生成式 AI 如何将气候模拟提速 25 倍：从 78 小时缩减到 3 小时

想算清楚未来十年的地球气候，传统的物理模型可能得让超级计算机连续轰鸣三天多。现在，AI 研究员决定用生成式扩散模型来交卷。

来自艾伦人工智能研究所（Ai2）和加州大学圣地亚哥分校的研究团队提出了一种新方法。模拟全球十年的气候变化，基于物理原理的基准模型 FV3GFS 需要大约 78 小时 4 分钟，而他们的方法只需要 2 小时 56 分钟，速度提升了整整 26.6 倍，能耗也跟着大幅缩减。

把扩散模型搬到地球球面上

很多人以为这是把物理方程式直接写进了 AI 架构里，做成某种混合模型。其实完全不是。

团队做的是一个纯粹的生成式 AI 模型。他们拿美国主要运行的全球预测模型 FV3GFS 的粗粒度仿真数据作为训练集，让 AI 去「模仿」物理规律。物理法则完全来自训练数据本身，而非硬编码的方程式。

核心架构被研究人员称为「Spherical DYffusion」。它的逻辑和用来画图的 Stable Diffusion、DALL-E 2，或是预测蛋白质结构的 AlphaFold 3 很像，都是从噪声出发，一步步去噪还原出结果。

但地球不是一张平铺的图片。传统的长方形网格在地球南北两极会出现严重的坐标不连续，计算代价极高。这项研究优化了球面卷积算子，直接在地球球面上运行条件扩散，不仅保持了旋转等变性，还避免了极地坐标带来的计算包袱。相比标准扩散模型，它用大约二十五分之一的资源就跑完了模拟。

速度狂飙背后的精度代价

跑得快不代表没有代价。研究人员在 OpenReview 上发表的论文里也坦承了这一点。

在预测的全部 34 个气象变量中，该模型的平均气候偏差比参考的物理模型高出约 50%。到了高空以及动力学复杂的两极地区，这个精度差距还会进一步拉大。

虽然利用多模型集成平均可以把偏差拉低 29.28%，但它依然没有达到 FV3GFS 的理论最低不确定性阈值。

另一个硬伤是它当下的适用场景。目前的实现采用了每年重复的气候海表温度以及固定的温室气体浓度，这意味着它暂时还不能拿来模拟温室气体浓度不断变化的气候变暖场景。

为什么重要

对于气候科学家和政策研究人员来说，这类模型最大的吸引力是「集成模拟的平民化」。以往想要跑几百次模拟来评估极端天气的发生概率，算力成本高到只有少数国家级超算中心承受得起；如果把单次运行压到 3 小时以内，研究人员就能更频繁地测试不同变量。

不过，我们认为现在把它当作决策依据还为时过早。它本质上是一个学得像模像样的「物理数据复读机」，底层缺少硬性的物理定律约束。在气候这种容错率极低的领域，高出 50% 的偏差意味着局部极端事件的预测可能会失真。

但在技术路线上，它证明了在球面空间直接套用扩散模型是可行的。看起来，与其指望 AI 彻底取代传统物理模型，行业更现实的路径是把 AI 当作超快速的粗筛工具，让传统超算集中火力去核验最危险的极端推演。