开场：一次"要命"的预测
2025 年 12 月，Google DeepMind 的 AI 气候模型"GraphCast"发布了一项预测：如果温室气体排放继续以当前速度增长，到 2100 年，全球平均气温将比工业化前水平上升 3.2°C。这个数字比 IPCC 第六次评估报告的中位数预测（2.8°C）高出了 0.4°C。
0.4°C 听起来不多。但 IPCC 告诉我们，从 2.5°C 到 3.0°C 之间的 0.5°C 差异，意味着额外 4 亿人面临水资源短缺，额外 1.5 亿人面临海平面上升威胁。
问题是：我们应该相信 AI 的 3.2°C，还是传统物理模型的 2.8°C？ 这个问题的答案，可能影响数千亿美元的气候政策决策。
气候建模的"不可能三角"
气候建模有一个经典的三难困境：
精度 vs 速度 vs 物理一致性。 三者只能选其二。
传统的全球气候模型（GCM）基于物理方程——纳维-斯托克斯方程、辐射传输方程、热力学方程。它们物理上一致，但慢得令人发指。模拟 100 年的气候演变，在超级计算机上需要跑几个月。
AI 模型（如 GraphCast、FourCastNet、Pangu-Weather）完全相反：它们用深度学习从历史气候数据中学习模式，预测 10 天的天气只需要 1 分钟，比传统模型快 1000 倍。但它们是"黑箱"——你不知道它为什么给出这个预测，也不知道它是否违反了物理定律。
AI 模型到底怎么"学"气候？
用一句话概括：AI 气候模型本质上是一个超级复杂的模式匹配器。
它不像传统模型那样"理解"大气动力学、海洋环流、陆面过程。它只是"看过"了 40 年的 ERA5 再分析数据（1979-2019），从中学会了"如果大气状况是 X，6 小时后变成 Y 的概率最高"。
这让 AI 模型在短期预测（1-10 天）上表现惊艳。2025 年，GraphCast 的 5 天天气预报准确率已经超过了 ECMWF 的 IFS 模型——这是人类天气预报史上第一次 AI 战胜物理模型。
但长期气候预测是另一回事。气候预测不是预报"明天会不会下雨"，而是预测"30 年后地球的平均状态"。这需要模型理解温室气体浓度变化、气溶胶效应、云反馈、冰盖动力学、碳循环——这些过程的时间尺度是几十年到几百年，AI 模型在 40 年的训练数据里根本"没见过"。
那个 3.2°C 是怎么算出来的？
GraphCast 的 3.2°C 预测，用的是"外推"方法。它先基于历史数据训练，然后用一个叫做"气候敏感度参数化"的技巧，把温室气体浓度作为一个输入变量加到模型里。
问题在于：外推的可信度取决于训练数据和目标之间的"距离"。 如果你的训练数据是 1979-2019 年的气候，而你要预测的是 2100 年的气候，这个"距离"太大了。
一个比喻：你训练 AI 学会了开车在 30-60 公里/小时的速度下保持车道。然后你让它预测 200 公里/小时下的操控表现。AI 可能给一个答案，但那个答案本质上是猜的。
五组数据，看清 AI 气候模型的现状
- 短期精度（1-10 天）： AI 模型（GraphCast）的 500hPa 位势高度预测误差比 ECMWF IFS 低 0.2%。赢。
- 中期精度（1-12 个月）： AI 模型对 ENSO（厄尔尼诺）的预测提前期约为 12 个月，传统模型为 15 个月。输。
- 长期精度（10-100 年）： 无法直接比较，因为我们没有 2100 年的"真实值"来验证。这就是问题。
- 极端事件预测： AI 模型严重低估了极端降水事件的强度，平均偏低 30%。传统模型偏低 15%。AI 输。
- 计算成本： GraphCast 跑 10 天预报需要 1 分钟和 1 个 TPU v4。ECMWF IFS 需要 1 小时和 1000 个 CPU 核心。AI 赢很大。
混合模型：第三条路
2025-2026 年，学界开始探索第三条路：物理约束的 AI 模型。
思路很简单：在 AI 模型的训练中嵌入物理定律作为"软约束"。比如，模型必须满足能量守恒、质量守恒、动量守恒。如果模型的预测违反了这些定律，训练过程中会加一个惩罚项。
ECMWF 在 2026 年初发布了一个实验性的混合模型"AIFS-Physics"，它在 15 天预报上的表现已经系统地超过了纯 AI 模型和纯物理模型。
但这条路也有代价。加上物理约束后，模型的训练时间增加了 5 倍，推理速度下降了一半。而且，并不是所有物理过程都能被精确地表达为约束条件——比如云的微物理过程，至今没有完美的数学模型。
所以，到底该信谁？
回到最初的问题：AI 的 3.2°C 还是 IPCC 的 2.8°C？
正确答案是：两个都不应该"信"。 它们应该被理解为"合理范围"的上下界，而不是精确的预测值。
IPCC 自己也给出了一个范围：在 SSP5-8.5 排放情景下，2081-2100 年的全球平均温度上升范围为 2.6°C 到 4.8°C。AI 的 3.2°C 在这个范围内，传统模型的 2.8°C 也在。
不确定性不是 AI 的弱点，而是气候预测的本质。 真正危险的不是 AI 给了一个"错误"的数字，而是决策者（和媒体）把这个数字当成了确定的真理。
结尾：气候不是天气预报
天气预报可以容忍错误——明天预报下雨结果没下，你最多骂一句气象局。气候预测的错误代价完全不同——它决定了各国投入多少资金减排，决定了沿海城市要不要建 10 米高的防波堤，决定了农业带要不要北移。
AI 气候模型是一个强大的工具，但工具能力越强，误用的风险越大。3.2°C 和 2.8°C 之间的 0.4°C 差距提醒我们：在气候问题上，AI 的"快"不应该取代人类的"谨慎"。
推荐阅读：GraphCast 论文 (Science, 2023)；ECMWF AIFS-Physics 技术报告 (2026)；IPCC AR6 综合报告 (2023)