麻省理工学院的研究人员开发了一种训练技术，可以使用通常所需的一小部分数据来生成快速、适应性强的人工智能气候模型，他们表示，这一步骤可以将这些工具的生产时间从数月或数年缩短到更可用于政策决策的时间。这项研究发表在本周的《美国国家科学院院刊》上。

所讨论的模型是气候模拟器：模仿全尺寸地球系统模型（ESM）行为的紧凑型人工智能替代系统。 ESM 是气候科学的主力——基于物理的大量模拟，预测温度、降水和海平面如何响应温室气体排放——但单个未来场景可能需要数月时间才能在超级计算机集群上运行。相比之下，模拟器可以在几秒钟内运行，让科学家测试数千种场景，探究区域影响和特定污染物，并标记政策干预的意外结果。有关人工智能在科学领域不断扩大的作用的持续报道，请关注我们的 人工智能研究新闻。

问题：现实的训练数据使模型变得脆弱

当研究人员构建气候模拟器时，他们通常会在六到八种遵循现实轨迹的未来排放情景中对其进行训练。每一个都必须通过完整的 ESM 来生成训练数据，这使得数据集生成成本高昂且缓慢。麻省理工学院的团队此前发现了一种微妙的失败模式：在现实场景中训练的模拟器在被要求预测不熟悉或新奇的情况时可能表现不佳——这正是政策制定者越来越需要探索的情况。

“我们的算法可能会生成一些奇怪的场景，这些场景看起来完全不像现实的未来，但我们并不太关心训练场景是否真实，”26 岁的 Christopher Womack 博士（现为苏黎世联邦理工学院博士后，也是该论文的主要作者）在《麻省理工学院新闻》中说道。 “我们只是试图制作最好的数据集来训练模拟器。”

运行一次 ESM，而不是运行八次

这项新技术颠覆了通常的流程。算法不是组装现实场景，而是生成优化的合成场景，以最大限度地提高特定模拟器的预测能力。该过程从通过快速、简单的气候模型运行的任意场景开始，测量模拟器再现完整 ESM 结果的效果，然后迭代地扰动训练数据 - 例如，在 2050 年大幅增加二氧化碳排放量，或在 2037 年迅速减少甲烷排放 - 直到模拟器的误差降至阈值以下。

由此产生的合成场景看起来与现实世界的平滑轨迹完全不同。 “通过引入这些高频摆动和振荡，我们的数据使模拟器能够提取有关整个系统的更多信息，”沃马克说。实际回报是巨大的：以前构建训练集需要运行完整的 ESM 六到八次，而现在用户只需要运行一次。

通过测试传统模型失败

研究人员报告说，用他们的方法训练的模拟器可以准确地预测训练期间从未见过的场景的结果，而传统模拟器则无法适应。在《麻省理工学院新闻》强调的一项测试中，经过综合训练的模拟器正确地捕捉到了当地污染物控制政策的影响，该政策减少了一种污染物，而其他排放量继续上升——在这种情况下，他们评估的经过传统训练的模拟器失败了。

“气候模拟器特别适合对政策相关场景进行建模，”沃马克说。 “通过使用我们的方法为模拟器生成优化的训练数据，我们可以加快更可靠模拟器的生产速度，这样我们就可以更好地信任他们的输出来制定政策决策。”

适应性很重要，因为未来不会像训练集那样。 “未来，我们肯定会看到以前从未见过的气候和情景，”塞林说。 “如果我们能够更稳健地模拟这些不同的场景，我们就可以为需要的利益相关者提供更可靠的信息。”

为什么时机很重要

资深作者诺埃尔·塞林 (Noelle Selin) 是麻省理工学院数据、系统和社会研究所以及地球、大气和行星科学系的教授，也是可持续科学与战略中心的主任，她将这项工作视为气候信息本身的供应链修复。由于模拟器培训可能需要数月或数年的时间，因此规划人员可用的工具通常已经过时。她说：“通过缩短生产时间，我认为这项技术将改变游戏规则，让研究人员和从业人员能够获得更新的工具。”

这些应用远远超出了学术界：最新的气候预测为电网恢复力、公共卫生保护和农业规划的决策提供了信息。该团队还包括麻省理工学院的 Shahine Bouabid、Andrei Sokolov、Popat Salunke 和 Glenn Flierl，以及伦敦帝国理工学院的 Sebastian D. Eastham。研究人员的下一个目标是扩展该技术，以便模拟器在地球进入史无前例的气候条件时保持稳健。

---

保持人工智能领先地位

获取最新的人工智能新闻、分析和突破——尽在一个地方。

阅读更多人工智能新闻 →