生成式 AI 如何將氣候模擬提速 25 倍：從 78 小時縮減到 3 小時

想算清楚未來十年的地球氣候，傳統的物理模型可能得讓超級計算機連續轟鳴三天多。現在，AI 研究員決定用生成式擴散模型來交卷。

來自艾倫人工智慧研究所（Ai2）和加州大學聖地亞哥分校的研究團隊提出了一種新方法。模擬全球十年的氣候變化，基於物理原理的基準模型 FV3GFS 需要大約 78 小時 4 分鐘，而他們的方法只需要 2 小時 56 分鐘，速度提升了整整 26.6 倍，能耗也跟著大幅縮減。

把擴散模型搬到地球球面上

很多人以為這是把物理方程式直接寫進了 AI 架構裡，做成某種混合模型。其實完全不是。

團隊做的是一個純粹的生成式 AI 模型。他們拿美國主要執行的全球預測模型 FV3GFS 的粗粒度模擬資料作為訓練集，讓 AI 去「模仿」物理規律。物理法則完全來自訓練資料本身，而非硬編碼的方程式。

核心架構被研究人員稱為「Spherical DYffusion」。它的邏輯和用來畫圖的 Stable Diffusion、DALL-E 2，或是預測蛋白質結構的 AlphaFold 3 很像，都是從噪聲出發，一步步去噪還原出結果。

但地球不是一張平鋪的圖片。傳統的長方形網格在地球南北兩極會出現嚴重的座標不連續，計算代價極高。這項研究優化了球面卷積運算元，直接在地球球面上執行條件擴散，不僅保持了旋轉等變性，還避免了極地座標帶來的計算包袱。相比標準擴散模型，它用大約二十五分之一的資源就跑完了模擬。

速度狂飆背後的精度代價

跑得快不代表沒有代價。研究人員在 OpenReview 上發表的論文裡也坦承了這一點。

在預測的全部 34 個氣象變數中，該模型的平均氣候偏差比參考的物理模型高出約 50%。到了高空以及動力學複雜的兩極地區，這個精度差距還會進一步拉大。

雖然利用多模型整合平均可以把偏差拉低 29.28%，但它依然沒有達到 FV3GFS 的理論最低不確定性閾值。

另一個硬傷是它當下的適用場景。目前的實現採用了每年重複的氣候海表溫度以及固定的溫室氣體濃度，這意味著它暫時還不能拿來模擬溫室氣體濃度不斷變化的氣候變暖場景。

為什麼重要

對於氣候科學家和政策研究人員來說，這類模型最大的吸引力是「整合模擬的平民化」。以往想要跑幾百次模擬來評估極端天氣的發生機率，算力成本高到只有少數國家級超算中心承受得起；如果把單次執行壓到 3 小時以內，研究人員就能更頻繁地測試不同變數。

不過，我們認為現在把它當作決策依據還為時過早。它本質上是一個學得像模像樣的「物理資料復讀機」，底層缺少硬性的物理定律約束。在氣候這種容錯率極低的領域，高出 50% 的偏差意味著區域性極端事件的預測可能會失真。

但在技術路線上，它證明了在球面空間直接套用擴散模型是可行的。看起來，與其指望 AI 徹底取代傳統物理模型，行業更現實的路徑是把 AI 當作超快速的粗篩工具，讓傳統超算集中火力去核驗最危險的極端推演。