摘要：想象一下，一部拍摄了长达 50 年的连续剧——还是纪录片，这其中的视角记录不能说乏善可陈，只能说是枯燥无味。诚然自然的美景的确引人注目，但倘若就这么持续关注 50 年？

编辑丨&

想象一下，一部拍摄了长达 50 年的连续剧——还是纪录片，这其中的视角记录不能说乏善可陈，只能说是枯燥无味。诚然自然的美景的确引人注目，但倘若就这么持续关注 50 年？

这就是过去科学家在面对地球模型时的窘境。传统地球系统模型强大但极其麻烦，科学家必须要用超级计算机一帧一帧算，一次几十年的模拟可能要耗费数百万 CPU 小时，动辄几个月才能跑完。等结果出来，政策窗口期可能已经过去了。

现在，来自华盛顿大学等的研究人员使用 AI 模拟了地球当前的气候和长达 1000 年的年际变异性。他们开发的深度学习地球系统模型——DLESyM 在单个处理器上运行，只需 12 小时即可生成预测。在最先进的超级计算机上，相同的模拟大约需要 90 天。

该研究以「A Deep Learning Earth System Model for Efficient Simulation of the Observed Climate」为题，于 2025 年 8 月 25 日发布在《AGU Advances》。

论文链接：

DLESyM 的快与准

研究团队将观测数据转化为训练样本，覆盖了 1979–2020 年间的大气、海洋与陆地气候变量。DLESyM 的核心在于，它不仅仅是一个拟合曲线的黑箱模型，而是通过网络结构与约束条件，维持了能量守恒、流体动力学等关键物理规律。

据其开发者，华盛顿大学教授 Dale Durran 解释，该模型设计的出发点，是帮助研究人员回答「给定的事件是自然发生的，还是不是？」这个问题。与常规的按季节分割历史数据的模型不同， DLESyM 虽然是为一天内的预报所训练的，但它仍然学会了捕捉季节性变化。

图示：深度学习地球系统模型（DLESyM）的架构与耦合。

DLESyM 的架构选择极为精巧。大气端只需 9 个预报变量，海洋端则仅预测 海表温度（SST），在 全球均匀约 110 km 分辨率下运行。训练时模型只需最小化 24 小时（大气） 与 8 天（海洋） 的均方根误差（RMSE），未显式加入长期物理约束，但却在模拟中自然涌现出多年—年代际的统计规律。

结果显示，在相同时间尺度上，DLESyM 的模拟速度比传统模式快了三个数量级。与动辄消耗上百万 CPU 小时才能模拟几十年气候相比，DLESyM 在单块 GPU 上仅需数小时便能完成同样的任务。而且，模拟出的全球平均升温趋势、厄尔尼诺/拉尼娜现象都与真实观测吻合，说明它不只是快，而是真的“靠谱”。

结果验证与应用

团队量化了 DLESyM 在中范围预报精度上落后于计算密集型的机器学习模型或数值天气预报模型的程度，这个数值依旧以 RMSE 呈现，相较于对比模型高了 16%（IFS）。当然，团队主要关注的不是在中范围预报中达到最先进的性能，而是创建一个简洁的模型，能够在任意长时间的模拟中表现良好。

图示：DLESyM 的平滑性与技能。

DLESyM 在没有显式长期物理约束或漂移惩罚的情况下，仍能在为期一千年的模拟中不发生数值崩溃或过度平滑，全球平均温度与 SST 的漂移被控制到远小于许多 CMIP6 模型的量级。

更为亮眼的是，在季节-年际尺度指标上（如热带气旋发生率与强度、北半球阻塞频率、NAM/SAM 的空间结构等），DLESyM 的表现与或优于若干主流 CMIP6 历史模拟，表明模型并非「只会跑速」，而是在许多关键气候统计上拿得出成绩。

该实验的研究者表示，他们应该是第一个将代表大气与海洋的图神经网络应用于仅由 AI 驱动的模型中的团队，在海洋模型每 4 天更新一次，大气模型每 12 小时更新一次的更新周期中，研究者将为 DLESyM 继续添加一个地表模型。

这其实代表了 DLESyM 的局限：DLESyM 倾向于低估振幅与极端值（论文把这种偏弱归因于海洋端当前仅包含 SST，而未显式预报上层热含量或海表高度等）。研究者的观点是扩展 DLOM 的预报字段，并引入陆面/海冰模块与外强迫（温室气体、气溶胶）来推进对未来气候情景的可用性。

更高效的试验场地

DLESyM 的出现并非要取代物理驱动的 GCM——论文与报道都强调它更像是 一个高效的加速器，可以用来做大规模的情景扫描，也能让更多科研单位在没有超算的情况下参与长期模拟与极端事件统计研究。

在气候科学与应对气候风险的决策中，时间就是信息价值。DLESyM 把过去需要巨量算力与时间的长期模拟，变成了更快、更廉价的工具。不过这并非是能征求一切的钥匙，论文如此强调，它只是把人类理解地球系统能力 放大并加速 的重要一步。

相关报道：

来源：老周讲科学