AI气候模型极端预测
5 节点1 篇8 来源
【背景】随着AI气象模型(如FourCastNet, GraphCast)在短期天气预报中超越传统物理模型,学界开始担忧其在长期气候预测中的可靠性。核心争议在于分布外(Out-of-Distribution, OOD)泛化能力:AI能否准确预测训练数据中从未出现过的极端气候事件?
牛津大学大气物理教授Philip Stier指出,AI模型难以预测训练数据中未出现的极端事件,且再分析数据的偏差可能制造虚假精确度。这一观点得到多项实证研究支持:芝加哥大学团队发现,若从训练集中移除3-5级热带气旋,AI模型无法准确预测此类“灰天鹅”事件;UCL与牛津团队证实,现有混合ML气候模拟器在季节性分布偏移下性能显著退化。
然而,分歧依然存在。莱比锡大学2026年10月的研究表明,概率型AI模型在预测破纪录高温方面优于ECMWF IFS集合预报,认为此前对AI低估极值的批评源于不恰当的确定性对比方法。此外,Allen Institute开发的HiRO-ACEv2和复旦大学的FuXi-CMIPAlign试图通过生成式降尺度技术改善极端事件统计特征的模拟,但其在未来高排放情景下的稳定性仍待验证。
目前共识倾向于:AI并非完全替代物理模型,而是需结合物理推理与稳健的OOD评估框架。投资者和政策制定者在使用AI气候风险定价时,需警惕其对罕见极端事件的潜在低估或误判。
事情怎么走到这一步
牛津气候研究网络(OCRN)举办研讨会,Philip Stier主持,讨论AI在气候预测中的机遇与危险,强调AI与物理模型协作而非替代。
climate.ox.ac.uk ↗牛津大学发布上述研讨会回顾文章,指出AI在长周期、非平稳气候条件下的可解释性和鲁棒性挑战。
climate.ox.ac.uk ↗Man Group播客录制,Philip Stier详细阐述AI模型在分布外极端事件预测上的根本困难及数据偏差问题。
man.com ↗莱比锡大学Wessel等人发表论文,反驳AI低估极值的观点,证明概率型AI模型在破纪录高温预测上优于传统数值模型。
arxiv.org ↗Disconfirm发布相关报道,汇总Stier教授观点及近期学术争议。
man.com ↗