人工智能（AI）已逐渐渗透到天气和气候建模的各个环节，从短期天气预报到长期气候模拟，再到参数优化和模型替代，AI正在融入传统的物理模型。然而，AI并未完全颠覆现有的科学范式，而是在提升效率和遵守物理约束之间寻求平衡。真正的变革并非一场革命，而是循序渐进的重构。
AI的普及引发了对其是否带来技术飞跃或仅仅是过度宣传的思考。在天气和气候建模领域，这个问题尤为突出。近期，美国国家气象局曾发布包含虚构城市名称的AI生成预报图，尽管这并非真实预报系统的一部分，但这类事件容易让人误以为气象预测已被大型模型接管。实际上，气象学家和气候科学家并未被提示词工程师取代，AI在该领域的应用更多是工具层面的渗透，而非体系层面的颠覆。
在气象和气候科学中，AI主要指机器学习，而非大型语言模型。其核心功能是从数据中提取模式，建立输入与输出间的映射关系。从基础的线性回归到复杂的高维建模，机器学习的本质都是在数据空间中寻找统计规律。与依赖人工规则的传统方法不同，机器学习通过优化算法自动从数据中学习结构，从而捕捉难以显式表达的复杂关联。
典型的机器学习模型通常从零开始训练。一旦模型结构（如神经网络）被定义，它就构成了一个可调参数空间。通过输入大量带标签的数据，模型通过迭代调整参数，使预测结果逐渐接近真实标签。这个过程在外部看来是学习，但从机制上讲，更像是一个高维优化问题。
尽管机器学习能力不断增强，但也存在明显的结构性限制。首先是泛化能力边界，模型在训练分布之外的数据上性能会显著下降。其次，数据偏置可能被放大，导致模型将无关背景信息误作为关键特征。此外，深度模型的内部结构通常难以解释，其决策过程更像是统计耦合而非逻辑推导。
在天气预测方面，机器学习的训练方式类似于图像识别，但数据源是不同时间点的气象观测。由于无需逐点求解物理方程，这类模型在计算速度上远超传统天气模型。Google、Nvidia、Huawei和Microsoft等公司已推出相关模型，并在部分场景下展现出与传统预报系统的竞争力。欧洲中期天气预报中心计划于2025年2月部署首个机器学习模型，该模型基于“再分析数据”训练，通过融合观测与物理一致性重建全球天气状态，学习未来6小时的天气演化。模型输入包括温度、气压、风速、水汽、云量等变量，但不显式使用物理方程，而是直接学习这些变量在空间和时间上的变化模式。
然而，这类模型存在一个关键问题：它们不理解物理约束，例如降水不能为负，以及质量守恒和能量守恒定律。在误差最小化过程中，模型可能产生物理上不合理的结果，因此需要额外的约束，例如将负降水直接修正为零。“物理约束”正成为机器学习气象模型设计的重要方向。尽管存在这些挑战，机器学习模型在效率上的优势依然显著，其计算能耗和运行时间远低于传统IFS模型。
极端天气是机器学习模型的薄弱区域。由于极端事件的稀缺性，训练数据天然不完整，模型难以学习未曾出现过的情况。研究表明，机器学习模型往往低估极端事件的频率和强度，并且随着极端程度的增加，误差会扩大，根本原因在于模型无法超出训练分布。这导致极端天气被“压缩”，趋向平均化。
天气预测与气候建模本质上是两类问题。天气预测关注短期状态演化，属于初值问题；而气候模型关注长期统计结构，如能量平衡或气候系统响应，属于边界条件问题。例如，CO₂排放对长期气候结构的影响无法直接从历史数据中学习，因此物理规律仍不可替代。
混合模型正成为主流方向。Caltech的Tapio Schneider参与的CliMA项目，旨在构建新一代气候模型，将机器学习嵌入局部过程模块中，而非完全替代物理模型。气候模型由多个子系统组成，其中许多微观过程难以解析，只能通过参数化近似。CliMA项目正用机器学习替换部分参数化模块，如积雪过程，并加入水量守恒约束。在当前气候范围内，这种方法表现良好，但在云系统等复杂场景中，模型仍存在失效风险。因此，策略是：在可学习的区域使用机器学习，在其他区域保留物理模型。
模型优化已进入“元问题阶段”。机器学习可用于优化物理模型参数的校准过程。NASA GISS团队通过训练机器学习模型学习参数与误差的关系，反推出最优参数组合，本质上是一个高维优化问题。
机器学习还可以作为模拟器和代理模型，用于模型压缩。通过在高成本模拟数据上训练轻量级模型，可以构建代理系统，快速探索不同排放情景，而无需反复调用超级计算资源。尽管精度有所下降，但计算成本大幅降低。这种方法正在扩展到冰盖、海冰与海洋环流等领域，当以不到1%的计算成本获得接近一半的效果时，便具有工程意义。
“黑箱问题”依然是机器学习的核心争议。物理模型中的每一项都有明确含义，而神经网络内部结构通常难以解释。科学模型的核心价值在于理解现实，而不仅仅是预测结果。如果无法解释模型，就无法判断其失效边界。因此，气候科学界在使用机器学习时保持谨慎，但该方法仍是科学方法体系的一部分，最终需要实验与数值验证。
可解释AI正试图降低不透明性。一种方法是追踪输入变量对输出的影响。例如，在降水预测模型中，研究人员发现模型可以通过分析输入变量的变化，判断其是否符合物理机制，从而部分缓解“黑箱问题”。
机器学习作为大数据科学的一部分，其核心价值在于从海量数据中提取结构。其影响取决于应用场景，而非统一结论。在天气预报领域，机器学习已显著改变了计算方式和效率结构。在气候科学领域，它仍处于探索阶段，但正在逐步渗透到模型内部。正如NYU的Laure Zanna所言，目前它只是众多因素之一，但未来可能在假设检验与模拟可靠性方面发挥更重要作用。
