CCC 在今年的 AAAS 年會上支持了三場科學會議，如果您無法親自參加，我們將回顧每場會議。本週，我們將總結本屆會議的亮點，“科學中的生成人工智慧：前景與陷阱」。在第三部分中，我們總結了史克里普斯海洋學研究所和加州大學聖地牙哥分校 Halıcıoğlu 資料科學研究所助理教授 Duncan Watson-Parris 博士的演講。
在 Markus Buehler 博士關於機械生物學中的生成式 AI 的演講之後，Watson-Parris 博士將觀眾的注意力轉向了生成式 AI 在氣候科學中的應用。他首先概述了氣候和天氣之間的差異。天氣是指短期大氣條件，而氣候則描述長期大氣條件。簡而言之，氣候就是你所期望的，天氣就是你得到的。 “氣候建模的最大問題之一，”沃森-帕里斯說，“我們只有開始進行氣候測量時的最新數據。”創建預測未來氣候模式和天氣事件的準確模型尤其困難，因為在這些事件發生之前我們無法驗證現實世界的結果。然而，對於短期預測，例如未來三天的天氣預報，我們可以輕鬆驗證這些模型的準確性。
產業天氣模型已經非常準確。這些模型的準確度與國家天氣預報模型的短期估計（約 3-7 天的預測）一樣準確。然而，天氣預報的最大問題之一是對初始天氣條件進行採樣。正如威利特博士在演講中指出的那樣，起始條件的細微差別可能會產生截然不同的結果。沃森-帕里斯博士說，這在天氣模擬中確實如此，它可以對現實世界產生重要的影響。如下圖所示的天氣模式於 2017 年在加州和俄勒岡州地區引入了一條大氣河，產生大量降雨，導致奧羅維爾大壩決堤，造成數百萬美元的損失。這個事件很難預測，因為它是一個極端事件，一個異常值。機器學習預測使我們能夠進行更大量的採樣來預測更多的極端天氣事件，使我們能夠更好地做好準備。
沃森-帕里斯博士解釋說，當研究人員考慮氣候系統時，透過觀察更大的尺度和更長的時間段，最終他們會看到平均雲在季節中的樣子，並且可以查看系統的統計數據。這些統計數據受地球系統的邊界條件——傳入和傳出的能量數量的控制。當問題以這種方式建構時，我們可以平均預測雲在季節中的位置，並且有機會使用機器學習來改進和探索這些不同的預測。氣候模型的任務之一是進行預測——了解未來氣候在不同人類影響下將如何變化。這些旨在探索可能的未來。為此，研究人員為社會未來的行為方式提供了更合理的社會經濟路徑。
下面是沃森-帕里斯博士展示的圖像，它描繪了未來社會可能走向的一些可能的路徑，這些路徑需要在這些氣候模型中考慮。左邊是一個永續發展模型，到本世紀末，該模型將氣候強迫（人類對系統造成的暖化程度）保持在較低水平。另一方面，右側的化石燃料開發情境是一種最糟的情況。這是人類到達 2100 年的方式的一個非常稀疏的樣本。
在實踐中，當決定氣候情境並與想要了解其決策影響的決策者溝通時，研究人員會訓練簡單的氣候模型模擬器。這些模擬器考慮了對不同排放量（例如二氧化碳和甲烷）以及短期氣候力量（例如黑碳和硫酸鹽）的預測，研究人員可以根據訓練資料模擬這些氣候模型的反應。 “我們可以擬合或多或少複雜的全球平均溫度對這些排放的反應模型”，沃森-帕里斯說。 「這些模型運作得相當好，因為科學家對基礎物理學有很好的理解。但沒有人生活在全球平均溫度下，我們對所有這些變化的感受都會有所不同，因此為了了解區域變化，科學家們採用全球平均溫度並將模式變化擴展到區域情況。這些模型運作良好，但它們失去了這些排放可能對當地產生的影響。例如，尤其是黑碳，主要在南亞排放，其影響將主要在南亞感受到。”
如果這個問題是在回歸設定中建構的，我們就會看到機器學習的機會。 「作為 氣候長凳 「我們在一年前寫的論文中，」沃森-帕里斯博士說，「我們說我們可以獲得溫室氣體的排放量和濃度以及硫酸鹽和黑碳的排放圖，並將它們直接回歸到氣候模型中以進行預測。我們也不必將自己限制在溫度上，我們可以考慮降水和其他變數。透過這種方式，我們可以建立氣候模型的模擬器，預測氣候模型在給定量的二氧化碳排放下會產生什麼結果，並允許我們在筆記型電腦而不是超級電腦上運行這些模型。”
隨後，沃森-帕里斯博士展示了在受阻的中間氣候政策情景中全球溫度反應的 3 種不同實現的圖像。前兩列是機器學習模擬器，第三列是在超級電腦上花費一周時間進行的完全複雜的氣候模型模擬。 「這些模型的結果幾乎沒有區別，」沃森-帕里斯說。這些氣候模型在準確預測這種暖化模式方面做得非常好。他們甚至在預測降水模式方面做得很好。這些模型提高了可及性和參與度，並允許較小的組織和政策制定者參與氣候預測和探索，而無需大量資金或基礎設施。
這些模型不是生成式人工智慧，它們是直接回歸模型，給定的輸入將始終返回相同的結果。然而，今天正在探索使用生成模型和擴散模型來利用天氣的機率分佈來產生天氣狀態的機會。研究人員正在使用這些模型來預測未來的氣候和天氣模式，考慮到不同的氣候強迫情境。沃森-帕里斯博士說：「困難仍然存在，因為仍然沒有『基本事實』來驗證預測，我們仍然需要弄清楚如何校準統計模型，但這就是氣候預測的未來，我我樂觀地認為，這些工具將增加對氣候科學未來的可及性、參與度和理解。”
感謝您的閱讀，明天請繼續關注本部落格系列的最後一篇文章，總結本小組的問答部分。
- SEO 支持的內容和 PR 分發。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 賦予自己力量。 訪問這裡。
- 柏拉圖愛流。 Web3 智能。 知識放大。 訪問這裡。
- 柏拉圖ESG。 碳， 清潔科技, 能源， 環境， 太陽能， 廢物管理。 訪問這裡。
- 柏拉圖健康。 生物技術和臨床試驗情報。 訪問這裡。
- 資源： https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
