15位通讯！大气海洋领域正在被人工智能改写？南信大罗京佳联合团队NSR重磅综述

想象一下，如果有一天，给你播报天气的不再是基于数小时超级计算机运算得出的结果，而是一个在几秒钟内就能推演未来两周全球气候变化的智能体；如果面对极端台风、罕见干旱，AI不仅能比人类提前数周发出预警，甚至能像科学家一样告诉你“为什么会发生”——这正是地球科学领域正在发生的AI革命。

长久以来，我们依赖Navier-Stokes方程构建的物理模型来模拟大气和海洋的流动。面对海量爆炸的数据和日益极端的气候，传统数值模式正面临算力墙与参数化偏差的双重夹击。

而现在，人工智能，特别是深度学习，带着惊人的算力和捕捉非线性关系的天赋闯入了这一领域。从Google的GraphCast到华为的盘古气象大模型，AI正在以前所未有的速度接管地球的“数字孪生”。

近日，来自南京信息工程大学罗京佳联合各大全球顶尖机构的科学家团队，在顶级综合期刊National Science Review上发表重磅综述。这篇文章不仅全景式扫描了AI在大气海洋科学中的颠覆性进展，更犀利地指出了黑箱危机与物理一致性的缺失，并大胆预言了AI Agent智能体时代的到来。

这场关于地球未来的豪赌，人类赢面几何？

【综述基本档案】

发表期刊：National Science Review

论文标题：AI for atmosphere-ocean sciences: advancements, challenges, and ways forward

中文标题：人工智能在大气海洋科学中的应用：进展、挑战和趋势

第一单位：南京信息工程大学 第一作者：罗京佳

通讯作者：罗京佳（南京信息工程大学）、夏江江（中国科学院大气物理研究所）、潘宝祥（中国科学院大气物理研究所）、Yoo-Geun Ham（韩国首尔大学）、李晓峰（中国科学院海洋研究所）、上官微（中山大学）、薛巍（清华大学）、王亚强（中国气象科学研究院）、穆斌（同济大学）、Youngjoon Hong (韩国首尔大学)、李昊（复旦大学）、仲晓辉（复旦大学）、代刊（中国气象科学研究院）、白磊（上海人工智能实验室）、零丰华（上海人工智能实验室）

发表时间：2026年1月29日

1. AI如何重构我们对天气的感知？

在大气海洋科学中，看见是理解的第一步。传统的物理方法依赖于经验阈值，往往难以从海量的卫星云图和雷达回波中捕捉到那些稍纵即逝或极其复杂的信号。而AI，凭借其强大的特征提取能力，正在成为科学家们新的慧眼。

深度学习模型，如卷积神经网络（CNN），已经不再满足于简单的图像识别。它们现在能精准地进行像素级的语义分割。

在天空中，AI可以从纷繁复杂的云图中精准识别出冰雹、彩虹、雾霾，甚至是稍纵即逝的闪电；在陆地上，它能重构植被覆盖的历史趋势；在深邃的海洋里，它更是展现了惊人的洞察力——不仅能通过卫星图像识别出肉眼难以察觉的内波，还能精准捕捉海洋中的中尺度涡旋，甚至挖掘出传统方法遗漏的异常涡旋结构。

图注： 上图展示了AI在识别陆地类型和海洋监测方面的强大能力。通过深度学习，科学家实现了从目标检测到像素级分割的跨越。

2. 填补空白和极速同化？

无论是天气预报还是气候研究，最让人头疼的永远是数据的缺失与不一致。云层遮挡了卫星的视线，稀疏的观测站留下了巨大的时空空白。

传统的插值方法往往假设数据是线性的、平稳的，但这对于混沌的大气系统来说显然太过粗糙。综述指出，基于生成式对抗网络和扩散模型的AI技术，正在通过学习海量历史数据的分布，像修补老照片一样，对缺失的地球物理场进行高精度的重构。

更令人兴奋的是数据同化领域的变革。传统DA系统（如4DVar）计算极其昂贵，而AI驱动的混合同化系统，不仅能显著加速这一过程，还能通过自动微分技术，精准锁定观测敏感区，让每一份观测数据都发挥最大价值。

图注： AI在数据重构、数据同化和超分辨率重建中的应用场景。从填补卫星盲区到将粗糙的模拟结果“精修”为高分辨率图像，AI正在重塑数据的质量。

3. 从小时级临近预报到十年气候展望

这是AI最耀眼的战场。

在临近预报领域，AI模型如MetNet-3利用雷达和卫星数据，能在几分钟内生成未来数小时的高分辨率降水预报，精准度足以指导你出门是否需要带伞。

而在中期天气预报（3-15天）的舞台上，AI大模型更是上演了惊天好戏。文章详细梳理了包括Pangu-Weather（盘古）、GraphCast、FengWu（风乌）、FuXi（伏羲）在内的一系列明星模型。数据显示，基于Transformer或GNN的AI模型，在预测对流层关键变量时，其均方根误差比欧洲中期天气预报中心（ECMWF）的IFS系统还要低10%以上。更惊人的是，FuXi-S2S模型甚至将熟练的预报时效延长到了42天，突破了传统次季节预报的瓶颈。

目光投向更远的未来，AI在厄尔尼诺-南方涛动（ENSO）的预测上同样表现出色。如XiHe（羲和）等数据驱动的海洋模型，能够捕捉到长达两年的气候信号，在预报技巧上全面超越了现有的动力学模式。

但是，AI能否完美替代传统模式进行百年的气候预估？这是一个巨大的问号。虽然AI在短期预测上势如破竹，但在长达数十年的积分中，由于缺乏物理守恒约束，纯数据驱动模型容易出现崩溃或漂移。

图注： 全球天气与气候预测AI大模型的发展时间轴。从2022年的盘古、GraphCast的爆发，到2025年涌现出针对海洋、陆面及耦合系统的各类基座模型，AI进化的速度令人咋舌。

图注： AI在季节到年际尺度预测上的卓越表现。图a、b显示多款深度学习模型对Nino3.4指数的预报技巧显著优于传统动力模式；图c展示了AI模型对三维海洋环流的精细模拟能力。

4. 我们能信任AI的决策吗？

尽管AI预测得准，但科学家们始终心存芥蒂：它为什么准？

深度学习模型往往被称为黑箱，其内部数以亿计的参数如同迷宫。如果无法解释AI的决策逻辑，我们就不敢完全将其用于极端灾害的决策。综述特别强调了可解释AI的重要性。

科学家们正在尝试打开这个黑箱：

物理引导：将物理方程（如PDE）直接嵌入神经网络，让模型天生懂物理（如PINNs）。

事后解释：利用SHAP值等工具，分析究竟是哪个变量、哪个区域触发了AI的暴雨预警。

因果推断：不仅仅是找相关性，而是用因果图（来挖掘大气遥相关背后的真正驱动力。

只有当AI不仅能说出结果，还能解释原因时，它才能真正赢得科学界的信任。

图注： 地球科学中的可解释AI技术分类。从本身具备可解释性的简单模型，到利用物理知识（如注意力机制、因果推断）增强模型透明度，再到对“黑箱”进行事后归因分析。

5. 物理+数据混合建模才是终极答案？

纯数据驱动的AI模型虽然跑得快，但往往是个法盲——它不懂质量守恒，也不懂能量守恒。这导致在面对未曾见过的极端气候背景（如全球变暖导致的4度温升）时，AI可能会给出荒谬的预测。

混合物理-AI建模被认为是未来的必由之路。

这种模式汲取了双方的精华：用物理方程守住底线，确保质量、能量不凭空消失；用AI去模拟那些物理方程难以描述的复杂次网格过程（如云微物理、辐射传输）。综述中提到的NeuralGCM就是一个典型案例，它在保证大气动力学核心稳定的同时，利用AI显著提升了模拟的准确性和效率。

这种“物理为骨，AI为肉”的架构，极大地提高了模型在不同气候背景下的泛化能力。

图注： 混合物理-AI建模的工作流。这种架构将大气物理方程（如动量、热力学方程）与神经网络相结合，既保证了物理守恒性，又利用AI提升了对复杂过程的模拟能力。

6. 谁才是最强模型？呼唤AI-MIP

现在的气象AI领域，有点像战国群雄，各家模型都宣称自己SOTA正逐鹿中原。但由于训练数据不同、评估标准各异，很难进行公平的比较。

因此，建立一套标准化的AI模型比对计划（AI-MIP）迫在眉睫。我们需要像评估传统气候模式（CMIP）那样，为AI模型设立统一的考场：

统一的数据集（不仅是ERA5，还要包含观测数据）。

统一的评估指标（不仅看RMSE，还要看极端事件捕捉能力、物理一致性）。

覆盖从临近预报到气候预估的全尺度评测。（编者注：因指标过多，各项详细指标请点击“阅读全文”详见图8）

7. AI Agent的诞生

文章的最后，描绘了一个令人心潮澎湃的未来。

AI将不再仅仅是一个被动的预测工具，它将进化为AI Agent智能体。想象一个名为EarthLink的系统，它不仅能回答你的气候问题，还能自主设计实验、编写代码分析数据、生成假设，甚至撰写研究报告。

当 AI Agent能够进行自我进化，通过不断的实践-学习-改进循环，就能帮助我们从繁琐的数据处理中解脱出来，去思考更深层次的科学问题。

图注： EarthLink系统演示：一个针对气候科学的自进化AI Agent。它能理解用户意图，自动规划任务（如评估CMIP6降水模拟），生成代码并输出可视化的科学报告。

结语：在不确定的时代，寻找确定

从识别一朵云的形状，到推演百年后的地球命运，AI正在以不可逆转之势重塑大气海洋科学。

我们正处于一个新旧范式交替的奇点：传统物理模式的严谨与AI大模型剧烈碰撞、融合。

虽然“黑箱”未解，物理约束尚存挑战，但AI为我们在气候危机日益严峻的今天，提供了一种全新的解题思路——物理+AI。

而这一切，才刚刚开始。