施耐德指出，此类模型有望通过探索多种场景来帮助政策制定者进行决策，不过，它们不会取代基于物理学的模型，而是与其“协同作战”。

传统气候模型使用数学方程来描述陆地、海洋和空气之间的相互作用如何影响气候。这些模型运行良好，给出的气候预测信息可用于指导全球政策制定。

无独有偶，2023年，艾伦人工智能研究所科学家也为一个基于物理学的大气模型开发出机器学习模拟器ACE。研究团队将10组初始大气条件输入该模型中，创建了训练数据集。模拟器ACE预测了10种情况下未来10年气温、水蒸气和风速等16个变量的变化情况。研究显示，经过训练后，ACE能在10年内，提前6小时作出预测。此外，ACE更准确预测了90%大气变量的状态，运行速度和能效也都提升了100倍。

科学家们认为，最新的AI技术显著提升了气象预测的准确性和细节层面的分析能力，开启了智能气象预测的新纪元。随着技术进步，未来的气象预测将更加精准和高效。

鉴于此，施耐德及其同事创建了地球大气层和陆地的物理模型，其中囊括了少数此类小规模过程的机器学习程序。他指出，在根据历史观测数据对河流流量和积雪进行测试时，这些混合模型表现良好。团队希望今年底前完成一个可以与大气和陆地模型耦合的海洋混合模型，作为气候建模联盟(CliMA)项目的一部分。

但这些模型需要功能强大的超级计算机运行数周时间，且耗能极高。传统模型模拟一个世纪的气候，消耗的能源高达10兆瓦时，约等于美国家庭平均年用电量。此外，这些模型很难模拟雨滴如何形成等小规模过程，但这些小过程在大规模天气模拟中发挥着重要作用。

模拟这些小规模过程是标准气候模型的“短板”，而混合模型的性能优于纯基于物理学的模型，同时又比完全由AI构建的模型更值得信赖。

英国《自然》网站在近日的报道中指出，科学家正利用各种AI技术，加快气候建模速度并改进其性能，期望提高模型准确性的同时降低其能耗。当然，鉴于AI存在“黑匣子”，并非所有人都完全信任基于机器学习技术的模型。

2023年，澳大利亚联邦科学与工业研究组织气候科学家瓦西里·基齐奥斯及其同事开发了15个机器学习模型，以模拟15个基于物理学的大气模型。他们使用物理模型训练QuickClim系统。这些物理模型针对低碳排放和高碳排放两种情况，来预测2100年的大气温度。在中等碳排放情景下，接受训练后的QuickClim预测2100年大气温度的结果，与基于物理学的模型非常吻合。

2023年，格罗弗和微软科学家创建了基底模型ClimaX。研究团队利用5个基于物理学气候模型的输出数据对其进行了训练，随后对其进行了微调，使其执行更多任务。

例如，该模型基于二氧化碳、二氧化硫、黑碳和甲烷水平等输入变量预测了全球平均地表温度、日温度范围和降雨量。结果显示，ClimaX比帕里斯团队创建的3个气候模拟器更好地预测了与温度相关变量的状态。但在预测降雨量方面，ClimaX的表现不如3个模拟器中最好的。

第三种方式试图“两全其美”，即将机器学习组件嵌入基于物理学的模型内，生成混合模型。在这种情况下，机器学习模型只取代传统模型中效果较差的部分，通常是对云如何形成、积雪和河流流动等小规模但复杂且重要过程进行建模。

基底模型基于这样一种观点：数据中存在可以预测未来气候的基本模式。通过发现这些隐藏的模式，基底模型有望比传统方法更好地预测气候和天气。

一旦接受所有低、中、高3种碳排放情景训练，QuickClim就能快速预测本世纪全球气温的变化，速度比传统模型快约100万倍。

机器学习指计算机程序通过发现数据集中的模式来学习。加州大学洛杉矶分校计算机科学家阿迪亚·格罗弗指出，机器学习领域的一系列创新有望在气候建模领域“大显身手”。

恒峰真人10多年前，当美国加州理工学院气候科学家塔佩奥·施奈德首次对云如何形成进行建模时，需要煞费苦心地调整描述水滴、气流和温度如何相互作用的方程。但2017年，机器学习等人工智能(AI)技术成为他的“左膀右臂”。施耐德表示，机器学习建模速度更快，给出的模型更令人满意，让气候建模和气候科学变得更有趣。