MIT研究：簡單模型勝過深度學習預測氣候變化

簡單模型在氣候預測上勝過深度學習？MIT最新研究揭示AI預測氣候的挑戰

環境科學家愈來愈多使用龐大的人工智能（AI）模型去預測天氣及氣候變化，但麻省理工學院（MIT）最新研究指出，模型越大未必越準確。研究團隊發現，在某些氣候情境下，基於物理原理的簡單模型在預測當地氣溫及降雨量方面，竟然比最先進的深度學習模型更準確。

他們的分析亦揭示，現時用來評估氣候預測機器學習方法的基準測試，會因氣候數據中的自然變異性（例如氣候模式波動）而失真，令深度學習模型看似比實際更準確。為此，研究人員開發了一套更穩健的評估方法，結果顯示：簡單模型在估計區域表面溫度時較精準，但深度學習在估算局部降雨量時，則可能是更佳選擇。

基於此成果，團隊將簡單模型整合進一個稱為「氣候模擬器」的平台，能快速模擬人類活動對未來氣候的影響，為政策決策者提供參考。

研究負責人之一、MIT數據、系統與社會學院及地球、大氣與行星科學系教授Noelle Selin表示，這項研究是對使用大型AI模型於氣候科學領域的一個「警示」。儘管深度學習在自然語言處理等領域表現卓越，但氣候科學有一套已被驗證的物理定律和近似方法，挑戰在於如何將這些知識融入AI模型中。

Selin強調：「我們希望開發出對決策者有用且相關的模型，幫助他們制定氣候政策。雖然使用最新大型機器學習模型很吸引，但這研究顯示，退一步從根本問題出發思考，才是關鍵。」

研究團隊還包括前EAPS博士後Björn Lütjens（現任IBM研究科學家）、EAPS海洋學教授及MIT大氣海洋氣候計劃主任Raffaele Ferrari，以及加州大學聖地牙哥分校助理教授Duncan Watson-Parris。Selin及Ferrari同時是「將計算引入氣候挑戰」計劃的共同首席研究員，相關論文發表於《地球系統建模進展期刊》。

比較氣候模擬器：簡單方法勝過深度學習？

由於地球氣候極度複雜，運行最先進氣候模型預測污染對溫度等環境因素影響，可能需時數週，耗費超級電腦大量資源。科學家通常會開發「氣候模擬器」——即簡化版的氣候模型，運算速度更快，方便政策制定者以不同溫室氣體排放假設預測未來氣溫，幫助制定規管。

但若模擬器預測地方氣候變化不準確，便失去實用價值。儘管深度學習在模擬方面日益流行，但鮮有研究比較其與傳統方法的實際表現。

MIT團隊進行了這樣的比較，對比了傳統的線性模式尺度法（Linear Pattern Scaling，LPS）與深度學習模型，使用一個常用的氣候模擬器基準數據集。

結果顯示，LPS在預測包括溫度和降水等幾乎所有參數上，都勝過深度學習模型。

Lütjens指出：「大型AI方法吸引科學家，但它們很少解決全新問題，先實施現有方法再比較，才能判斷複雜機器學習是否真有改進。」

初步結果甚至與研究者的領域知識相悖。理應不遵循線性模式的降雨資料，深度學習模型應該更準確。但研究發現，氣候模型運行中的自然變異，比如厄爾尼諾/拉尼娜長期震盪，令深度學習模型在這些不可預測的變化上表現欠佳，影響基準測試成績，反而有利於平均化震盪的LPS。

建立更嚴謹的評估方法

為此，研究者建立了包含更多數據的新評估方法，能更好地反映自然氣候變異。這次評估結果顯示，深度學習模型在局部降雨預測上略勝LPS，但LPS在溫度預測仍更勝一籌。

Selin強調：「用對模型很重要，但首先必須正確設定問題。」

基於研究結果，團隊將LPS納入氣候模擬平台，用於不同排放情境下預測局部溫度變化。

Ferrari補充：「我們並非主張LPS是終極方案，它仍有局限，例如無法預測氣候變異或極端天氣事件。」

他們希望此研究提醒業界，需發展更完善的基準測試技術，才能全面判斷哪種氣候模擬技術最適合特定情境。

Lütjens說：「有了改良的氣候模擬基準，我們可用更複雜的機器學習方法探索現時難以解決的問題，例如氣溶膠影響或極端降雨估計。」

最終，更準確的基準測試將幫助政策制定者基於最佳資訊作決策。

研究團隊希望其他學者能基於此分析，繼續優化氣候模擬方法和基準測試，未來或可涵蓋乾旱指標、野火風險，以及區域風速等新變量。

這項研究部分由Schmidt Sciences資助，屬於MIT氣候重大挑戰計劃「將計算引入氣候挑戰」項目。

—

評論與啟示

這項MIT研究提醒我們，在氣候科學這類高度複雜且物理定律明確的領域，追求模型複雜度並非唯一出路。深度學習等先進AI技術雖然強大，但若忽略了問題的物理本質與數據的自然變異性，反而可能導致錯誤判斷。

簡單的物理基礎模型不但計算效率高，且在某些重要氣候指標上更為準確，顯示傳統方法與新興技術的結合，可能是未來氣候預測的最佳策略。這對香港及全球氣候政策制定尤為重要，因為準確的地方氣候預測是制定減碳與適應策略的基礎。

此外，研究強調評估機制本身的重要性：如果基準測試被數據的自然波動扭曲，政策決策者可能基於誤導的模型結果作出錯誤決策。這凸顯了科學界和政策界須更謹慎地解讀AI模型的預測，尤其是在氣候這種多變且關乎人類未來的領域。

最後，這研究亦啟示我們，AI在氣候科學的應用應該是輔助而非取代人類對物理法則的理解。未來的發展應著重於如何將物理知識與機器學習巧妙結合，達至更準確且高效的氣候預測，為全球氣候行動提供堅實科學支持。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。