气候物理学家直面机器中的幽灵：云

气候物理学家直面机器中的幽灵：云

云是短暂与飘渺的微妙结合体，这使得它们难以模拟

云是短暂与飘渺的微妙结合体，这使得它们难以模拟

地球正在变热，但有一个因素尤其使我们难以判断到底会变热到什么程度。物理学家和计算机科学家正在竞相解决云的问题。

2008年10月，克里斯·布雷瑟顿（Chris Bretherton）从智利北部海岸起飞，乘坐一架C-130涡桨飞机。天太黑了，看不见下面阿塔卡马沙漠的沙丘，但黑暗正合布雷瑟顿的心意。这位研究员可不是来观光的。他坐在飞行员正后方，全神贯注地盯着天空。

飞机上塞满了仪器，机翼上布满了传感器和其他设备。布雷瑟顿当下的任务是帮助飞行员收集周围冰晶、水汽和气压的信息。他的长期目标则是利用这些数据——以及他将在加利福尼亚、夏威夷和南极洲收集的数据——来应对气候科学中最具挑战性的因素之一：云。

飞机经过一片蓬松的积云，布雷瑟顿发现了一道彩虹般的棱镜色彩。这很奇怪；这朵云看起来太薄了，不应该有能如此折射光线的大水滴。"六到九小时的飞行很少让人感到无聊，"布雷瑟顿说，"因为我们总会遇到令人惊讶的云结构，动摇我们的科学先入之见。"他后来得出结论，当时的空气一定非常洁净，以至于云中的水汽在异常少量的颗粒物上凝结成了异常大的水滴。

自布雷瑟顿登上那架飞机以来的近二十年里，全球变暖了约0.5摄氏度。而云——既能反射阳光又能 trapping 热量——仍然是气候预测中最大的不确定性来源。世界上最顶级的超级计算机也远不够强大，无法在其模拟的巨大数字地球中包含微小的数字云。因此，气候科学家正在开发变通方法，用技术来促使相对无云的气候模拟像包含全套真实云一样地旋转、风暴和升温。

艾伦人工智能研究所的克里斯·布雷瑟顿（Chris Bretherton）在深耕云物理研究数十年后，转型致力于开发能够从真实数据中隐式学习云行为的人工智能技术。

艾伦人工智能研究所的克里斯·布雷瑟顿（Chris Bretherton）在深耕云物理研究数十年后，转型致力于开发能够从真实数据中隐式学习云行为的人工智能技术。

在过去的几年里，物理学家之间展开了一场竞赛，要打造下一代气候"水晶球"。如今在艾伦人工智能研究所（Ai2）工作的布雷瑟顿是其中一位杰出的参赛者。加州理工学院的塔皮奥·施奈德（Tapio Schneider）是另一位。艾伦人工智能研究所的克里斯·布雷瑟顿在花了数十年研究云之后，转向开发AI技术，可以从真实数据中隐式学习云的行为。

推动这些新努力的是被归类为人工智能的机器学习技术的兴起。施奈德依靠AI来更好地将云的影响纳入使用物理方程预测未来的气候模型中。布雷瑟顿则担心这些方程永远无法完全捕捉云的行为，他正在开发新的AI工具，可以直接从真实世界数据预测未来，几乎完全不依赖物理方程。

尽管施奈德、布雷瑟顿和其他物理学家的方法不同，但他们都有一种紧迫感。"气候变化很快，"布雷瑟顿说，"100年后拥有一个完美的模型对解决气候危机毫无用处。"

虚假云图书馆

如果人类继续以目前的速度向大气中排放碳，一些模拟预测未来50年左右气候将变暖2摄氏度。另一些则说是6度。第一种可能性将导致严重天气事件增加、粮食和水资源短缺加剧的未来——对许多社区来说是危险的情况，但全球人口或许能够适应。然而，后一种可能性可能引发足够的灾难和饥荒，完全 destabilize 人类文明。"六度会非常可怕，"施奈德说。

现代气候模拟考虑了地球大气、海洋、陆地、冰等的影响，每个模型都以自己的方式处理这些组成部分。但预测差异的一半以上来自模拟如何处理云。"如果你在云量上偏差百分之几——2%或3%——你就会得到相差几摄氏度的变暖结果，"康涅狄格大学研究云的物理学家乔治·马修（George Matheou）说。

2022年，美国能源部指派当时世界最强大的超级计算机"前沿"（Frontier）运行一个新的旗舰气候模型。该模型基于流体动力学物理，通过一组称为纳维-斯托克斯方程（Navier-Stokes equations）的方程进行计算。开发该模型在某种程度上标志着通过提高计算机模拟分辨率来改善气候模型准确性这一六十年事业的 culmination。模拟已经从每像素数千公里，到数百公里，再到——在这个案例中——三公里。

但即使是最先进的模型也无法直接考虑云的微妙累积效应，云的范围可能只有几米，甚至受到更微小的空气 zephyrs 的影响。"要模拟低云，你需要比我们现有计算能力大1000亿倍的计算能力，"施奈德说，"所以在我有生之年这不会发生。"

由于无法直接在模型中添加云，物理学家实际上 resort to 估计它们的影响。他们在纳维-斯托克斯方程中添加了额外的、非物理的项，称为参数（parameters），来间接捕捉云的影响。这些替代方程被设计成产生数字大气流动，其弯曲和旋转方式与真正包含云的模型一样。在一个艰苦的过程中，研究人员调整这些因素，直到模型基于过去数据产生准确的预测。

但数据是零散的，因此物理学家也依靠直觉来指导他们。最终，很难知道一个模型的参数是否比另一个更好。"你必须稍微猜测一下，"马修说。

将参数选择从艺术转变为科学的需要，是施奈德在2019年建立气候建模联盟（Climate Modeling Alliance，简称CLIMA）的原因之一。他希望通过训练机器选择最佳参数来自动化这一过程，使其更少主观性。但要做到这一点，研究人员需要更多关于不同类型云的数据：加利福尼亚的云、中太平洋的云、冬季的云、夏季的云等等。

像布雷瑟顿这样的研究人员只能偶尔负担得起驾驶飞机穿越真实的云。因此云物理学家转向次优选择：一种称为大涡模拟（Large-Eddy Simulation，简称LES）的纳维-斯托克斯模拟。"LES是我们拥有的用于云湍流的最佳模型，但仅限于有限区域和短时间，"加州理工学院CLIMA研究员沈兆义（Zhaoyi Shen）说。

问题是生成LES也不便宜：它需要大量的计算能力。沈说，直到最近，研究人员只生产了几十个高质量的云模拟——不足以让物理学家全面了解云的行为，当然也不足以教会机器云的工作原理。因此几年前，施奈德向谷歌的科学家寻求帮助。

谢德·查马斯（Sheide Chammas）及其在谷歌的合作者从头开始编写了一个LES算法，运行在称为张量处理单元（tensor processing units）的定制计算机芯片上。他们在数千个这样的芯片上运行代码，不断产生模拟。最终，他们开发了一个包含8000多个数字云的图书馆，这些云位于太平洋500个地点，涵盖所有四个季节。"谢德的图书馆将是改变游戏规则的，"施奈德说，"我们从未有过这样的东西。"

施奈德和其他CLIMA研究人员现在已在这个数字 menagerie 上训练了一个算法，并用它来配置新的云参数。这是施奈德认为将使CLIMA全球气候模型成为领先的下一代模型的众多改进之一。

截至今年冬天，该模型终于运行起来了。该合作团队将于3月在日本的一次会议上 unveiling 它，但施奈德表示，初步测试表明他们正在很好地实现主要目标：建立一个比其他任何模型准确两倍的模型。"它在关键指标上比其他模型更准确——而且还有进一步改进的空间，"他说。

但即使CLIMA研究人员庆祝十年工作的成果，其他物理学家也在 champion 下一代气候模型的替代 vision——一种通过 largely abandoning 流体动力学方程来跳过云参数这一棘手问题的方法。

预测一个世纪的天气

透过螺旋桨飞机的窗户惊叹，布雷瑟顿对云的复杂性产生了 appreciation——也产生了 apprehension。他花了数十年时间试图通过LES技术来应对云，但随着气候模型似乎达到了准确性天花板，他变得沮丧。也许，他最终得出结论，云包含的丰富性太多，无法通过参数来模仿，即使是基于高分辨率大涡模拟的参数。2017年，他想知道气候科学家是否有办法绕过纳维-斯托克斯方程的暴政，直接去找终极来源：描述带有真实云的真实大气的真实数据。不久之后，他在气候的姐妹领域——天气中找到了验证。

天气模拟类似于气候模拟。直到最近，最好的天气预报还依赖纳维-斯托克斯方程来计算空气中的热量、压力和水汽如何相互作用以产生雨、雨夹雪和雪。然而，在2018年和2020年，物理学家和计算机科学家合作开创了一种新策略。

他们受到视频生成的启发，这是计算机科学家已经掌握的任务。该过程包括在一组视频上训练一种称为神经网络的机器学习算法，使网络学会接收新视频的一帧并输出合理的下一帧。通过循环这一过程，算法可以生成完整的视频。

天气预报员想知道他们是否可以这样做。如果他们可以在堪萨斯州天气的历史数据上训练神经网络，然后输入堪萨斯州正午的大气状态，他们能否生成对该州当晚情况的准确猜测——不需要纳维-斯托克斯方程？

起初，答案是"不太行"。但到2022年，多个团队正在证明这个答案是错的。"没人预料到天气业务会转变得如此之快，"英伟达气候模拟研究总监迈克·普里查德（Mike Pritchard）说。如今，AI天气预报比基于物理的天气模拟准确约10%。

在这场天气革命中，布雷瑟顿及其合作者正在为气候预测构建类似的工具。2024年，他们发布了Ai2气候模拟器第二版（ACE2），这是一个在过去50年大气行为数据上训练的神经网络（在数据零散的地方用填补空白的模拟增强）。这些数据包含了真实云对真实大气的影响，因此ACE2做出的预测也反映了这种影响。类似于CLIMA及其改进的参数，ACE2间接地走私了云进来。

一个旋转的白色风暴盘旋在模拟的大西洋上空。 这个用能源百亿亿次级地球系统模型产生的模拟显示一场飓风正从大西洋逼近北美。

蓝色和白色的气流在数字地球上旋转。 能源百亿亿次级地球系统模型（Energy Exascale Earth System Model）是有史以来最详细的气候模拟之一，历经十年开发。

蓝色和白色的气流在数字地球上旋转。 能源百亿亿次级地球系统模型（Energy Exascale Earth System Model）是有史以来最详细的气候模拟之一，历经十年开发。

科学家可以输入某一时刻大气的快照，然后用它预测六小时后大气可能的样子，然后再六小时后，依此类推。它看到的未来有许多在现实世界中看到的丰富大气事件：气旋、平流层中的突然变暖事件，以及其他熟悉的现象。但这些机器 vision 作为中期预报真的有用吗？

最近的工作表明它们确实有用。去年，英国国家气象局指派ACE2预测整整一个季节的未来。他们发现，对于从1993年开始的23年期间，ACE2可以从一个季节的海表温度出发，预测三个月后全球温度和降水，几乎与最好的基于纳维-斯托克斯方程的模拟一样好。此外，传统的基于物理的模拟可能在超级计算集群上需要运行数小时，而ACE2模拟在一台机器上只需要两分钟。

迄今尚未证明——也是激烈辩论的主题——的是像ACE2这样的算法是否能在长期保持跟上。天气预报可能关注冷锋如何在未来10天内在北美移动，但气候预测最终必须预测未来一个世纪整个地球的温度将如何变化。

物理学家有充分理由持怀疑态度。与流体动力学方程不同，神经网络只是近似物理定律。如果你运行它们很长时间，它们的小误差可能开始累积。另一个问题是，神经网络擅长在其训练数据中再现复杂模式，但气候预测处理的是没人见过的事件。

"这些东西试图预测未来，"萨拉特·斯里帕蒂（Sarat Sreepathi）说，他是橡树岭国家实验室的计算机科学家，协调开发了能源部的旗舰气候模型。"你有多大信心？如果你的预测基于物理原理，你可能会有更多信心。"

可能性的新艺术

虽然个别研究人员竞相开发他们偏好的精确预测气候的方法，但他们认识到这是一项集体努力，一方的进步会刺激另一方的进步。

除了在真实大气数据上训练神经网络（如科学家用ACE2所做的），科学家们还在物理模型的预测上训练神经网络——然后用这些神经网络以闪电般的速度做出新预测。与物理模型本身相比，"它快了100到1000倍，"普里查德说。

普里查德将这种加速视为 killer AI 气候应用。这是因为气候预测的目标不是预测30年后地球的确切状态。相反，目标是获得统计意义上的认识：哪些可能的未来是可能的，哪些是罕见的，以及我们的化石燃料习惯如何扰乱这种分布。

虽然这些创新不太可能在短期内对普通人产生明显影响，但它们对在该领域工作的研究人员来说感觉具有 transformative。即使对我们预测未来温度、降雨模式和风暴的能力的 incremental 改进，随着时间的推移也可能累积成巨大收益。而研究人员正在做出的不仅仅是 incremental 改进。

"10年后，我们对地球系统可预测性的认识将不同，"普里查德说，"我所有的气候科学家同事都在为可能性的艺术而兴奋不已。"

当然，我们如何利用这些信息取决于我们自己。

当前的气候模型清楚地表明，我们的碳排放正在使地球变得更热、更危险。下一代模型，它们对云的隐式处理得到了改进，将更精确地告诉我们地球会变得多热、多危险。但没有模拟能告诉我们，获得这些知识是否会促使我们追求不同的未来。"这不仅仅是科学的问题，"施奈德说，"这很难预测。"

注： "Ghosts in the machine" 是一个源自哲学和技术领域的经典英文隐喻（最初由英国哲学家Gilbert Ryle提出，后被广泛用于描述技术系统中难以捉摸的故障或问题）。 直译为"机器中的幽灵"能够保留这种修辞色彩和神秘感，暗示云的问题就像隐藏在气候模型这台"机器"深处的、难以捕捉的幽灵。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。