2026-02-25 13:08
扫码打开虎嗅APP
本文来自微信公众号： 生态学时空 ，作者：复旦赵斌，原文标题：《【AI气候预测】对决气候变化：基础模型如何成为地球守护新工具？| 一起读顶刊-2026》
极端天气正变得越来越不守规矩：北极冰盖加速融化、暴雨洪涝连年刷新纪录、热浪旱灾轮番肆虐。应对气候变化这个全球难题，传统方法要么依赖复杂的物理模型（超级计算机跑几天才出结果），要么受限于数据碎片化，难以及时捕捉气候系统的复杂变化。
而人工智能领域的全能学霸——基础模型（FMs），正在带来新的破局思路。它不像传统AI那样专精一项，而是先通过海量数据学会地球系统的通用规，再快速适配气候变化相关的各类任务。这种举一反三的能力，让它成为气候变化减缓与适应的潜在利器。
一、什么是基础模型？
简单说，基础模型是AI领域的全能型选手，核心逻辑是先学通用，再精专项：
第一步打底子：在海量无标签数据（包括文本、图像、卫星数据等）上训练，学会处理复杂问题的通用能力——比如理解气候数据的关联、识别环境变化的模式，就像学霸先吃透课本里的通用知识；
第二步补短板：针对具体任务（比如预测台风路径、分析碳排放），用少量专项数据“微调”，不用从头训练，就能快速上手，效率比传统AI高几十倍。
它的关键优势是迁移学习——把从A任务学到的知识用到B任务。比如先学会分析卫星图像，再微调就能监测森林碳汇；先掌握气候数据规律，再适配就能预测区域洪水风险。这种特性，刚好契合气候变化研究数据杂、任务多、需求急的特点。
二、基础模型如何帮地球抗暖？
基础模型不是空谈概念，而是能实实在在落地到气候变化的关键环节，解决核心痛点：
1.气候数据分析：从数据海洋里捞关键信息
气候变化研究面临数据爆炸——卫星观测、地面监测、模拟数据动辄以PB级计算，传统方法筛选有效信息像大海捞针。基础模型能快速处理这些异质数据：
整合温度记录、大气成分、卫星影像等多源数据，识别隐藏规律（比如CO₂排放与区域温度上升的复杂关联）；
精准提取关键指标，比如通过植被指数（NDVI）预测森林扩散，或监测冰川融化速度，比传统数据分析快上百倍。
2.未来情景建模：提前推演气候风险
想制定减排政策，得先知道未来可能变怎样。传统物理模型虽准，但计算成本极高，而基础模型能：
基于海量历史和模拟数据，快速生成不同排放情景下的长期气候预测（比如2℃升温下全球降水变化）；
提升预测分辨率，从全球尺度细化到区域，比如精准预判某城市未来10年的洪涝风险，为城市规划提供依据。
3.风险评估：给脆弱区域画风险地图
气候变化的影响不是均匀的，有的地方易遭洪水，有的地方难逃旱灾。基础模型能：
跨部门、跨区域评估风险，比如分析某地区农业生产受干旱影响的程度，或基础设施在海平面上升下的脆弱性；
结合社会经济数据，识别最需要优先保护的群体和区域，让气候适应资源用在刀刃上。
4.决策支持：给政策和行动出实招
应对气候变化，最怕拍脑袋决策。基础模型能提供基于证据的洞见：
给企业出减碳方案，比如优化工厂能耗、设计碳抵消项目；
给政府提政策建议，比如制定碳排放目标、规划防灾减灾工程；
还能通过可视化工具，把复杂的气候数据变成普通人能懂的图表，提升公众对气候变化的认知和参与度。
三、企业实战：全球科技巨头如何用基础模型行动？
基础模型不是实验室里的空想，谷歌、IBM、微软等企业已联合科研机构，推出实打实的应用案例：
这些案例的核心逻辑都是公私合作——科技企业提供技术和算力，科研机构和政府提供数据和场景，让基础模型快速落地到实际需求中。
四、不能忽视的三大挑战
基础模型再强大，也逃不开技术和伦理的枷锁，这也是它走向广泛应用的关键门槛：
1.数据偏见与黑箱难题
基础模型的本事全靠训练数据，如果数据里藏着偏见（比如某区域观测数据缺失），预测结果就会偏心；而且它的决策过程是黑箱，出了错误很难追溯原因——比如误判某地区洪水风险，可能导致防灾资源错配。
2.高能耗与环境代价
训练基础模型需要海量算力，背后是巨额能源消耗和碳排放。有研究显示，训练一个大型基础模型的碳足迹，相当于一辆汽车行驶几十万公里——用AI应对气候变化，自己却在添碳，这是必须解决的矛盾。
3.伦理与公平性风险
能开发基础模型的多是少数科技巨头，可能导致技术垄断，让发展中国家难以获取先进的气候预测工具，加剧全球气候治理的不平等；更有甚者，模型可能被滥用，比如生成虚假气候数据，干扰减碳行动。
应对气候变化，AI是工具，责任在人类
基础模型给应对气候变化提供了新的可能性，但它终究是技术工具。真正能改变地球命运的，还是人类的选择——是继续依赖高排放模式，还是主动用技术赋能减碳行动？
从优化交通灯减碳，到精准预测极端天气，基础模型的价值，在于让气候行动更高效、更精准。而我们每个人的参与，比如践行低碳生活、支持气候友好政策，才是这些技术发挥作用的前提。
科技向善，气候变化面前，没有旁观者。当AI的“聪明才智”遇上人类的“共同坚守”，我们才有底气守护这个赖以生存的蓝色星球。
图1：基础模型的万能密码——多数据输入+多任务输出
图1核心是展示基础模型（FM）的多才多艺源于它的宽口径学习+灵活适配，就像一个万能工具箱，能处理多种原材料，完成多种活儿：
1.左侧：输入的“数据原材料”（多维度数据）
基础模型不挑食材，能吸收多种类型的数据，文章里提到的核心数据维度包括：
文本数据：比如气候报告、科研论文、政策文件；
语音数据：比如气象观测站的语音记录、现场勘查录音；
还有文章没明说但隐含的图像/卫星数据（比如卫星拍的地球植被、海冰图像）——这些数据覆盖了气候变化研究的核心信息来源，不管是文字记录还是观测数据，它都能消化。
2.右侧：输出的任务成果（多类型任务）
吸收完数据后，它能完成多种气候变化相关任务，文章重点提到：
信息提取：从海量数据中抓关键（比如从卫星图里提取海冰面积变化）；
分析：找数据里的规律（比如CO₂排放和气温上升的关联）；
其他延伸任务：比如语言处理（把复杂气候报告翻译成通俗内容）、图像识别（识别热浪对植被的破坏）。
3.中间：核心流程（训练+适配）
这是FM的魔法关键：先通过海量数据全面训练（相当于把所有原材料混在一起学通用规律），再通过适配（微调）针对具体任务优化——不用重新训练，就能快速切换任务，比如先学完气候数据规律，微调一下就能做台风路径分析，再微调就能做空气质量预测，这就是文章说的迁移学习能力。
简单总结图1：基础模型是不挑食的多面手，能吃进多种数据，学会通用规律后，稍作调整就能搞定气候变化相关的多种任务。
图2：基础模型的工作流水线——从数据到应用的5步走
从raw数据到解决实际问题的完整步骤，这是基于Bommasani等人的研究，核心是层层递进、少走弯路：
步骤1：数据创建（DATA CREATION）——收集原材料
由人类完成，就是收集所有和气候变化相关的数据：比如卫星观测数据、地面温度记录、碳排放统计、自然灾害报告等，相当于把所有能用的素材都找过来，不挑数据类型，越多越杂越好（对应文章里FM的规模效应）。
步骤2：数据整理（DATA CURATION）——筛选好食材
把收集来的原材料筛选、分类、加工：比如剔除错误数据、统一数据格式、按主题分类（比如分成气温数据、排放数据），避免垃圾数据进，垃圾结果出，这一步是保证模型靠谱的基础（文章里提到数据整理的稳健性是FM的挑战之一）。
步骤3：模型训练（TRAINING）——学习通用规律
把整理好的数据喂给模型，让它学习气候变化的底层规律：比如碳排放增加→气温上升、海洋温度升高→台风强度增强，这一步不针对任何具体任务，只学通用逻辑，相当于让模型吃透气候变化的基本原理（对应文章里FM的预训练阶段）。
步骤4：任务适配（ADAPTATION）——针对性练技能
根据具体需求微调模型：比如想让它做洪水风险评估，就用少量洪水相关数据微调；想让它做森林碳汇监测，就用森林相关数据优化，这一步成本低、速度快（文章说微调比重新训练省资源），体现了FM的灵活性。
步骤5：社会部署（DEPLOYMENT）——实际解决问题
把适配好的模型投入实际应用：比如给政府提供减排政策建议、给农民提供气候适应性种植指导、给公众科普气候变化影响，这一步是模型落地发挥价值的关键，对应文章里FM支持决策、提升公众意识的作用。
简单总结图2：基础模型的工作流程是收集→整理→学通用→练专项→用起来，每一步都为了让它既灵活又靠谱，能快速适配气候变化的各种实际需求。
图3：基础模型应对气候变化的核心地图——5大关键方向
1.基础模型整合（Integration of Foundation Models）——跨领域借本事
基础模型原本在医疗、商业等领域已经能用，现在把它“借到”气候变化领域，相当于“让万能工具箱专门解决气候问题”。文章说这是“先进AI方法的新应用”，比如把医疗领域分析图像的能力，用到分析卫星拍的冰川融化图上。
2.迁移学习与规模效应（Transfer Learning and Scale）——举一反三省力气
这是FM的核心优势：通过迁移学习，学完一个领域的规律（比如学完大西洋台风数据），能用到另一个领域（比如太平洋台风预测）；再加上规模效应（数据多、模型大），能高效处理海量气候数据、模拟多种情景、评估风险、支持决策——文章说这解决了气候变化研究数据杂、任务多的难题。
3.多方面应用（Multifaceted Applications）——气候问题多面手
FM在气候变化中能当全能助手，具体做三件事：
数据分析：处理卫星、观测站的海量数据，找隐藏规律；
气候建模：模拟未来气候情景（比如2℃升温下的降水变化）；
风险评估+决策支持：评估洪水、干旱风险，给政策制定者、企业提建议；
还有额外技能：通过可视化、通俗解释，让公众看懂气候变化（比如把复杂的碳循环模型变成动画）。
4.伦理挑战（Addressing Challenges and Ethical Considerations）——做事要避坑
FM不是完美的，要警惕三个坑：
偏见：训练数据有偏差（比如某地区数据少），模型预测就会偏心；
隐私：数据里可能有敏感信息（比如企业碳排放机密），容易泄露；
滥用风险：可能被用来生成虚假气候数据，误导公众或政策。文章强调要通过跨学科合作（气象学家+伦理学家+政策制定者）规避这些问题，确保模型向善。
5.环境可持续性（Focus on Environmental Sustainability）——自身也要减碳
FM的副作用是能耗高（训练一次的碳足迹相当于汽车开几十万公里），所以文章强调要自身减碳：比如用可再生能源训练、优化模型算法降低能耗，避免用AI应对气候变化，自己却在添碳——这是FM能长期发挥作用的关键。
总结图3：基础模型应对气候变化的核心是借本事+举一反三+多面手+避坑+自身减碳，既发挥AI的效率优势，又不忽视伦理和环境风险，是“高效且负责任”的解决方案。
三个图的逻辑关联
图1讲FM是什么（多能”，图2讲FM怎么工作（流程），图3讲FM在气候领域做什么+注意什么（应用+风险），三者层层递进：先懂FM的本质，再懂它的工作方式，最后懂它在气候变化中的实际价值和避坑要点，完整勾勒出基础模型助力应对气候变化的核心逻辑。
解读文献：
https://doi.org/10.1186/s12302-025-01153-2
