全球变暖难逆转，斯坦福团队用AI预测最高温变化，破纪录可能性达90%

近年来，在全球持续变暖等大背景下，我们见证了一系列罕见的极端气候事件，它们似乎在无声地宣告着我们所处时代面临的严峻挑战。2024 年，这个即将落幕的年份，也为我们呈现了一幕幕惊人的景象：撒哈拉沙漠遭遇了数十年难遇的洪水，美国的「世纪飓风」成为近 20 年来夺走最多生命的飓风，欧洲的暴雨引发了数十年来最严重的洪灾，而拉丁美洲则遭受了历史性干旱。

流浪地球中有一句著名的台词：「最初，没有人在意这场灾难，这不过是一场山火，一次旱灾，一个物种的灭绝，一座城市的消失。直到这场灾难和每个人息息相关。」随着全球气候的持续变暖和极端天气事件的频繁发生，一个不容忽视的问题浮现在我们面前：这一切问题背后的原因是什么？普遍的共识指向了人类工业化活动，特别是自工业革命以来，人类活动导致的碳排放量激增，被认为是全球气候变暖的主要推手。但是，工业化对全球变暖的具体影响究竟有多大？如果按照当前的趋势发展下去，地球的气温将如何继续变化？这些问题，随着人工智能技术的不断进步，正在被逐渐揭开面纱。

近期，斯坦福大学、科罗拉多州立大学与苏黎世联邦理工学院的联合研究团队分别在 Geophysical Research Letters 和 Environmental Research Letters 期刊上发布了两篇论文。他们通过训练先进的人工智能卷积神经网络系统，利用大量气候模型模拟温度和温室气体数据，得出了一系列预测结果：即便我们能够实现快速减排，全球平均气温可能比截至目前最热的 2023 年还高出 0.5 °C，这种可能性高达 90%。更令人担忧的是，该模型还预测，如果碳排放量继续增长，到 2060 年，全球绝大多数地区的温度预计将比 2023 年还要高出 1.5 摄氏度。

第一篇论文：
论文题目：Data-Driven Predictions of Peak Warming Under Rapid Decarbonization
论文链接：

https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2024...

第二篇论文：
论文题目：Combining climate models and observations to predict the time remaining until regional warming thresholds are reached
论文链接：

https://iopscience.iop.org/article/10.1088/1748-9326/ad91ca

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读，并提供海量数据集与工具：

https://github.com/hyperai/awesome-ai4s

基于 CMIP6 数据集的不同升温情景，训练特定任务的多样化 CNN 模型

两篇论文虽然都基于 CMIP6 的多个全球气候模型 (GCMs) 和卷积神经网络 (CNN) 模型，并且使用了相似的数据集，但它们根据不同的研究目标，在数据集的选择和 CNN 模型的架构上有所区别。

第一篇论文的目标是预测在实现脱碳目标的情况下全球变暖的峰值。为此，研究者训练了多个 CNN 模型，并从中选择了最优模型。研究结果表明，在快速脱碳期间，全球热年可能导致极端局部气候条件的风险相当大。

第二篇论文则旨在预测在当前排放趋势下，21 世纪全球不同地区的全球变暖情况。鉴于现实情况的复杂性，研究者选择了不同条件下的 GCMs，并采用了迁移学习的方法，将一系列气候模型预测与观测数据相结合。这种方法最终能够基于当前气候状况，对未来的温度变化做出更为精确的预测。

具体来看，在数据集构建方面，为了训练 CNN 以识别多种脱碳路径，第一篇论文中，研究人员汇集了来自国际耦合模式比较计划 (CMIP6) 的多个全球气候模型 (GCMs) 在脱碳情景下的数据，如 SSP1-1.9、SSP1-2.6 和 SSP2-4.5 等。为了确保异常气候的准确捕捉，研究团队纳入了至少有 5 个实现版本的 GCMs，以平衡不同 GCMs 的影响。

第二篇论文则专注于更精确地模拟年平均温度异常，选择了 SSP3-7.0 情景下 CMIP6 中至少有 10 个实现版本的 GCMs。研究团队从中挑选了 7 个用于训练 CNN，2 个用于验证，1 个用于测试。他们同样将年平均温度异常重新网格化到 2.5°×2.5° 的网格，并计算每个网格点相对于 1951-1980 年的气候平均异常。

在 CNN 结构和训练方法上，两篇论文也展现出显著差异。 第一篇论文通过 CNN 处理年度平均近表面温度图和剩余累积二氧化碳排放量，为每个输入预测了一个 SHASH 分布的剩余变暖，并训练了 15 个以上不同随机种子的 CNN，从中择优用以预测至 2100 年的峰值变暖情况。

相比之下，第二篇论文为每个区域独立训练 CNN。研究人员在伯克利观测数据上应用迁移学习，对在气候模型数据上训练的 CNN（基础-CNN）进行微调，以产生与观测数据更一致的新 CNN（迁移-CNN）。一旦基础-CNN 和迁移-CNN 成功训练，研究团队便根据伯克利观测结果对全球地图进行预测，并将 2023 年伯克利年度平均温度异常值及期望阈值输入 CNN 中。

第二篇论文中的 CNN 模型架构

全球普遍面临变暖挑战，快速脱碳也无法逆转升温趋势

在研究细节上，第一篇论文首先验证了不同历史时期预测框架的准确性。研究人员通过在 CMIP6 历史模拟数据上训练 CNN，并与 NASA 和伯克利地球的数据进行对比。如图 E-F 所示，CNN 预测的峰值变暖时间序列对初始化年份表现出高度的稳健性，且基于观测数据的 CNN 预测结果的不确定性远低于基于 GCM 模拟数据的 CNN。

对未来气候的峰值预测

预测结果进一步表明，即便实现了快速脱碳，气候变化的影响可能比人类和生态系统迄今为止所经历的更为严重。截至 2023 年末，人类活动导致的气候变化可能已经使全球气候变暖约 1.5℃。即使在最雄心勃勃的脱碳情景下，全球年平均气温「几乎可以肯定」会超过 2023 年的数据，并且有一半的可能性上升 2℃。即便在本世纪中叶达到净零二氧化碳排放，也很有可能在个别年份出现比 2023 年创纪录的全球异常温度还要至少高出 0.5℃。

第二篇论文则针对碳排放持续增加的情况进行了预测。研究结果揭示了一个严峻的事实：即使采取最激进的减排措施，全球变暖的趋势仍难以完全逆转，热浪、强降水和干旱等极端气候事件的加剧无法完全避免。此外，如果当前的碳排放水平不发生变化，那么到 2040 年，全球多数地区将极有可能面临超过 2.0°C 的区域性变暖。 这一预测强调了全球变暖问题的紧迫性，表明即使在最乐观的减排情景下，全球变暖的影响仍然是不可避免的，而碳排放的持续增加将使得情况更加严峻。

如下图所示，研究发现，对于 1.5°C 的阈值，所有主要预测区域都将在 2040 年或更早达到。对于 2.0°C 的阈值，绝大多数区域将在 2040 年前达到，而全球所有区域最迟不晚于 2060 年。对于 3.0°C 的阈值，除一个区域外，全球其他区域最迟不晚于 2070 年将达到。

对各区域超过 1.5°C、2.0°C 和 3.0°C 阈值的预测

专注可持续发展与地球科学研究

值得一提的是，本文研究的关键人物之一，Noah Diffenbaugh 教授所在的杜尔可持续发展学院 (Doerr School of Sustainability) 背景显赫。2022 年 5 月，硅谷亿万富翁投资人约翰·杜尔 (John Doerr) 向斯坦福大学捐赠了 11 亿美元，用于创建杜尔可持续发展学院，作为硅谷科技巨头的投资者，杜尔也是可持续技术发展的坚定支持者，他通过投资零排放技术并发表演讲，鼓励企业采纳清洁能源技术以应对全球变暖问题。

在成立仅两年的时间里，杜尔可持续发展学院已经取得了一系列研究成果。除了本文讨论的两篇成果外，学院还启动了 Mineral-X 附属计划，旨在利用人工智能技术定位关键矿藏，构建有弹性的矿产供应链，以支持清洁可再生能源的发展。此外，学院还利用 AI 技术开展了二氧化碳零排放监测、热浪变化与全球变暖、气候变化对人类疾病影响等多项研究。

作为本文中两项研究的作者，Noah Diffenbaugh 教授是一名长期关注全球气候问题的科学家。在 AI 技术浪潮兴起之前，Diffenbaugh 教授已于 2019 年 4 月 22 日在《美国国家科学院院刊》(Proceedings of the National Academy of Sciences) 发表了一项引人注目的研究结果，指出：「在一项全球变暖对社会贫富差距影响的研究中发现，与全球变暖前相比，大多数贫穷国家变得更穷，而大多数富裕国家则变得更富裕。」

随着 AI 技术的革命性影响，Diffenbaugh 教授也紧跟 AI 在 AI4S 领域的应用。在 2023 年 1 月出版的《美国国家科学院院刊》(National Academy of Sciences)上，他指出，自前工业时代或 19 世纪中期以来，全球气温已经上升了 1.1 或 1.2 摄氏度，人工智能预测地球将在 2033 年和 2035 年之间超过升温 1.5 摄氏度的阈值。然而，联合国的数据显示，2023 年的全球气温已经突破 1.5 摄氏度，全球气温上升的幅度已经超出了预期。

除了 Diffenbaugh 教授的工作外，AI 在预测全球气候变暖领域的应用已经变得非常广泛。例如，今年 7 月， Google Research 研究团队开发的人工智能模型 NeuralGCM，将天气预测和气候模拟提升到了一个新的高度。NeuralGCM 在长期气候预测方面表现出色。其 40 年气候预测模拟结果，与从 ECMWF 数据展示的全球变暖趋势一致。

在 AI 技术的不断进步下，我们有理由相信，气象预测的速度和精度将会进一步加速。