AI 在天气与气候科学中的角色：有用但有限
机器学习在天气预报和气候建模领域的应用热度持续攀升，但一批气候科学家的最新研究给出了冷静评估：AI 能改善短期预报精度，但在长期气候趋势预测上仍高度依赖传统物理模型。AI 不是天气预报的"银弹"，而是一个有价值的辅助工具。
过去三年，多个 AI 气象模型在基准测试中表现优异。DeepMind 的 GraphCast、华为的 FengWu 和微软的 FourCastNet 都在 1 到 7 天的天气预测中达到了与传统数值天气预报（NWP）系统相当甚至更好的精度。这些模型的优势在于推理速度——GraphCast 可以在 1 分钟内完成全球 10 天预报，而欧洲中期天气预报中心（ECMWF）的 IFS 系统需要数小时的高性能计算。速度优势使得 AI 模型可以进行更多次的集合预报运行，提高极端天气事件的概率预测。
然而，当预测时间尺度从几天扩展到几个月甚至几年时，AI 模型的能力边界开始显现。气候预测需要模拟海洋-大气-陆地-冰盖之间的复杂耦合过程，这些过程受物理定律严格约束。纯数据驱动的 AI 模型在没有物理约束的情况下，可能生成与物理规律矛盾的预测结果。例如，AI 模型可能预测某地区的降水量违背了水循环的基本守恒定律，这种预测在长期应用中是不可接受的。
为解决这一问题，气候科学家正在开发"物理约束 AI"（Physics-Informed Machine Learning）方法。这类方法将纳维-斯托克斯方程、热力学定律和辐射传输方程嵌入到 AI 模型的损失函数中，确保模型输出遵守基本物理规律。早期实验结果表明，物理约束 AI 在长期气候预测上的可靠性明显优于纯数据驱动模型，但计算成本也相应增加。
AI 在气候科学中的另一个重要应用场景是降尺度（downscaling）。全球气候模型（GCM）的分辨率通常在 100 公里左右，这对于区域尺度的气候影响评估不够精细。AI 降尺度模型可以利用高分辨率的历史观测数据，将 GCM 的低分辨率预测"翻译"为城市级别的精细预测。这种方法在洪水和干旱风险评估中具有实用价值。
学术界对 AI 在气候科学中的角色定位存在分歧。一部分研究者认为 AI 已经足够成熟，可以开始替代部分 NWP 计算，释放高性能计算资源用于更复杂的气候模拟。另一部分研究者坚持认为，在没有完全理解 AI 模型决策机制之前，将其用于气候决策支持存在风险。这场辩论的结果将影响未来十年气候科学的研究方向和资源投入。
AI 在气象领域的一个实际应用案例是台风路径预测。传统数值模型在预测台风路径时误差较大，主要是因为海洋温度的微小变化会影响台风的强度和方向，而这些变化在 100 公里分辨率的全球模型中很难捕捉。2025 年，中国气象局引入了基于 Transformer 的台风预测模型，在 72 小时路径预测上的平均误差从传统模型的 150 公里降低到 80 公里，提升了超过 40% 的精度。这一成果已经应用于实际台风预警中，为沿海地区的防灾减灾提供了更有价值的决策依据。
另一个有前景的应用方向是极端天气事件归因。气候变化是否导致某次特定热浪、洪水或干旱事件的概率增加，是气候科学中最具争议也最实用的问题之一。AI 模型可以通过模拟"有气候变化"和"无气候变化"两种场景下的天气演化，量化气候变化对特定极端事件的贡献度。这种方法在法律诉讼和政策制定中具有越来越重要的应用价值——比如确定某个地区的洪水损失中有多大比例应该归因于人为气候变暖。