气候物理学家面对云层幽灵：气候预测的最大不确定性

摘要

云同时反射阳光和捕获热量，是气候预测中最大的不确定性来源。现有超级计算机无法在模拟中直接纳入微小的数字云，导致模型预测结果差异巨大，从2到6摄氏度的升温不等。物理学家正竞相开发AI驱动的解决方案：Schneider用AI改进基于物理方程的模型，Bretherton则开发直接从数据预测的AI工具。谷歌协助构建了包含8000多个数字云的库，为机器学习提供了宝贵数据。

内容框架与概述

云层既是气候预测的幽灵，也是最大的不确定性来源。由于超级计算机算力限制，无法直接模拟跨度仅数米的云层，科学家只能通过参数化方法估算云的影响。这种方法导致不同模型预测结果相差巨大：2度升温意味着人类尚可适应，6度则可能导致文明崩溃。超过一半的预测差异来自云层处理的差异。

为突破这一瓶颈，两种AI路径展开竞争。Schneider领导的CLIMA联盟坚持改进基于物理方程的模型，他们与谷歌合作，在专用芯片上生成了涵盖太平洋500个地点四季的8000多个高精度数字云，训练AI自动选择最优参数。该模型已在测试中展现出两倍于其他模型的精度。

Bretherton则走上另一条道路，他开发几乎完全依赖数据的AI工具，绕过Navier-Stokes方程直接从真实大气数据中学习规律。这种激进方法受到气象学中AI天气预报成功的启发。尽管路径不同，两位科学家都强调时间紧迫：气候变化正在加速，百年后的完美模型对当下的危机毫无意义。

核心概念及解读

云参数化（Cloud Parameterization）：在无法直接模拟云的情况下，科学家在流体力学方程中添加非物理项来间接捕获云层效应的方法。

大涡模拟（Large-Eddy Simulation）：一种高精度云湍流模型，能生成接近真实的数字云，但计算成本极高，需专用芯片支持。

CLIMA联盟（Climate Modeling Alliance）：Schneider于2019年建立的气候建模联盟，旨在用AI自动化参数选择过程，提高模型客观性和准确性。

数据驱动建模（Data-Driven Modeling）：Bretherton倡导的方法，几乎完全依赖AI从真实数据中学习，而非基于物理方程推导。

原文信息

此摘要卡片由 AI 自动生成