1. 海洋：地球气候系统的“沉默引擎”

地球气候的脉动，藏在每一次洋流的涌动和深海的温度变化中。你可能不知道，这片覆盖地球表面71%的蓝色疆域，其实是气候系统最关键的“能量库”与“记忆体”。根据IPCC第六次评估报告（AR6）和NASA的持续监测数据，自1970年以来，地球气候系统新增热量中约91%被海洋吸收——这意味着海洋不仅缓冲了全球变暖的速度，其内部缓慢而深刻的流动（如温盐环流）更决定着全球能量的重新分配，直接影响区域干旱、洪涝乃至全球冷暖格局。

能否精准捕捉海洋的三维动态（尤其是千米深度的温度、盐度和流速变化），一直是气候科学的核心挑战。然而，传统预测方法正遭遇难以突破的瓶颈。

2. 传统气候预测的困境：物理模型为何难以突破瓶颈

长期以来，气候预测依赖基于流体力学方程的物理模型，例如全球广泛使用的NEMO（Nucleus for European Modelling of the Ocean）海洋模式。这类模型通过数值计算求解复杂的物理方程，试图还原海洋的运动规律。但它们面临一个根本性矛盾：地球气候系统是一个包含百万网格点、多变量交互的超高维系统，有限的计算资源难以完整求解所有方程。

为了运行模型，科学家不得不“妥协”：要么降低空间分辨率（例如将海洋网格精度从10公里粗化为100公里），要么对小尺度物理过程（如海洋湍流、云形成）进行“参数化”——用简化公式近似真实过程。这种妥协直接导致系统性偏差：例如传统模型对厄尔尼诺（ENSO）的预报时长通常局限在12-15个月，对海洋热浪等极端事件的预警能力也因物理过程近似而大打折扣。

3. ORCA-DL：数据驱动的AI大模型如何重塑预测范式

2025年9月，《Science Advances》发表的一项国际联合研究打破了这一僵局。由上海人工智能实验室、复旦大学、南京信息工程大学等机构开发的ORCA-DL大模型，首次实现了从季节到十年尺度的全球海洋精准预测。其核心突破在于：不再依赖人类预设的物理方程，而是让AI直接从海量数据中学习海洋的演化规律。

3.1 数据驱动的“多元宇宙”训练：CMIP6如何为AI提供“养料”

ORCA-DL的“智慧”源于对全球气候数据的深度学习。它的训练数据来自CMIP6（耦合模式比较计划第六阶段）——这是一个由世界气候研究计划（WCRP）协调的国际项目，汇集了全球20多个顶尖气候建模中心的数百年模拟数据。

Tips：什么是CMIP6？
CMIP6就像气候研究的“多元宇宙数据库”：不同国家的模型基于各自对物理过程的理解，模拟了从工业革命前到未来不同排放情景下的气候状态。ORCA-DL通过学习这些“平行宇宙”的共性与差异，既吸收了人类对气候物理的认知，又突破了单一模型的局限。

3.2 分而治之的神经网络：让AI“看懂”海洋的三维密码

面对海洋系统的超高复杂性（百万级网格点、温度/盐度/流速等多变量、从表层到千米深海的垂直结构），ORCA-DL设计了专用架构：

  • 海洋编码器：同步“感知”全球不同区域、不同深度的海洋信号，捕捉局部特征与全局关联；
  • 时间多专家模块：模拟常微分方程的动态特性，学习温度、盐度等变量随时间的非线性交互规律。

这种设计让AI既能“看清”表层洋流的细微变化，也能“记住”深海缓慢的热量积累过程，最终实现对海洋三维结构的精准预测。

4. 性能突破：从厄尔尼诺预警到十年尺度稳定模拟

ORCA-DL的表现究竟有多强？通过与传统物理模型的对比，其优势一目了然：

能力指标 ORCA-DL 传统物理模型
厄尔尼诺预报时长 20个月 12-15个月
海洋热浪捕捉能力 显著优于物理模型 存在系统性偏差
长期模拟稳定性 十年级，累积误差更低 误差随时间累积加大
多变量三维建模 同时处理多变量、多层次 受限于分辨率，常需简化

4.1 厄尔尼诺预警：提前20个月“读懂”太平洋的心跳

厄尔尼诺（ENSO）是影响全球气候的“强信号”——它通过改变太平洋海温，引发东南亚干旱、南美洪涝等极端天气。传统模型最多提前1年预警，而ORCA-DL将这一时长推至20个月，为防灾减灾争取了关键时间窗口（图2A）。

4.2 海洋热浪与长期稳定模拟：从短期灾害到十年气候趋势

除了极端事件，ORCA-DL在长期预测中同样表现出色：

  • 海洋热浪（MHWs）：对全球七大典型海域（如北大西洋、澳大利亚周边）的热浪预警技巧显著提升（图2B）；
  • 十年尺度模拟：在长达十年的预测中，其累积误差远低于传统模型，能更稳定地推演海洋对全球变暖的响应（图2C）。
6ORCA-DL对全球海面温度和环流的精准模拟 *图1：ORCA-DL模拟的全球海面温度（B）与真实观测（A）高度吻合，偏差（C-E）显著小于传统模型。* ORCA-DL在ENSO与MHWs预测的表现 *图2：ORCA-DL在厄尔尼诺预测（A）、海洋热浪预警（B）和长期模拟（C）中的优势。*

5. 模型的“边界”：数据与物理的平衡之道

尽管表现惊艳，ORCA-DL的能力仍有“天花板”：

  • 数据偏差的局限：模型依赖CMIP6数据，而这些数据本身源于物理模型，其偏差可能成为ORCA-DL的“认知边界”；
  • 物理响应的不足：对季节循环等规律的模拟更多依赖历史数据“记忆”，而非对太阳辐射等外部驱动力的实时物理响应。例如，若未来二氧化碳浓度急剧变化，模型可能难以准确捕捉海洋的全新反馈。

研究团队指出，未来需融合人类活动（如碳排放）等“外部强迫”数据，让AI不仅“学习历史”，更能“推演未来”——最终成为可探索气候因果关系的“虚拟实验室”。

6. 从“风乌”到“虎鲸”：AI构建地球系统的数字孪生

ORCA-DL并非孤例。上海人工智能实验室此前推出的“风乌”模型，已将全球天气预报精度推至15天；如今“虎鲸”（ORCA-DL）则深入海洋，实现气候尺度的预测。两者结合，正构建从“天气”到“气候”的完整AI地球系统模拟能力。

这种“数字孪生”技术的意义远超预测本身：它能以极低成本测试不同减排路径下的地球未来，帮助人类在“气候赌局”中做出更理性的决策。正如研究团队所言：当AI开始“聆听”海洋、“读懂”大气，人类守护地球的能力，正迎来范式性的飞跃。

参考链接