0
过去很长一段时间里，气候、天气和地球系统研究，几乎完全建立在数值模拟之上。超算负责把物理方程一层层算下去，模型的精度、分辨率和稳定性，决定了人类对自然系统能“看清”多少。
而近几年，随着算力条件的变化，人工智能开始被不断引入这些传统领域。尤其是在气候和地球系统建模中，AI 被寄予厚望：它是否能补足数值模型难以覆盖的细节？是否能在有限算力下，把系统看得更细一点？这些问题，正在成为超算与科学计算领域绕不开的讨论。
地球系统模型正是其中最具代表性的场景之一。从全球环流到局地天气，从海洋到大气，从公里尺度到更细微的变化，模型需要处理的过程极其复杂，也几乎不可能被完全穷尽。正因为如此，关于 AI 应该如何进入地球系统建模，学界和工程界始终保持着谨慎甚至分歧的态度。
在 GAIR 2025 大会上，围绕人工智能与科学计算的关系，相关讨论再次被集中提及。付昊桓教授在大会期间做了相关分享，结合地球系统模型与超算实践，讨论了数值模拟与 AI 之间的边界与可能性。
作为清华大学深圳国际研究生院教授、国家超级计算深圳中心副主任，他长期同时参与超算平台建设和地学计算研究，也因此更关注这些方法在现实体系中“能不能用、该怎么用”。
在GAIR 2025 现场，AI科技评论与付昊桓教授围绕数值计算与AI 的融合、地球系统模型的复杂性，以及AI 在预报体系中的真实位置进行了深入交流，相关内容AI 科技评论做了不改变原意的编辑整理：
AI 科技评论：您现在在超算这边，最核心想做的事情到底是什么？
付昊桓：其实如果从一个比较抽象的层面来总结，我们现在最核心想推动的一件事，就是数值计算和人工智能的深度融合。
地球系统只是一个比较典型、也比较容易被大家理解的例子，但并不是唯一的应用场景。类似的问题，其实在很多科学计算领域都会遇到，比如机器人、生物医药、材料科学等等。只不过地球系统的复杂性、尺度跨度和社会影响都非常突出，所以它经常被拿出来讨论。
我们并不是说要单独把 AI 拿出来做一个“更聪明的模型”，也不是简单地去提升某一个模型的精度，而是希望从根本上去思考：在科学计算这样一个长期以数值模拟为核心的方法体系中，AI 到底应该以什么样的方式介入，才能真正提升我们理解和预测复杂系统的能力。
AI 科技评论：那为什么地球系统会被您反复作为一个核心例子？
付昊桓：因为地球系统本身，几乎把科学计算中最难的几个问题都集中在了一起。首先，它是一个典型的混沌系统。我们常说的蝴蝶效应，本质上讲的是系统对初始条件的高度敏感性。哪怕是一个非常微小的扰动，在经过足够长的时间和足够复杂的相互作用之后，都可能对整体状态产生显著影响。
其次，它是一个极端多尺度的系统。比如说，台风这种现象，可能发生在数百公里到千公里的尺度上；而强对流降水则发生在公里尺度；龙卷风则是十米到百米尺度；再往下，还有更微观的过程，发生在米级甚至更小的尺度上。
更重要的是，这些不同尺度的过程，并不是彼此独立的，而是相互耦合、彼此影响的。你不能只算大尺度而忽略小尺度，也不能只盯着局部而不看整体。正是这种“所有尺度连在一起”的特性，使得地球系统成为一个非常典型、但也极其困难的研究对象。
AI 科技评论：那在这种情况下，有没有可能去做一个真正意义上的数字孪生？
付昊桓：从现实角度来看，这是基本不可能的。很多人会设想，未来算力如果足够强，是不是就可以把所有细节都模拟出来。但实际上，问题并不只是算力的问题，而是尺度本身是没有下限的。
你可以说，未来是不是可以模拟一只蝴蝶？那我会反问：树叶里的水分是怎么蒸发的？云中的水汽是如何凝结成水滴的？水滴在不同微环境中是如何增长、碰并并最终下落的？
这些过程发生在越来越小的尺度上，而且每一个尺度都会引入新的物理机制。你永远不可能把所有尺度都纳入一个完全精确的数值模型中。所以从一开始，我们就必须承认：地球系统是一个无法被完全穷尽计算的复杂系统。
AI 科技评论：在这种前提下，数值模拟的意义在哪里？
付昊桓：数值模拟的意义，恰恰在于它是我们目前唯一一套系统性地、基于物理规律去理解世界的工具。我常用一个比喻来解释数值模拟和 AI 之间的关系：数值模拟是骨骼，AI 是肌肉。
骨骼代表的是我们已经理解得比较清楚的那部分自然规律，比如守恒定律、动力学方程、热力学关系等。这些东西是有明确物理意义的，是可解释、可追溯的。
而肌肉这一侧，指的是那些我们目前很难用严格物理模型去描述、或者算力根本支撑不了的部分。这些地方，AI 可能可以发挥更大的作用。
AI 科技评论：能不能用一个更具体的例子来说明这种分工？
付昊桓：比如说台风预报。当台风从海上向陆地移动时，在百米甚至公里尺度上，它的整体动力结构是可以用传统数值模型来刻画的。但当台风进入城市环境之后，问题就变得非常复杂。
你想知道某一条街道上，风会怎么走？某一个小区里，降雨会如何分布？这些已经进入了十米、甚至一米尺度，而传统数值模型在这个尺度上不仅算力不够，物理参数化本身也变得非常困难。
在这种情况下，如果完全依赖数值模拟，成本是无法承受的。但如果完全依赖 AI，又会失去物理约束。所以一个更现实、也更有前景的方向，是让 AI 在这些“肌肉层面”去补充数值模型，而不是取代它。
所以我们最终希望看到的，不是数值模型一套、AI 模型一套，而是它们能够形成一个紧耦合的混合模型。我经常用“齿轮”这个比喻，希望这两个齿轮能够真正咬合在一起，一起转，而不是各转各的。
AI 科技评论：那在数据如此稀疏的情况下，AI 能发挥什么作用？
付昊桓：AI 非常擅长做的一件事情是：在不完整的数据条件下，给出一个合理的推断。也就是说，你给它一些稀疏的观测点，它可以在空间和时间上进行补全，给出一个 best guess。
这种能力，在地球系统这样观测受限的领域里，确实非常有价值。但前提依然是：它必须和数值模型结合使用。雷峰网(公众号：雷峰网)
AI 科技评论：那目前这些模型成果，是如何被气象部门实际采纳和使用的？
付昊桓：现在的天气预报，本身就是一个高度工程化的混合体系。以华南地区为例，目前常用的是大约一公里分辨率的网格模型。在这个尺度上，动力方程是可以直接计算的；而网格内部无法解析的微物理过程，则通过统计参数化方案来处理。
同时，还会引入多组初始条件、多种模型配置，进行集合预报。最终给出的，并不是单一结果，而是一种带有概率意义的预报结论。在这样的体系下，目前 7 天预报是可以实现的，其中 3 到 5 天相对比较可靠。
AI 科技评论：AI 的引入，在这个体系中具体带来了哪些变化？
付昊桓：从目前的测试结果来看，AI 确实在一些方面带来了提升。比如，它可以利用更多类型的数据，提升某些变量的预报精度；在部分场景下，也确实可以延长可预报时间的长度。但与此同时，问题也非常明显。
首先，AI 对极端天气的预测能力仍然不足。极端事件本身在数据中出现得就不多，而 AI 往往更擅长学习“常态”。
其次，AI 的输出结果往往偏平滑，这在视觉上可能看起来“合理”，但会掩盖一些真正重要的极端特征。
第三，它是一个黑盒。对于一线预报员来说，当模型给出一个结果时，他们很难像使用传统数值模型那样，追溯每一步计算的物理原因。
此外，传统数值模型天然包含不确定性评估机制，而 AI 原生并不具备这一能力。这在实际业务中，是一个非常关键的差异。
AI 科技评论：所以您认为，数值模拟依然是不可替代的？
付昊桓：是的，我认为数值模拟一定是整个体系的 backbone。它承载的是人类已经理解的物理规律，是可解释、可验证的。AI 的角色，不是推翻这一体系，而是在这个基础上去补充、去增强，甚至在长期发展中，帮助我们逐步“打开黑盒”。
AI 科技评论：现在越来越多科技公司进入气象和气候领域，您怎么看？
付昊桓：这个赛道确实开始变得非常“卷”。但从另一个角度看，这也说明大家普遍认为，这个领域未来还有很大的突破空间。气象和气候并不是一个“已经被解决的问题”，相反，它仍然存在大量基础性的挑战。
AI 科技评论：气象和气候的商业价值主要体现在哪里？
付昊桓：我觉得至少体现在三个方面。第一，是季节尺度预报的金融属性。如果你能提前知道某一年、某一季的大致气候情况，会直接影响农业产量、大宗商品价格等。
第二，是能源系统。风电、光伏之所以难以稳定利用，很大程度上是因为它们的不确定性。如果预报更准，能源调度和成本控制都会发生根本性的变化。
第三，是碳达峰和碳中和。地球系统模型能力的提升，会对整个上下游产业链产生深远影响。
AI 科技评论：算力和模型规模的不断扩张，真的带来了科学价值吗？雷峰网
付昊桓：从历史上看，每一轮重大技术变革在初期阶段，往往都会伴随着某种形式的泡沫。这并非偶然，而是技术潜力、资本预期与现实落地之间动态博弈的结果。互联网的发展过程在一定程度上已经呈现过类似情形。但泡沫过后，一定会留下真正有价值的能力。从长期来看，AI 很可能会像计算机一样，逐步进入所有行业，并在这个过程中，改变我们解决问题的方式。
AI 科技评论：现在学界越来越强调交叉学科，您怎么看？
付昊桓：我觉得这并不是一个新趋势，而是科学本身的属性。学科是成熟知识的沉淀，而真正的新发现，往往发生在学科交叉的地方。
AI 科技评论：未来三年，您个人最期待哪方面的突破？
付昊桓：我个人最期待的是3 到 6 个月尺度的预报能力突破。这是目前天气预报和气候预测之间的一个灰区，也是现实中非常重要、但目前还难以解决的问题。
AI 科技评论：最后，您想给准备进入这个领域的年轻人什么建议？
付昊桓：最重要的一点，是先想清楚：你为什么要做科研。如果没有内驱力，科研会变成一种消耗。我更希望年轻人是主动享受这个过程，而不是被环境推着走。
讲座完整视频，详见链接：https://youtu.be/dw4tRbvoENY
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
