回事。它的核心机制仍然是数据驱动的模式识别，本质上是一类高维优化问题：以神经网络结构定义参数空间，输入大量带标签的样本，通过迭代调整参数使预测逼近真实标签。天气预测的训练流程与图像识别高度相似，只是数据从像素换成了不同时刻的温度、气压、风速、水汽与云量等观测变量。

正因如此，机器学习气象模型不需要逐点求解大气动力学方程，在计算速度上获得了显著优势。Google、Nvidia、Huawei、Microsoft 等公司均已推出相关模型，并与学术机构合作，在部分场景中具备了与传统预报系统竞争的能力。

效率跃升与物理约束的拉锯

2025 年 2 月，欧洲中期天气预报中心（ECMWF）部署了首个机器学习预报模型 AIFS，并与传统 IFS 系统并行运行。AIFS 基于「再分析数据」训练，直接学习气象变量在时空维度上的演化模式。运行数据显示，传统 IFS 模型一次预报的计算能耗约为 AIFS 的 1000 倍，运行时间约 30 分钟，而 AIFS 仅需约 3 分钟；在集合预报等需要多次重复计算的场景中，这一差距会被进一步放大。

然而，效率优势的另一面是物理约束的缺失。机器学习模型并不知道降水不能为负，也不知道自己应当满足质量守恒与能量守恒。在误差最小化的训练目标下，它完全可能输出物理上不合理的结果，因此需要额外的后处理修正（例如把负降水截断为零）。如何把物理一致性嵌入数据驱动模型，正在成为这一方向的核心设计议题。

极端天气是模型的薄弱地带

常规天气预测中，机器学习的总体表现已经趋于稳定；但在极端天气面前，模型往往显得力不从心。极端事件本身在训练数据中极为稀缺，模型难以学习「从未见过的极端」，于是倾向于将极端值向平均态压缩，低估其频率与强度，并且这种偏差会随着极端程度增加而扩大。其根源仍是泛化能力边界：模型无法稳定处理训练分布之外的数据。

与此相关的是天气与气候建模的本质差异。天气预报本质上是初值问题，关注短期状态演化；气候模拟则是边界条件问题，关注长期统计结构，例如能量平衡与温室气体强迫响应。像 CO₂ 浓度对长期气候态的影响这类问题，无法仅从历史观测中归纳出来，物理规律因此仍然不可替代。

混合模型与参数化嵌入成为主流

在实践中，研究者并没有把机器学习当作物理模型的替代品，而是将其嵌入到更细的颗粒度中。Caltech 的 CliMA 项目尝试在 GPU 与云架构上构建新一代气候模型，用机器学习替换部分参数化模块（例如积雪过程），同时保留水量守恒等物理约束；NASA GISS 团队则借助机器学习对 450 组气候模拟结果进行参数—误差关系建模，反推出最优参数组合，把模型校准本身变成了一个高维优化问题。

此外，机器学习还被用来训练「代理模型」，即模仿复杂物理模型行为的轻量模拟器，其精度略低，但计算成本可能下降至原模型的 1% 以下，足以支撑大规模情景探索，并形成「模拟器生成数据、数据再训练更高效模型」的闭环。这一方法已扩展到冰盖、海冰与海洋环流等领域。

黑箱问题与可解释 AI 的尝试

机器学习气象模型面临的最大争议仍是可解释性。物理模型中每一项都有清晰的物理含义，而神经网络内部的参数耦合通常难以还原为可读的因果链条。一种正在探索的方向是追踪输入变量对输出的影响，例如有研究发现，某降水预测模型最初高度依赖闪电信息，移除该输入后模型转而依赖红外与水汽通道，并自发识别出云结构特征。这种「输入消融」的方式为研究者提供了部分校验机制，有助于判断模型是否在用符合物理机制的方式做预测。

综合来看，机器学习在天气预报侧已经显著改变计算方式与效率结构，但在气候建模侧仍处于探索阶段。NYU 的 Laure Zanna 的判断颇为克制：它目前只是众多工具中的一种，但未来可能在假设检验与模拟可靠性方面发挥更重要的作用。换言之，这一轮 AI 对气象科学的重塑，不是革命，而是渐进式重构。