观潮 · 模式预报与气象 AI 观察
AI天气预报已追平物理模式，但气候预测需要的不只是更长的预报
深度学习在天气预报中取得了显著进展：在临近预报、中期预报（2 周内）和次季节（1 个月）时效上，数据驱动模型已经追平甚至超越物理模式，且计算成本仅为后者的一小部分。但气候预测面临的挑战完全不同——不是预测某一天的天气，而是估计地球系统统计特性在外部强迫（温室气体、气溶胶、土地利用变化）下的变化。这篇综述系统梳理了 AI 从天气到气候的路径，提出了两个核心要求。
AI 天气预报的成功建立在物理模式之上
当前顶级数据驱动模型的成功，高度依赖物理模式：
- 训练和评估使用气象再分析数据（由物理模式同化观测生成）
- 初始条件由物理模式同化提供
- 在次季节尺度上，物理模式预报常作为输入
这意味着 AI 不是替代物理模式，而是改变了对其的需求方式。如果物理模式退化，AI 模型依赖的数据、初始条件和基准都会退化。
从天气到气候的关键差距
AI 天气模型在训练时未见过的极端事件上表现不佳——这是分布外（OOD）预测的挑战。气候预测面临同样的问题，但更严重：
- 许多未来气候条件在观测记录中不存在
- 一些反事实条件（如"温室气体未增加"）永远不会被观测到
- 仅从观测学习强迫响应似乎不可行
因此，天气与气候之间的差距不只是预报时效的延长，而是从"初始条件预测"到"边界条件预测"的根本转变。
两个核心要求
作者提出 AI 气候建模必须满足的两个最低要求：
要求 · 内容 · 原因
强迫因子显式进入 · 温室气体、气溶胶等必须作为独立可操作的输入 · 支持干预实验和反事实推理
分布外鲁棒性测试 · 在训练分布之外评估，包括极端和瞬态调整 · 气候变化预测本质上是 OOD 问题
AI 加速气候模式的机制
作者比较了 GPU 加速的物理模式（SCREAM、ICON-A）、混合 AI-物理模式（CliMA、NeuralGCM）和 AI 气候模拟器（ACE2、CAMulator）的吞吐量。关键发现：
AI 模式的时间加速比（SYPD）优势并非来自"更聪明的算法"，而是来自"计算更少"：
- 只预测任务所需的变量（减少预报变量数）
- 使用压缩的垂直表示（减少垂直层数）
- 不受数值稳定性约束（增大时间步长）
- 在粗分辨率上运行（减少水平网格点数）
这意味着 AI 的最大潜力不是替代物理模式，而是通过加速模型开发周期来重组物理模式的使用方式。
次季节预报：AI 的"预测力沙漠"
在 2-6 周的次季节尺度上，大气初始条件的可预测性已大量耗尽，而海洋、海冰、平流层等慢变分量提供的可预测性也在衰减。这是"预测力沙漠"——既不是初始条件主导，也不是边界条件主导。
2025 年 ECMWF AI Weather Quest 的基准测试显示，后处理或混合 AI-动力学方法表现最强。概率偏差校正已成为次季节预报的有效策略。
作者承认的限制
观测记录的单一性。 历史记录只包含一次慢强迫响应的实现，且强迫因子共同变化。纯 AI 模型从观测或再分析训练，可能学到在反事实气候中失效的相关性。
物理模式也无法验证。 物理模式同样无法针对未观测气候进行验证，其响应仍有不确定性（如 CMIP6 平衡气候敏感度的离散度）。
AI 模拟器覆盖范围有限。 当前 AI 模拟器代表的物理过程少于成熟的地球系统模型。排放驱动模拟需要交互式碳循环和大气成分过程，这超出了大多数 AI 模拟器的能力。
比较的局限性。 作者明确指出，他们的吞吐量比较不是"苹果对苹果"的基准测试——混合了成熟优化的 GPU 移植模式和研究级 AI 推理实现，且排除了 AI 训练和训练数据生成成本。
一句话判断
AI 天气预报的成功不是终点，而是起点——从天气到气候的关键不是"更长的预报"，而是"对未见强迫的可靠响应"，这要求强迫因子显式进入模型、并在分布外条件下测试鲁棒性。
图 1：热带气旋路径预报对比。左上为观测（黑）、物理模式（橙）、确定性 AI（紫）、概率 AI（黄）的路径对比；右侧为强度和最低海平面气压预报；下方为粗分辨率分析风场与深度学习降尺度后的风场对比，降尺度后台风核心结构清晰可辨。
图 2：CliMA-S2S 次季节模型第 3 周预报与 ERA5 再分析的对比（上：300 hPa 位势高度；下：2 米温度），右侧为 RPSS 概率技巧评分。红色区域表示优于气候态预报，蓝色表示劣于气候态——次季节尺度上技巧呈现明显的"预测力沙漠"特征。