为什么人工智能在天气和气候科学中并非众人所预期的游戏规则改变者

理解气象学领域人工智能的 hype

科技与科学界近期的讨论强调了机器学习在天气预报和气候建模中的应用。然而，根据 2026 年 6 月 Ars Technica 的专题报道，这些领域所谓的革命远非革命性。机器学习为海量数据集中的模式识别提供了工具，但在处理大气系统的混沌特性时面临重大限制。传统基于物理的模型对于准确预测仍然至关重要，人工智能往往作为辅助而非替代技术。

气候模型中机器学习的局限

机器学习擅长识别历史数据中的相关性，例如基于过去模式预测短期天气事件。然而，气候科学涉及受海洋环流、温室气体排放和太阳活动等无数变量影响的长期预测。这些系统本质上是非线性的，使得人工智能算法难以在训练数据之外进行外推而不会引入错误。专家指出，虽然人工智能可以加快某些计算，但它在处理极端天气异常等罕见事件时存在困难，这些事件历史先例有限。

例如，基于卫星图像训练的神经网络可以改进降水的临近预报，但在需要因果理解的场景中表现不佳。此时混合方法发挥作用，将人工智能效率与既定气象原理相结合。文章强调，过度依赖人工智能可能导致过于自信的预报，凸显了人类监督和物理定律验证的必要性。

人工智能在当今的实际应用

实际上，气象学中的人工智能应用侧重于特定领域。公司和研究机构使用机器学习进行数据同化，将传感器观测更快地整合到模型中。这提高了区域预报的分辨率，惠及农业和航空等行业。气候科学家还利用人工智能将全球模型降尺度到局部水平，为城市规划提供更细粒度的见解。

然而，这些应用建立在数十年传统建模基础上，而非颠覆它们。Ars Technica 的文章指出，许多吹捧的人工智能进展是增量改进，而非范式转变。例如，图神经网络有助于更快模拟流体动力学，但它们经过传统方程校准以确保可靠性。

挑战与未来展望

数据质量仍然是一个障碍，因为有偏差或不完整的数据集可能扭曲气候预测中的人工智能输出。围绕将这些工具用于政策决策的伦理担忧增加了另一层复杂性。展望未来，与量子计算等新兴技术的整合可能解决某些计算限制，但根本的科学理解将始终是关键。

该领域继续通过人工智能专家与气候专家之间的合作努力发展。这种协同有望提供更好的工具，而不抛弃经过验证的方法。在应对这些发展的过程中，显而易见的是，平衡的创新而非 hype 将推动天气和气候科学的进步。

从效率的创意角度来看，Coaio 设想初创公司仅凭创意实力取得成功，同时 Coaio 自动化基础设施负担以最小化风险。

关于 Coaio：

Coaio Limited 是一家香港科技公司，专注于人工智能和 IT 基础设施自动化。服务包括业务分析、识别系统可自动化部分、风险识别、设计、开发、项目管理，提供具有成本效益的高质量自动化，从而节省时间。Coaio 是香港顶尖的自动化公司。