对话付昊桓：数值模拟不可替代，AI在科研中的定位与未来

过去很长一段时间，气候、天气乃至整个地球系统的研究，几乎完全建立在数值模拟的基石之上。超级计算机负责将那些描述物理世界的方程一层层演算下去，模型的精度、分辨率和稳定性，直接决定了人类能“看清”自然系统的程度。

而近几年，随着算力条件的演进，人工智能开始被不断引入这些传统领域。尤其是在气候和地球系统建模中，AI被寄予了厚望：它能否补足数值模型难以覆盖的细节？能否在有限算力下，让我们把系统看得更精细一些？这些问题，正成为超算与科学计算领域无法绕开的核心议题。

地球系统模型，正是其中最具代表性的场景。从全球大气环流到局地天气，从海洋洋流到大气化学，从公里尺度到更细微的变化，模型需要处理的物理过程极其复杂，几乎不可能被完全穷尽。正因如此，关于AI应如何进入地球系统建模，学界和工程界始终保持着谨慎，甚至不乏分歧的态度。

在GAIR 2025大会上，围绕人工智能与科学计算的关系，相关讨论再次成为焦点。付昊桓教授在会上做了主题分享，结合地球系统模型与超算实践，深入探讨了数值模拟与AI之间的边界与融合可能。

作为清华大学深圳国际研究生院教授、国家超级计算深圳中心副主任，他长期同时参与超算平台建设和地学计算研究，也因此更关注这些前沿方法在现实复杂体系中“究竟能不能用，以及该怎么用”。

会后，我们与付昊桓教授围绕数值计算与AI的融合路径、地球系统模型的根本复杂性，以及AI在预报体系中的真实定位，进行了一场深入对话。

从地球系统说起

问：您目前在超算领域，最核心想推动的事情是什么？

答：如果从一个比较抽象的层面来总结，我们现在最核心想推动的，是数值计算与人工智能的深度融合。

地球系统只是一个非常典型、也相对容易理解的例子，但并非唯一的应用场景。类似的问题，在机器人、生物医药、材料科学等许多科学计算领域都会遇到。只不过地球系统的复杂性、尺度跨度及其社会影响力都极为突出，所以常被拿出来讨论。

我们的目标，并非简单地把AI拿出来做一个“更聪明的模型”，也不是孤立地去提升某个单一模型的精度。而是希望从根本上思考：在科学计算这个长期以数值模拟为核心的方法体系中，AI究竟应以何种方式介入，才能真正提升我们理解和预测复杂系统的能力。

问：为什么您反复将地球系统作为核心例子？

答：因为地球系统本身，几乎把科学计算中最棘手的几个难题都集中到了一起。首先，它是一个典型的混沌系统。我们常说的“蝴蝶效应”，本质上描述的就是系统对初始条件的高度敏感性。一个极其微小的扰动，在经过足够长的时间和复杂的相互作用后，都可能对整体状态产生显著影响。

其次，它是一个极端多尺度的系统。例如，台风现象发生在数百至上千公里的尺度；强对流降水发生在公里尺度；龙卷风则是十米到百米的尺度；再往下，还有更微观的云物理、湍流等过程，发生在米级甚至更小的尺度。

关键在于，这些不同尺度的过程并非彼此独立，而是深度耦合、相互影响的。你不能只计算大尺度而忽略小尺度，也不能只盯着局部而不顾整体。正是这种“所有尺度紧密相连”的特性，使得地球系统成为一个极其典型，也极其困难的研究对象。

问：在这种情况下，有没有可能构建一个真正意义上的“数字孪生”地球？

答：从现实角度看，这基本是不可能的。很多人设想，未来算力如果足够强大，是不是就能把所有物理细节都模拟出来。但问题在于，尺度本身是没有下限的。

你可以问，未来能否模拟一只蝴蝶扇动翅膀？那我就要反问：树叶气孔中的水分是如何蒸发的？云中水汽是如何在微物理过程中凝结成水滴的？水滴在不同微环境下是如何增长、碰并并最终降落的？

这些过程发生在越来越小的尺度上，每一个尺度都会引入全新的物理机制。你永远不可能将所有尺度都纳入一个完全精确的数值模型中。所以，我们必须从一开始就承认：地球系统是一个无法被完全穷尽计算的复杂系统。

「骨骼」与「肌肉」

问：在这种前提下，数值模拟的意义究竟在哪里？

答：数值模拟的意义，恰恰在于它是我们目前唯一一套系统性的、基于物理规律去理解世界的工具。我常用一个比喻来解释数值模拟和AI的关系：数值模拟是“骨骼”，AI则是“肌肉”。

“骨骼”代表的是我们已经理解得比较清楚的那部分自然规律，比如质量、能量、动量的守恒定律，流体动力学方程，热力学关系等。这些东西有明确的物理意义，是可解释、可追溯的。

而“肌肉”这一侧，指的是那些我们目前很难用严格物理模型去描述、或者算力根本支撑不了的部分。在这些领域，AI或许能发挥更大的作用。

问：能否用一个更具体的例子来说明这种分工？

答：以台风预报为例。当台风在海上移动时，其百公里尺度上的整体动力结构，是可以用传统数值模型较好刻画的。但当台风登陆，进入复杂的城市环境后，问题就变得异常棘手。

你想知道某一条街道的风会怎么走？某个小区的降雨会如何分布？这已经进入了十米甚至一米的尺度。传统数值模型在这个尺度上，不仅算力成本无法承受，其物理参数化方案本身也变得非常困难。

在这种情况下，如果完全依赖数值模拟，成本高昂；如果完全依赖AI，又会失去物理约束。因此，一个更现实、也更有前景的方向，是让AI在这些“肌肉层面”去补充和增强数值模型，而不是取代它。

所以，我们最终希望看到的，不是数值模型一套、AI模型另一套，而是它们能形成一个紧密耦合的混合模型。我经常用“齿轮”来比喻，希望这两个齿轮能够真正咬合在一起，协同运转，而不是各自空转。

从模型到业务

问：在地球系统观测数据如此稀疏的情况下，AI能发挥什么独特作用？

答：AI非常擅长做的一件事是：在不完整的数据条件下，给出一个合理的推断。也就是说，你给它一些稀疏的观测点，它有能力在空间和时间维度上进行信息补全，给出一个“最佳猜测”。

这种能力，在地球系统这类观测受限的领域，确实具有独特价值。但前提依然是：它必须与数值模型结合使用。

问：目前这些前沿模型成果，是如何被气象业务部门实际采纳和使用的？

答：现代的天气预报，本身就是一个高度工程化的混合体系。以华南地区为例，目前业务上常用的是大约一公里分辨率的网格模型。在这个尺度上，核心的动力方程是可以直接计算的；而网格内部无法解析的云微物理等过程，则通过统计性的“参数化”方案来处理。

同时，预报员还会引入多组略有差异的初始条件、多种不同的模型配置，进行“集合预报”。最终给出的，并非一个单一结果，而是一种带有概率意义的预报结论。在这样的体系下，目前7天的天气预报是可以实现的，其中3到5天的预报相对比较可靠。

问：AI的引入，在这个成熟的业务体系中具体带来了哪些变化？

答：从目前的测试结果看，AI确实在一些方面带来了提升。例如，它可以融合更多类型的数据，从而提升某些特定变量的预报精度；在部分场景下，也确实展现出延长可预报时间窗口的潜力。但与此同时，问题也非常明显。

首先，AI对极端天气的预测能力仍然不足。极端事件本身在历史数据中就出现得少，而AI模型往往更擅长学习“常态”。

其次，AI的输出结果往往偏于平滑，这在视觉上可能看起来更“合理”，但却容易掩盖掉一些真正关键的极端特征。

第三，它是一个“黑盒”。对于一线预报员来说，当AI模型给出一个结果时，他们很难像使用传统数值模型那样，去追溯每一步计算背后的物理原因，这影响了预报员的信任和决策。

此外，传统数值模型天然包含不确定性评估机制，而AI模型原生并不具备这一能力。这在关乎重大决策的实际业务中，是一个关键差异。

问：所以，您认为数值模拟依然是不可替代的？

答：是的，可以确定的是，数值模拟一定是整个预报体系的“脊梁”。它承载的是人类已经理解并验证的物理规律，是可解释、可验证的。AI的角色，不是推翻这一体系，而是在这个坚实的基础上进行补充和增强，甚至在长期发展中，帮助我们逐步“打开黑盒”，增进理解。

回到人本身：关于科研、选择和时间

问：现在越来越多的科技公司进入气象和气候领域，您怎么看这个现象？

答：这个赛道确实开始变得非常“卷”。但从另一个角度看，这也恰恰说明大家普遍认为，这个领域未来还有巨大的突破空间。气象和气候远不是一个“已经被解决”的问题，相反，它仍然存在着大量基础性的、根本性的挑战。

问：气象和气候研究的商业价值，主要体现在哪些方面？

答：其商业价值至少体现在三个层面。第一，是季节尺度气候预报的金融属性。如果能提前数月预判某一年、某一季的气候趋势，将直接影响全球农业产量、大宗商品价格和保险精算。

第二，是能源系统的优化。风电、光伏之所以难以稳定并网，很大程度上源于其发电功率的强不确定性。如果预报更精准，整个能源的调度、储能和成本控制都将发生根本性变化。

第三，是服务于碳中和目标。地球系统模型能力的提升，对于准确评估碳源汇、预测气候变化影响至关重要，这将深远影响上下游产业链的布局与投资。

问：当前，算力和模型规模的不断扩张，真的带来了对等的科学价值吗？还是存在泡沫？

答：从历史经验看，每一轮重大技术变革的初期，往往都伴随着某种形式的预期泡沫。这几乎是技术潜力、资本热情与现实落地能力之间动态博弈的必然结果。但泡沫过后，一定会沉淀下真正有价值的能力。从长远来看，AI很可能会像当年的计算机一样，逐步渗透到所有行业，并在这个过程中，深刻改变我们提出问题与解决问题的方式。

问：学界越来越强调交叉学科，您如何看待这一趋势？

答：这其实并非一个新趋势，而是科学探索本身的属性。学科划分，是成熟知识体系的沉淀方式；而真正具有碘伏性的新发现，往往诞生于不同学科交叉的模糊地带。

问：未来三年，您个人最期待在哪个方向看到突破？

答：我个人最期待的，是3到6个月时间尺度的预报能力能取得突破。这是目前短期天气预报和长期气候预测之间的一个“灰色地带”，也是现实中非常重要、但尚未得到很好解决的难题。

问：最后，对于准备进入这个领域的年轻人，您有什么建议？

答：最重要的一点，是先想清楚：你究竟为什么想做科研。如果缺乏内在的驱动力和好奇心，科研工作很容易变成一种消耗。我更希望年轻人是主动享受探索未知、解决难题这个过程，而不是仅仅被外部环境推着走。