-
-
创新始于研究与开发（R&D），但并不止于此。人工智能可以通过将R&D转化为气候行动来催化创新。
-
生成式人工智能（Generative AI）在自然语言处理、数据综合、缩放和产品原型制作方面的能力，可以为气候领导者提供实用工具。
世界对技术在气候危机中的作用下了重注。全球范围内，科学家和技术专家正在推动气候适应和缓解方面的下一波突破。我们有理由保持乐观：近年来，从天气预报到工业脱碳，都取得了有意义的进展。
历史表明，我们经常低估科学和技术进步的速度，并且更有可能取得突破。
但突破本身是不够的。气候危机不能在实验室里解决：当科技和科学进步进入现实世界时，影响力才会显现。除了纯科学和研究与开发（R&D），气候领导者必须专注于适用的成果和创新周期的“下游”部分，如产品原型制作、本地化和用户参与。
人工智能与气候变化
生成性人工智能（GenAI）的首次亮相扩大了人们对人工智能能做什么的集体想象。我们已经知道人工智能可以推动科学突破，但它能走得更远吗？领导者应该探索人工智能如何作为创新周期中的下游催化剂，推动最新工具的采用和对最新科学的认识。以下是三个开始的地方：
1. 组织非结构化的地球数据和将模型缩放到本地级别
由于复杂的地球系统和来自观测方法的非结构化环境数据，地球科学被视为“数据混乱”。最近，这类数据的量激增，每天收集超过100太字节的卫星图像。然而，这并没有简化数据的非结构化特性。人工智能是组织和缩放这些庞大数据以供本地应用的关键。
Google的Earth Engine是一个领先的地球科学平台，整合了各种卫星图像和地理空间数据，并具有分析能力。该平台使用户能够可视化和分析与森林覆盖、农业用地、地表水等有关的数据。在基本层面上，这些能力是通过机器学习算法实现的，这些算法组织了大量的非结构化数据（特别是通过分类卫星图像中的像素）。越来越多的案例研究展示了人工智能简化地球科学的能力——将原始信息转化为洞察力和影响力。
人工智能还通过使用迁移学习来增强地球科学，利用以前对某个区域了解的信息，改进特定位置的野火预测等任务。这对于数据匮乏的地区至关重要，有助于弥合数据差距并使广泛的观测数据操作化。
2. 构建一个“GPT”界面，将气候模型转化为简单语言
计算机界面几十年来基本保持不变，涉及用户启动的交互，如输入搜索词和查看结果。由大型语言模型（LLMs）驱动的GenAI正在通过促进会话交互来彻底改变这一点。用户可以直接向ChatGPT等程序传达他们的需求，然后程序执行任务并综合洞察力，充当“副驾驶”。
气候模型对于理解复杂的气候动态至关重要。它们涉及多维方程，代码量可能超过18000页。这些模型对大多数用户来说难以理解。然而，理解这些模型不仅对科学家至关重要，对商业领袖、政治家和公民也是如此。
GenAI可以通过提供类似GPT的界面来简化这一点，使各种背景的用户能够与符合他们需求的气候数据进行交互，例如监测当地海平面变化。这种方法可以使气候模型更加易于访问，并建立对气候预测的信任。
3. 加速技术开发的原型阶段
人工智能正在彻底改变包括气候变化在内的科学领域的R&D。然而，从基础研究到具体气候解决方案的转换并不总是清晰的。深科技周期——从研究到原型的道路——可能既漫长又昂贵。鉴于我们在打破关键变暖阈值上“午夜前几分钟”，这些问题尤为紧迫。
人工智能可以缩短深科技周期，特别是在原型制作方面，加速引入必要的技术。在材料科学中，人工智能加速了发现和设计，这对于气候缓解（如改进锂离子电池和太阳能电池）和适应（开发耐火材料）至关重要。传统方法，从头计算材料属性，消耗大量的时间、成本和计算资源。全球高达三分之一的超级计算能力用于材料科学。
人工智能现在通过学习原子结构与其属性之间的关系，并建议最佳配置，来预测新材料属性，而无需进行详尽的初始计算。虽然这是一个有局限性的新兴领域（例如，在发现过程中记录的“幻觉”），但创新潜力巨大。例如，GenAI正在解决逆向设计问题，从所需的属性（例如对极端天气的抵抗力）开始，逆向工程其设计。
来源
：世界经济论坛
声明：
欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编
(微信：qxxjgzh)
处理。
