The Rise of AI in Weather and Climate Information and its Impact on Global Inequality

该论文指出，人工智能在地球系统科学中的快速应用若缺乏干预，将因算力与数据基础设施的全球南北差异而加剧气候信息领域的不平等，因此呼吁通过转向以数据为中心的开发模式、建立气候数字公共基础设施以及推动知识共同生产，来确保 AI 革命真正促进全球系统韧性而非加剧不公。

要点

这篇文章就像是在给全球气候科学界敲警钟：人工智能（AI）正在成为预测天气和气候的超级英雄，但如果我们不小心，这位英雄可能会变成“偏心眼”的管家，让富国更富，穷国更穷。

作者们用非常生动的比喻，把复杂的科学问题拆解成了三个主要阶段：输入（Input）、处理（Process）和输出（Output）。我们可以把整个 AI 气候系统想象成一家**“全球天气预报餐厅”**。

1. 核心问题：这家餐厅的“菜单”和“厨师”都太偏心了

目前，这家餐厅的老板（AI 开发者）和主厨（超级计算机）几乎全都在北半球（主要是欧美和东亚）。他们做出来的菜（气候预测），虽然看起来色香味俱全，但其实是根据他们自己的口味和食材做的。

第一阶段：输入（Input）—— 食材不新鲜，还全是“预制菜”

• 比喻：想象一下，你要做一道菜，但你没有去菜市场买新鲜蔬菜，而是直接用了别人剩下的“旧照片”或者“模拟出来的假蔬菜”。
• 现实情况：
  • 数据偏见：AI 模型主要靠“再分析数据”（比如 ERA5）来学习。这些数据看起来像一张完美的全球地图，但实际上，很多地区（特别是非洲、南美、东南亚）就像地图上的“盲区”。因为那里没有足够的气象站，数据其实是靠电脑“猜”出来的。
  • 后果：这就好比厨师在没去过热带雨林的情况下，凭想象做了一道“雨林菜”。结果就是，AI 对热带地区的降雨、温度预测经常出错，因为它学的是“有偏差的旧数据”。
  • 语言偏见：现在的 AI 聊天机器人（LLM）读的书（文献）大多是英文写的，而且作者多来自发达国家。这就像餐厅只读“米其林指南”，完全忽略了当地老百姓的“街头美食经验”。

第二阶段：处理（Process）—— 只有富人买得起的“超级厨房”

• 比喻：这家餐厅的厨房（超级计算机）极其昂贵，需要巨大的电力和水资源。只有少数几个大财团（如 Google、Microsoft、NVIDIA）和发达国家政府才买得起这种厨房。
• 现实情况：
  • 算力鸿沟：训练一个顶尖的 AI 模型，需要消耗像一个小城市一年的用电量。全球只有 32 个国家拥有这种规模的“超级厨房”。
  • 后果：发展中国家只能当“食客”，等着别人做好菜端过来。他们无法自己进厨房调整菜谱（无法训练针对自己本地气候的模型），也无法检查厨房是否干净（无法审计算法）。这导致了**“技术殖民”**——穷国只能被动接受富国制定的规则，哪怕这些规则不适合他们。

第三阶段：输出（Output）—— 端上来的菜，对穷人来说可能有毒

• 比喻：餐厅端上来的菜，虽然看起来精致，但可能不适合某些人的体质。更糟糕的是，餐厅经理（决策者）只看“平均口感”，忽略了那些“吃坏了肚子”的人。
• 现实情况：
  • 预测不公：AI 模型在富裕国家（数据多的地方）预测得很准，但在贫穷国家（数据少的地方）误差巨大。这就好比天气预报说“明天北京有雨”，结果北京没下，但非洲某地却发洪水了，而那里的人根本收不到预警。
  • 误导决策：如果基于错误的预测去修堤坝或分配医疗资源，不仅浪费钱，还可能让最脆弱的人群（比如贫民窟的孩子）面临更大的生命危险。
  • 黑箱操作：AI 给出的建议往往像个“黑盒子”，只告诉你“会下雨”，却不解释“为什么”。这让当地社区无法理解风险，也无法制定有效的应对策略。

2. 作者的建议：如何把餐厅变成“大众食堂”？

作者认为，不能只追求 AI 跑得有多快（速度），更要看它是否公平（正义）。他们提出了三个改变方向：

1. 从“重模型”转向“重数据”：

   • 比喻：别总想着发明更高级的锅（新模型），先去把菜市场（观测网络）建好。
   • 行动：要在非洲、南美等地多建气象站，收集真实的“新鲜食材”，而不是依赖电脑生成的“假数据”。

2. 建立“气候数字公共基础设施”：

   • 比喻：把那个昂贵的“超级厨房”变成像图书馆或公园一样的公共用品。
   • 行动：数据要开源，算力要共享。让发展中国家的科学家也能进厨房，用自己的数据训练模型，而不是只能吃别人剩下的。

3. 从“生产者 - 消费者”变成“共同烹饪”：

   • 比喻：不要只是大厨做、食客吃。要让当地的老奶奶、农民、土著居民都参与进来，告诉他们：“这道菜怎么做才适合你们的胃。”
   • 行动：在开发 AI 时，要尊重当地的知识体系（比如原住民对天气的经验），让技术真正服务于最脆弱的人群，而不是加剧不平等。

总结

这篇文章的核心思想是：AI 本身没有错，但它现在的“出身”和“成长环境”充满了偏见。

如果我们不主动去修补这些漏洞，AI 就会把现有的世界不平等（富国更富、穷国更穷）自动放大，甚至固化下来。我们要做的，是让 AI 从“富人的玩具”变成“全人类的保护伞”，确保当气候危机来临时，没有人会被遗忘在角落里。

技术摘要

这是一份关于论文《人工智能在天气与气候信息中的兴起及其对全球不平等的影响》（The Rise of AI in Weather and Climate Information and its Impact on Global Inequality）的详细技术总结。

1. 研究背景与核心问题 (Problem)

随着人工智能（AI）和深度学习在地球系统科学中的快速应用，数值天气预报和气候建模正经历一场“静默革命”。AI 技术承诺解决传统基于过程的建模瓶颈，提供混合参数化方案、延长观测记录并大幅降低计算成本。

然而，本文指出这一技术飞跃建立在一个脆弱且不平等的基础之上。核心问题在于：

• 南北差距的自动化与放大：当前的 AI 发展轨迹正在自动化并加剧全球气候信息系统中的“南北差距”（Global North-South divide）。
• 系统性偏见：现有的 AI 系统依赖于地理分布不均的训练数据集和高度集中的基础设施。这种依赖不仅保留了历史观测网络中的不平等（如全球南方地面传感器稀缺），甚至通过算法将其固化，导致“系统性结构偏见”。
• 后果：有偏见的气候信息可能导致适应政策的不公，加剧环境不公，甚至引发社会临界点。尽管 AI 被宣传为能“民主化”天气预报，但若无刻意重构，它可能将最脆弱的地区抛在身后。

2. 方法论与分析框架 (Methodology)

本文采用社会 - 技术系统（Socio-technical systems）的分析框架，将 AI 系统视为从输入到输出通过计算过程转化的系统。作者通过生命周期分析法，将 AI 在天气和气候领域的应用划分为三个阶段，并定性分析了每个阶段中四个关键维度的强度变化（人类能动性、透明度、基础设施需求、市场需求）：

1. 输入阶段 (Input)：研究议程设定、数据采集（观测、模拟、文本）。
2. 处理阶段 (Process)：数据预处理、模型训练（依赖高性能计算 HPC）、评估与基准测试。
3. 输出阶段 (Output)：预测结果、决策支持、知识合成（如大语言模型 LLMs）。

作者通过审查现有的前沿模型（如 GraphCast, Pangu-Weather, AIFS 等）、基准数据集（ERA5, CMIP6, FLUXNET）以及全球高性能计算（HPC）设施的分布，揭示了数据、算力和知识生产中的地理不平等。

3. 关键发现与结果 (Key Findings & Results)

3.1 输入层面的不平等 (Input Level)

• 数据偏差：大多数前沿 AI 模型基于 ERA5（再分析数据）进行预训练。ERA5 虽然被视为“黄金标准”，但在观测稀疏地区（如热带、非洲、南美洲）严重依赖模型物理过程而非真实观测，导致系统性偏差（例如亚马逊地区的降水偏差、中国气温误差）。
• 生态与生物圈数据：关键数据集（如 FLUXNET2015）的站点高度集中在欧洲和北美，导致全球碳循环模型存在地理盲区。
• 健康数据偏差：气候 - 健康研究中的医疗数据存在报告不足和偏差，导致 AI 模型在预测贫困地区的疾病负担时失效。
• 语言模型偏见：气候领域的 LLMs（如 ChatClimate）基于主要由全球北方产生的科学文献和报告（如 IPCC），可能放大现有的地理和语言不平衡。

3.2 处理层面的不平等 (Process Level)

• 算力垄断：高性能计算（HPC）设施（训练 AI 的基础）高度集中在全球北方和东亚。前沿 AI 气象模型几乎完全由这些国家的公共中心与少数科技巨头（Google, Microsoft, NVIDIA 等）合作开发。
• 基础设施鸿沟：只有 32 个国家拥有部署大规模 AI 所需的数据中心。高昂的能源和水资源需求（预计到 2030 年 AI 能耗占全球发电量的 4.5%）将全球南方排除在外。
• 评估偏差：基准测试（Benchmarks）同样依赖有偏见的底层数据（ERA5, CMIP6）。优化过程通常最小化均方根误差（RMSE），这导致算法优先优化数据密集区（全球北方），而将数据稀疏区视为噪声，产生“模糊”的预测，平滑了关键的极端事件。

3.3 输出层面的不平等 (Output Level)

• 预测能力差距：尽管 AI 提升了整体预报技巧，但富裕国家的预报精度远高于贫困国家（例如，富裕国家 7 天预报优于贫困国家 1 天预报）。AI 模型（如 ECMWF 的 AIFS）带来的改进在人口稠密和富裕地区更为显著。
• 决策失效：在缺乏基础设施（如避难所、医疗系统）的地区，高精度的早期预警系统无法转化为实际的人口生存率提升。
• 黑盒风险：AI 常作为黑盒工具使用，缺乏可解释性，难以指导具体的适应规划或理解风险驱动机制。

4. 主要贡献 (Key Contributions)

1. 揭示“计算主权”的缺失：文章首次系统性地论证了缺乏“计算主权”（Compute Sovereignty）如何导致全球南方国家只能作为模型消费者，而无法根据自身脆弱性定制模型，从而陷入技术依赖。
2. 提出全生命周期偏见分析：打破了仅关注模型性能的局限，从“输入 - 处理 - 输出”全链条揭示了不平等是如何累积和放大的。
3. 提出 FATES 原则与行动纲领：
   • 范式转变：从“以模型为中心”转向“以数据为中心”的 AI 发展。
   • 气候数字公共基础设施 (Climate Digital Public Infrastructure)：呼吁建立开源、统一的生态系统，将关键气候信息视为全球公共产品，打破商业壁垒。
   • 评估指标重构：建议采用“公平感知”的损失函数（Fairness-aware loss functions）和人口加权指标，惩罚在脆弱地区的预测失败，而非仅追求全球平均误差最小化。
   • 知识共同生产 (Knowledge Co-production)：推动从“生产者 - 消费者”模式转向多方利益相关者（包括原住民、当地社区）共同生产知识的模式。

5. 意义与影响 (Significance)

• 伦理与公平：本文挑战了"AI 必然带来民主化”的乐观叙事，指出若不干预，AI 革命将自动化环境不公。它强调了在追求技术速度的同时，必须将公平性置于核心地位。
• 政策指导：为气候服务、国际气候融资和 AI 治理提供了具体建议。它呼吁将投资重心从单纯的算力堆砌转向上游观测基础设施的建设和数据质量的提升。
• 科学方向：为地球系统科学中的 AI 研究指明了新方向——即从单纯优化统计指标转向关注人类生存安全、极端事件的物理保真度以及全球南方的实际需求。

总结：该论文不仅是一份技术评估，更是一份行动宣言。它警告我们，如果不重构数字基础并赋予全球南方“计算主权”，AI 在气候领域的应用将加剧现有的不平等，而非解决气候危机。真正的系统性韧性来自于包容性的数据、开放的算力和共同生产的知识体系。