看一幅像素超过50英里的数字世界地图，你会看到一幅模糊的画面:整个城市被一个点吞没;温哥华岛和五大湖只有一个像素宽。你看不到农田，看不到森林，也看不到白云。然而，这是许多气候模型的观点，当我们试图看到几个世纪后的未来，因为这是所有的细节，电脑可以处理。打开分辨率旋钮，即使是大型超级计算机也会变得缓慢缓慢。“你只是等待结果的时间太长了;加州大学欧文分校的下一代气候模型专家迈克尔·普里查德说。“其他人也不会使用这台超级计算机。”
这不仅仅是学术上的问题:这意味着我们对未来的看法很模糊。重要的是，我们很难知道，一个变暖的世界是否会带来更多的低洼云层来保护地球不受太阳的照射，从而使地球变冷，还是更少的云层会使地球变暖。由于这个原因和更多的原因，大约20个模型运行最后的评估政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，简称IPCC)的成员们意见分歧很大:大气中的二氧化碳含量翻倍，一个模型称我们将看到1.5摄氏度的上升;另一个人说温度会是4.5摄氏度。普里查德说:“超级烦人。”这三个因素是巨大的——它可以使生活在洪水泛滥的海岸线上或试图在半干旱土地上种植作物的人们的生活发生翻天覆地的变化。
普里查德和其他一些气候模型专家正试图通过改进人工智能模型来解决这个问题。(普里查德和他的同事亲切地称他们的人工智能系统为“云大脑”。)它是有效的。而对于气候模型制作者来说，这可能会带来翻天覆地的变化。
“云大脑”可能会使气候如何应对二氧化碳上升的不确定性变得可能。
计算机硬件的速度和智能呈指数级增长——与20世纪90年代的万亿次运算相比，今天的超级计算机每秒能处理大约十亿亿亿次运算。与此同时，一场并行的革命正在计算机编码中进行。几十年来，计算机科学家和科幻作家一直梦想着人工智能:能像真人一样学习和行为的计算机程序。从2010年左右开始，计算机科学家在一项被称为机器学习的技术上取得了巨大的飞跃，特别是“深度学习”，它模拟了人类大脑中复杂的神经元网络。
传统的计算机编程对于遵循规则的任务是很好的，比如:如果x，那么y。但是对于我们没有规则手册的更直观的任务，比如翻译语言，理解言语的细微差别，或者描述图像中的内容，它很难做到。这就是机器学习的优势所在。这个想法是旧的，但最近的两项发展最终使它变为现实——更快的计算机和可供机器学习的大量数据。如今，互联网上充斥着未经翻译的文本和用户标注的照片，这些都非常适合训练机器学习程序。
像微软和谷歌这样的公司在2010年代初开始，近年来使用它来从智能手机上的语音识别到互联网上搜索的所有东西都能从智能手机上发出所有权。科学家也开始拿起这些技术。医学研究人员使用它在蛋白质和分子的数据集中找到模式，以猜测哪些可能使良好的药物候选人成为良好的候选人。现在，深入学习开始延伸到气候科学和环境项目。
研究人员希望将人工智能纳入气候模型将进一步了解云层(如图所示，在孟加拉国上空)在变暖的世界中将如何发挥作用。美国国家航空航天局/国际空间站
微软的人工智能地球项目例如，该公司正把大笔资金投入数十项风险投资，这些投资涉及方方面面，从让家庭在使用取暖和制冷能源方面“更智能”，到为精确节约能源而制作更好的地图。一个团队位于伯克利的国家能源研究科学计算中心(National Energy Research Scientific Computing Center)正在利用深度学习技术分析由气候模型产生的大量模拟气候数据，并像人类天气预预员可能做的那样，在气旋等特征周围画线。博尔德科罗拉多大学(University of Colorado, Boulder)的克莱尔·蒙特罗尼(Claire Monteleoni)正在使用人工智能来帮助确定哪些气候模型在某些任务上比其他模型更好，这样它们的结果就可以被证明是正确的更有份量．
但普里查德和其他一些人正在做的是更基本的:将机器学习代码插入气候模型本身的核心，这样它们就可以捕捉到微小的细节，比传统计算机编程的效率高数百倍。目前他们专注于云——因此得名“云大脑”——尽管这项技术也可以用于其他小规模的现象。这意味着它有可能加强气候将如何应对不确定性的上升的二氧化碳,给我们一个清晰的云如何转变和温度和降雨如何变化,生活将如何从一个小地方可能会影响到下一个。
到目前为止，这些将深度学习代码植入气候模型的尝试还处于早期阶段，尚不清楚它们是会彻底改变模型制作还是会失败。
“云大脑”所要解决的问题是气候科学家所理解的和计算机所能模拟的不匹配——尤其是云，它在决定温度方面发挥着巨大的作用。
典型的全球气候模型像素大小太大，无法看到单个的云或风暴锋面。
虽然云的某些行为仍难以用算法捕捉，但研究人员一般都知道水蒸发、凝结、形成水滴和下雨的物理过程。他们已经写下了描述所有这些的方程式，并且可以运行小规模的短期模型，用只有几英里宽的网格盒来显示云在短时间内的演变。这样的模型可以用来观察云层是否会变细，让更多的阳光进入，或者通过遮挡阳光使地面降温。但如果把这些细节放在一个全球范围的长期气候模型中，它的速度将会慢一百万倍。华盛顿大学(University of Washington)的克里斯•布雷瑟顿(Chris Bretherton)表示，一般的经验法则是，如果你想将网格盒的尺寸减半，计算所需的时间将是之前的10倍。他说:“要做出一个更详细的模型并不容易。”
科罗拉多州立大学(Colorado State University)气候模型师大卫·兰德尔(David Randall)说，计算这些模型的超级计算机建造成本在1亿美元左右;在这样一台机器上花费一个月的时间可能要花费数百万美元。这些费用实际上不会出现在任何研究人员的发票上;他们是由机构、政府和补助金支付的。但财务上的投资意味着在使用电脑的时间上存在真正的竞争。由于这个原因，典型的全球气候模型，比如IPCC迄今为止的报告中使用的模型，都有几十英里宽的像素大小——太大了，无法看到单个的云甚至风暴锋面。
普里查德和其他人正在尝试的方法是用精确云模型短期运行的数据来训练深度学习系统。这让AI能够对云的工作原理产生直观的感觉。然后，人工智能可以被分割成一个更大像素的全球气候模型，将更真实的云行为塞进一个足够便宜和快速运行的东西中。
普里查德和他的两位同事用高分辨率云模型的结果训练他们的“云大脑”，然后测试它是否会产生与慢速高分辨率模型相同的模拟气候。它确实他甚至还能以大约20倍的速度跑出像极端降雨这样的细节。
“云大脑”在接受训练之外的场景时往往会感到困惑，比如一个温暖得多的世界。
其他人——包括普里查德的前同事布雷瑟顿和麻省理工学院的气候研究员保罗O’gorman，也在做类似的工作。这些策略的细节各不相同，但总体思路是相同的——使用机器学习来创建一个更高效的编程hack，在小范围内模拟云。这种方法同样可以用来帮助大型全球模型整合其他精细特征，比如海洋中困扰洋流模型的几英里宽的涡流，以及形成雨影的山脉特征。
科学家们面临着一些重大障碍。机器学习几乎凭直觉工作，而不是遵循规则手册，这一事实使得这些程序在计算上高效。但这也意味着，人类对引力、温度梯度和其他一切物理现象得来不易的理解，将被搁置一边。这对许多科学家来说在哲学上是难以接受的，也意味着最终的模型可能不是很灵活:在海洋气候方面训练人工智能系统，并把它放在喜马拉雅山上，它可能会给出无意义的结果。O 'Gorman的研究结果表明，他的人工智能能够适应较冷的气候，但不能适应较暖的气候。而“云大脑”在接受训练之外的场景时往往会感到困惑，比如一个温暖得多的世界。普里查德说:“这种模式就会爆炸。”“现在情况有点微妙。”关于深度学习的另一个令人不安的问题是，它并不透明地解释为什么它在做它正在做的事情，或者为什么它会得到它所做的结果。“基本上，这是一个黑匣子; you push a bunch of numbers in one end and a bunch of numbers come out the other end,” says Philip Rasch, chief climate scientist at the Pacific Northwest National Laboratory. “You don’t know why it’s producing the answers it’s producing.”
加州理工学院的塔皮奥·施耐德说:“最后，我们想预测一些没有人观察到的东西。”“这对深度学习来说很难。”出于这些原因，施耐德和他的团队采取了不同的方法。他坚持使用基于物理的模型，并使用机器学习的一个更简单的变体来帮助调整模型。他还计划使用气温、降水等真实数据作为训练数据集。“这比模型数据更有限，”他说。“但希望当气候变化时，我们能得到一些更能预测现实的东西。”施耐德资助充足的研究项目气候的机器该项目于今年夏天公布，但至今尚未建成。目前还没有人知道这一策略会有什么结果。
使用云数据的组合，例如这种卫星观察南美洲的热带风暴，以及“机器学习”可以帮助微调气候模型。NASA/戈达德太空飞行中心/科学可视化工作室
这些模型在预测未来气候方面的实用性是最大的不确定性。“这是房间里的大象，”普里查德说，他仍然对自己能做到保持乐观，但也承认我们只能等着瞧了。兰德尔正饶有兴趣地旁观事态的发展，他也充满希望。“我们还没到那个地步，”他说，“但我相信它会非常有用。”
杜克大学(Duke University)的气候科学家德鲁·辛德尔(Drew Schindell)本人并没有从事机器学习方面的工作，他对此表示赞同。“所有这些事情的困难在于，我们不知道对短期气候很重要的物理过程，与对长期气候变化很重要的过程是相同的，”他说。换句话说，用短期数据训练人工智能系统，它可能无法做出正确的长期预测。“不过，”他补充说，“这是一项很好的努力，也是一件值得做的事情。”几乎可以肯定的是，它将允许我们改进粗网格模型。”
在所有这些努力中，深度学习可能是解决气候图中我们不理解物理。普里查德指出，目前还没有人设计出海洋中的微生物如何进入碳循环进而影响气候变化的方程式。因此，由于没有规则手册，人工智能可能是最有希望的发展方向。“如果你谦恭地承认这超出了我们的物理学范围，那么深度学习就会变得非常有吸引力，”普里查德说。
布雷瑟顿做出了一个乐观的预测，在大约三年内，一个主要的气候建模中心将会引入机器学习。如果他的预测获得成功，全球尺度的模型将能够更好地关注细节——包括头顶上的云。这将意味着我们对未来气候有更清晰的认识。
