气候：用虚构排放情景训练的人工智能
· BehindLines 编辑部
麻省理工学院（MIT）的研究人员开发出一种方法，只需通常数据量的一小部分，就能更快地训练气候预测人工智能模型。MIT于2026年11月12日介绍了这项工作，称其本周发表于《美国国家科学院院刊》（Proceedings of the National Academy of Sciences）。预印本服务器arXiv上也有一份手稿：它于2026年6月17日提交、9月29日修订，比MIT的公告早数月，且其arXiv页面未提及任何期刊。
用“仿真器”取代数月的计算
长期气候预测依赖地球系统模型，这类模型非常精细但运算繁重：MIT表示，在超级计算机集群上模拟一种可能的未来可能需要数月。“仿真器”是模仿其行为的人工智能模型，几秒钟即可运行，据MIT称，这使得测试成千上万种情景成为可能。
现实情景的缺陷
通常，仿真器用6至8条现实的排放轨迹来训练，每条轨迹都需要完整运行一次参考模型。MIT称，其研究人员此前发现，这类情景训练出的仿真器在面对陌生情形时表现较差。arXiv上的研究摘要把这一性能上限归因于常用情景的结构多样性偏低。
量身定制的数据集
主要作者、现为苏黎世联邦理工学院（ETH Zurich）博士后的Christopher Womack及其同事设计了一种算法，用来生成一组经过优化的合成情景。据MIT介绍，该算法从用简单快速的气候模型创建的任意情景出发，衡量仿真器与参考模型之间的差距，然后迭代修改数据，直到误差达到某个阈值。结果并不像一个合理的未来：轨迹中含有急剧变化，例如算法可能让CO2在2050年大幅上升，或让甲烷在2037年迅速下降。在Christopher Womack看来，这些快速振荡让仿真器能从整个系统中提取多得多的信息。
这样只需运行一次完整模型，而不是6次或8次。据arXiv上的摘要，在一个简单气候模型中，用单一优化情景训练的仿真器，表现优于用6条标准轨迹（ScenarioMIP）训练的仿真器。作者还补充说，用这个简单模型优化的情景，再用来驱动一个中等复杂度的模型，得到的训练集比ScenarioMIP的输出表现更好。据MIT称，以这种方式训练的仿真器还能预测局部政策的效果，即减少某一种污染物而其他排放持续上升的情形，而受测的传统仿真器没有做到。
为什么重要
据该研究的资深作者Noelle Selin介绍，训练一个仿真器可能需要数月甚至数年，因此现有工具往往已经过时；她认为，这种方法缩短了这一周期，可能会改变局面。Christopher Womack希望这些快速、可调整的仿真器能更好地服务于公共政策的制定。研究人员现在想用完整模型生成的情景来测试这项技术，并将其应用于其他类型的气候模型。