原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图预测未来 85 年的天气。你拥有一台超级计算机，正在运行一个关于地球大气、海洋和陆地的庞大且极其详细的模拟。这就是科学家所称的气候模型。它就像我们星球的一个巨大的数字孪生体。
问题在于？运行这个数字孪生体极其缓慢且昂贵。超级计算机需要数天甚至数周才能模拟仅仅几十年的情况。如果政策制定者想知道将排放量削减 50% 与削减 100% 分别会产生什么后果，他们需要运行数百次这样的模拟才能获得清晰的图景。但我们无法等待那么久。
解决方案：“气候副驾驶”
本文介绍了一种新工具：深度学习模拟器。请将此视为超级计算机的补充，而非替代品；它是一位训练有素的“副驾驶”，或者是气候模型的“极速版”。
研究人员训练人工智能观察超级计算机运行模拟，并学习其“个性”。一旦训练完成，该人工智能便能在几秒钟内生成未来的气候情景，其外观和感受几乎与缓慢且昂贵的超级计算机运行结果完全一致。
工作原理：食谱类比
为了理解人工智能如何学习，想象一下你正试图教一位机器人厨师烘焙蛋糕，而蛋糕的味道会根据你提供的食材而变化。
- 食材（强迫因子）： 在气候世界中，“食材”包括二氧化碳 (CO2)、甲烷、臭氧以及被称为气溶胶的微小尘埃颗粒。这些是改变气候的外部驱动因素。
- 食谱（模型）： 人工智能就是厨师。它需要知道当你加入更多的糖（二氧化碳）或一撮盐（气溶胶）时，蛋糕（地球气候）会如何反应。
- 训练： 研究人员向人工智能提供了数千批由真实超级计算机制作的“蛋糕批次”，向它展示了添加不同数量的食材时究竟发生了什么。
重大发现：并非所有食材都同等重要
本文最有趣的部分在于，当研究人员尝试用缺失的食材烘焙蛋糕时会发生什么。他们进行了实验，告诉人工智能忽略某些食材，以观察其是否仍然有效。
- “糖”测试（温室气体）： 当研究人员从人工智能的指令中移除温室气体（如二氧化碳）时，厨师完全失败了。蛋糕随时间推移并没有变暖。人工智能无法预测长期的变暖趋势。教训： 要预测未来气候，你绝对需要温室气体数据。
- “灰尘”测试（气溶胶）： 气溶胶是微小颗粒（如污染物或火山灰），它们通过反射阳光实际上冷却地球。研究人员发现了一个令人惊讶的现象：当他们移除气溶胶数据时，人工智能反而烘焙出了更好的蛋糕。它更加准确且稳定。
- 为什么？ 论文指出，气溶胶就像“嘈杂”的食材。它们变化极快且随机（就像混乱的洒水器）。由于人工智能仅查看月度平均值，气溶胶数据看起来像是静态噪声而非清晰信号。这混淆了厨师。
- “天空结构”测试（臭氧）： 臭氧是高空中的气体，充当大气的结构梁。当他们移除臭氧时，人工智能的模拟崩溃了。它无法弄清楚温度如何从地面变化到平流层。教训： 对于人工智能理解天空的垂直结构而言，臭氧是必不可少的。
“超调”挑战
研究人员还在一个被称为“超调”的棘手情景下测试了人工智能。想象这样一个世界：我们先让地球升温，然后突然尝试通过从空气中吸出二氧化碳来使其降温。
- 人工智能是在事物持续变热的情景下训练的。
- 他们要求人工智能预测这种它从未见过的“降温”情景。
- 结果： 人工智能做得还不错，但稍显吃力。这表明，虽然人工智能非常擅长遵循它学到的规则，但当规则发生剧烈变化（例如从“加温”变为“降温”）时，它会变得有些不稳定。
比较：人工智能与旧方法
团队将他们的新人工智能与现有工具MESMER-M进行了比较。
- MESMER-M 就像一个非常聪明的计算器。它速度快，擅长预测平均温度，但略显僵化。它无法轻松生成许多不同的未来“假设”版本。
- 新人工智能 就像一个富有创造力的即兴表演者。它能在 MESMER-M 制作一个版本所需的时间内，生成数百个不同的可能未来（集合）。这非常巨大，因为它有助于科学家理解可能性的范围，而不仅仅是平均值。
结论
本文表明，我们可以构建一个快速、由人工智能驱动的“气候副驾驶”，它能模仿缓慢且昂贵的超级计算机。然而，要使其发挥作用，我们必须非常谨慎地选择输入的数据：
- 必备项： 温室气体和臭氧是不可或缺的；没有它们，人工智能就无法预测未来。
- 可选项： 气溶胶（污染物颗粒）对于这种特定类型的人工智能来说，目前可能过于混乱而难以妥善处理，将其剔除反而可能使预测更加准确。
目标并非取代超级计算机，而是为科学家提供一种工具，使其能够瞬间运行数千次模拟，从而帮助他们就我们星球的未来做出更好的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。