麻省理工学院团队提出一套全新方案，依靠算法自动生成、迭代优化合成排放场景，用来训练作为气候模拟器的 AI 替代模型，解决传统方式依赖少数现实排放路径、算力消耗巨大、遇到陌生排放政策时预测容易失效的痛点；过去科研人员一般使用六到八套标准社会经济排放路径，跑完整地球系统模型产出训练数据，单条情景就要在超算上耗费数月，而且这些真实导向的情景多样性不足，AI 学到的规律比较局限，很难应对现实里突发、非常规的减排或者增排路线，这套优化合成场景方法不在乎排放路径是否贴近现实，优先追求数据在物理维度的丰富度，只用少量合成样本，就能让 AI 气候预测模型分辨温室气体、气溶胶等不同强迫因子带来的气候响应，就算碰到训练集里完全没有见过的排放组合，预测稳健度也明显高于传统训练方案，相关成果已经刊发在《美国国家科学院院刊》，后续可以用来快速评估各类气候政策、极端排放路径对应的全球温升、降水变化。
新旧训练方案对比
| 项目 | 传统标准情景训练 | 优化合成排放场景训练 |
|---|---|---|
| 训练数据源 | ScenarioMIP 等预设现实排放路径，一般 6～8 组 | 算法迭代生成的合成排放轨迹 |
| 需要运行完整 ESM 次数 | 6～8 次 | 最低只需要一次 |
| 单条 ESM 耗时 | 数月（超算集群） | 大幅减少总计算量 |
| 泛化特点 | 在熟悉路径表现稳定，陌生外推场景容易出错 | 对未见过的排放路径预测能力更强 |
| 目标 | 贴近现实未来走向 | 最大化 AI 气候预测模型预测能力 |
| 推理速度 | 几秒（AI 模拟器本身） | 几秒 |
合成排放场景生成核心逻辑
整套方案以最优试验设计思路搭建，依靠可微分简易气候模型 FaIR，计算 AI 预测误差对于排放轨迹扰动的敏感度，反复调整、更新合成排放序列，持续压低模型整体预测误差。
- 算法会主动构造一些现实中几乎不会出现的排放组合，目的是覆盖更多气候响应模式。
- 不需要单独针对每一类强迫因子做隔离试验，模型可以自主区分二氧化碳、其他温室气体、气溶胶各自带来的影响。
- 生成完成之后，再送入中等复杂度气候模型或者 MIT 地球系统模型，产出配套气候结果，形成训练配对数据集。
AI 气候模拟器可输出的预测内容
- 全球平均温升时序预测：不同排放路径下，到本世纪中叶、世纪末的温度变化
- 降水格局变动预估：全球与重点区域干湿变化趋势
- 不同强迫因子贡献拆分：区分长寿命温室气体、短期污染物各自贡献
- 政策快速对比：快速试算上千套不同碳税、能源转型方案对应的气候结果
- 不确定性区间估算：给出预测结果的可信波动范围
完整训练与使用流程
- 设定目标，确定希望 AI 气候预测模型重点捕捉的气候响应指标与误差目标。
- 启动优化算法，从零迭代生成一批合成排放场景，持续调整轨迹，提升潜在训练增益。
- 将最终筛选出来的合成排放场景送入地球系统模型，算出对应的气候模拟结果。
- 使用这套 “合成排放 — 气候响应” 配对数据，训练 AI 气候模拟器。
- 用一批不在训练集中的非常规排放路径做测试，校验模型外推预测能力。
- 在后续政策研究中，直接输入任意自定义排放路线，AI 在数秒输出气候预测。
- 如果需要更高可信度，关键结果再交由高精度地球系统模型复核。
当前研究优势
- 算力减负明显：把必须跑的昂贵全尺度气候模拟次数压缩，降低气候 AI 的科研门槛。
- 泛化能力更强：不再被过去固定的少数排放叙事束缚，适合评估激进减排、意外排放等少见情景。
- 样本效率更高：少量高质量合成场景，效果超过数量更多的传统标准情景。
- 适配政策评估：科研团队和政策制定者可以快速扫描大量干预方案，而不用排队占用超算资源。
现存局限
- 合成排放场景本身是数学优化产物，很多轨迹没有现实政策可行性，不能直接当成未来预测。
- 如果基础简易气候模型本身存在系统性偏差，会顺着优化流程传递到最终 AI 气候预测模型。
- 当前验证主要集中在全球平均指标，区域尺度、极端天气事件的预测提升还需要更多验证。
- 这套 AI 模拟器依旧属于替代近似工具，重大评估结论不能完全替代高精度地球系统模型。
【常见问题】
问题 1：使用合成排放场景优化训练人工智能气候预测模型，为什么要生成现实不太可能出现的排放路径？
回答 1：使用合成排放场景优化训练人工智能气候预测模型，算法优先追求数据多样性，这些非常规排放轨迹可以帮助模型学到更底层的气候物理响应，提升它面对陌生排放政策时的预测能力。
问题 2：依托合成排放场景优化训练人工智能气候预测模型，相比传统方式可以减少多少次大型气候模拟？
回答 2：依托合成排放场景优化训练人工智能气候预测模型，可以把传统方案需要的六至八次完整地球系统模拟，压缩到最低一次，显著削减超算消耗。
问题 3：采用合成排放场景优化训练人工智能气候预测模型，这套 AI 是否可以直接替代高精度地球系统模型？
回答 3：采用合成排放场景优化训练人工智能气候预测模型得到的是快速模拟器，适合大批量筛查、对比情景；重要结论仍然需要高精度地球系统模型复核，无法完全替代。
问题 4：通过合成排放场景优化训练人工智能气候预测模型，这项研究的核心价值是什么？
回答 4：通过合成排放场景优化训练人工智能气候预测模型，核心价值是用更低算力打造泛化更强的气候 AI，方便研究者快速评估海量不同排放、减排方案带来的长期气候影响。
【参考资料】
[2026-11-13（MIT 新技术大幅加速气候预测 AI 模型训练效率）] 澎湃新闻
[2026-11-12（New research could lead to faster, trustworthy AI models for climate prediction）] MIT News
[2026-11-12（MIT Researchers Develop Synthetic Training Method for Faster, Adaptable Climate Emulators）]
[2026-06-17（Optimal scenario design for climate emulation）] arXiv
【免责声明】
本内容仅为公开学术研究信息整理，不构成气候政策或者气候风险研判定论；依靠合成排放场景优化训练的人工智能气候预测模型仍处在科研验证阶段，预测结果存在固有不确定性，所有气候评估、政策决策请参考 IPCC 以及各国官方气候机构综合研判。