天气与气候科学中的AI革命，其实没那么革命性
近年来，人工智能在天气和气候建模领域的应用日益广泛，但这是否意味着真正的革命？本文通过分析机器学习（ML）与传统方法的关系，揭示了AI在气象科学中的真实角色：它不是取代，而是辅助。
从“Whata Bod”闹剧说起
今年早些时候，美国国家气象局的一个办公室在社交媒体上发布了一张预报图，图中出现了“Whata Bod”和“Orangeotild”等虚构的爱达荷州城市名。这并非实际预报模型出错，而是一张由AI生成的配图。这个插曲提醒我们：气象学家和气候科学家并未被大语言模型取代，真正发挥作用的是另一种AI——机器学习。
机器学习：模式识别的利器
在气象和气候模型中，“AI”几乎特指机器学习。其核心思想是让计算机从数据中识别模式，从简单的线性回归到复杂的神经网络，机器学习能处理远超人工能力的复杂度。例如，通过训练一个神经网络，输入大量标注过的鸟类照片，模型可以学会区分不同物种。
然而，机器学习也有明显局限：它无法识别训练数据中未出现的类别，对于差异过大的子群体也可能失效。这些限制在气象和气候领域尤为关键。
天气 vs. 气候：AI的不同角色
天气预报追求短期高精度，AI模型如华为的Pangu-Weather和Google的GraphCast，通过海量历史数据训练，能在几秒内做出与物理模型精度相当的预测。但它们的“黑箱”特性让科学家难以解释突发极端事件的成因。
气候预测则关注长期趋势，物理模型依然是基石。AI更多用于加速参数化——即用机器学习替代计算量巨大的物理子过程，或降尺度，从粗略的全球模型生成高分辨率的区域预测。
辅助而非替代
当前，AI在气象气候领域的定位是增强而非替代。物理模型提供因果解释和可靠性，AI则带来速度和效率。两者结合，才能应对日益复杂的天气与气候挑战。
例如，欧洲中期天气预报中心（ECMWF）正在探索将AI输出作为物理模型的初始场，以提升预报准确率。而气候研究中，AI帮助科学家从海量模拟数据中提取极端事件信号，但最终结论仍需物理模型验证。
小结
AI革命在气象气候领域确实存在，但它是一场渐进式的变革，而非颠覆。ML工具让科学家能处理更大规模的数据、更快地做出预测，但物理定律和因果模型仍不可替代。真正的突破，在于两者协同工作。
