实验室气候预测系统研发与年代际预测研究团队罗京佳教授联合中科院大气物理研究所与韩国首尔大学等国内外机构的知名学者在顶级期刊《National Science Review》发表题为“AI for atmosphere-ocean sciences: advancements, challenges, and ways forward”的综述文章，系统梳理了人工智能（AI）在大气海洋科学领域的最新进展、面临的关键挑战与未来发展方向。

近年来，以Pangu-Weather（盘古）、GraphCast、FengWu（风乌）、FuXi（伏羲）、GenCast等为代表的AI天气预报模型相继涌现，在中期天气预报的多项指标上超越了欧洲中期天气预报中心（ECMWF）的业务化综合预报系统（IFS）。这些AI模型不仅在温度、湿度、位势高度和风场等常规变量的预报上表现优异，还在极端天气事件（如热浪、台风路径等）的预测中展现出显著优势。同时，AI技术也正在向季节-年际乃至年代际时间尺度延伸，三维数据驱动的海洋模型已能够准确地模拟和预测主要的长时间尺度气候变率，如厄尔尼诺-南方涛动（ENSO）、印度洋偶极子等现象，部分模型的预报时效已延长至两年，预报技巧全面超越传统动力学模式。不仅如此，AI在大气海洋现象识别、数据同化与重构、数值模式后处理等传统领域也取得突破性成果：在现象识别上，可实现从像素级分割到目标精准检测的跨越，捕捉传统方法遗漏的海洋内波、异常涡旋等特征；在数据处理上，通过生成式对抗网络、扩散模型等技术，完成缺失物理场的高精度重构与高效数据同化，显著提升数据质量与利用效率。

图1 (a)基于深度学习模型的海表温度（SST）预报技巧；(b)基于深度学习的XiHe模型与四个业务化数值模式在全球盐度和海流预报上的均方根误差（RMSE）对比；(c)深度学习模型可模拟现象示例。

尽管AI技术展现出强大潜力，但复杂AI模型的“黑箱”特性仍需高度重视。复杂AI模型的决策逻辑难以解释，不仅影响科学信任的建立，也不利于从预测结果中提取物理机制。综述认为，最具前景的发展路径是构建物理-AI融合建模框架，这一方法将AI的数据驱动能力与物理定律的基础约束相结合，既确保模型的泛化能力与因果一致性，又通过AI弥补物理模型在复杂过程描述上的不足，实现优势互补。

当前AI气象模型领域存在训练数据异质、评估标准不一的问题，导致模型性能难以公平对比。综述提出“AI模型比较计划”（AI-MIP）的构想，需要构建包含标准化数据集、定义明确的任务目标及严格评估协议的基准测试平台，覆盖从临近预报到气候预估的全尺度评测，同时纳入物理一致性、极端事件捕捉能力等核心指标，为模型优化提供统一参考。不仅如此，文章还进一步提出了AI智能体（AI Agent）服务气候科学的创新理念，即建立自主的、目标导向的系统—例如Earthlink，能够设计和运行实验、生成和验证假设、并从多源数据中学习动力学规律。

这一综合论述强调，AI不仅仅是一种工具，更代表着从“预测工具”到“自主发现者”的范式变革，将显著改进我们理解和适应气候变化的方式。

图2 AI智能体Earthlink对CMIP6模式模拟亚洲月降水季节循环的评估。(a)任务定义与诊断需求。(b) Earthlink自动规划输出，详细展示从数据获取到成果交付的端到端工作流程。(c)系统生成的数据处理与分析示例代码片段。(d)选定区域的模拟与观测降水季节循环。(e)结果的自动文本解读。

论文链接：https://doi.org/10.1093/nsr/nwag063