Bjorn Stevens
马克斯-普朗克气象研究所所长；
美国地球物理联合会会士
非常荣幸能与刚才各位精彩演讲者同台，也期待接下来的发言。各位特邀嘉宾、尊敬的来宾、同事和朋友们，我想谈谈我心目中一个典型的“人类世”问题。回顾今天讨论的内容，我们面对的是一类具有全球尺度特征的问题，而治理体系却似乎停留在地方尺度。无论是核扩散、金融、气候还是人工智能，这些技术或人类产物都具有全球性影响，但我们的治理能力却难以跟上，因为现有的治理架构往往更偏向本地化。气候就是这样一个典型的人类世问题。今天，我想和大家聊聊我们应对气候变化新现实的一些新工具。这个新现实，正意味着我们正在步入一个全新的时代。
在我人生的大部分时间里，我们所预见的气候系统变化都是可以解释的——随着二氧化碳增加，全球会变暖。如今我们确实看到了这些变化，但这个新时代也带来了我们未曾预料、也无法解释的变化。幸运的是，我们拥有一些新工具，有望帮助我们克服这些困难。我稍后会详细展示其中一个例子。
在这张图上，你们看到的是26年间的数据记录，其中黑色曲线持续上升。这条曲线来自卫星测量，就是图右上角那两颗NASA卫星。这是一个持续了26年的测量项目，追踪能量如何流入和流出地球系统。黑色曲线记录的是进入地球系统的能量净增量，大约以每十年0.5瓦的速度增长。这种增长与温室气体增加带来的预期一致，所以从某种意义上说，这并不意外。但这张图是几周前绘制的，当时我们召集了来自世界各地的40位专家，聚集在巴伐利亚阿尔卑斯山南部的一座小城堡里，因为这个增长率我们无法解释。它比预期快了大约两倍。如果我们把所有已知因素——我们使用的模型、对二氧化碳与辐射相互作用的理解——都考虑进去，最终的估算结果是，地球对二氧化碳的敏感度可能是我们原先认为的三到四倍。我们还没准备好从科学上得出这个结论，但这条黑色曲线表明：有一些重大的事情正在发生，而我们并不理解。要么是我们的测量手段不如想象中精准，曲线本身可能有误；要么是我们的理论和模型没有涵盖正在发生的现象，模型可能有缺陷；又或者，地球本身确实比我们预想的更加敏感。
这张图另一个令人不安的地方是，负责追踪这一关键参数的仪器正在逐渐失效。这些卫星已接近使用寿命，且没有已知的替代计划。如今，能够维持对地球关键指标进行持续测量的机构寥寥无几——就像我们之前听到的旧秩序下那些监测体系一样。所以，这是我们面临的第一个问题：新的变化出现了，而我们无法解释。
另一个困难在于，我们知道地球在变暖，也知道是二氧化碳导致的，但当我们深入观察时，却发现有太多我们想知道却不知道的事情。
这张图展示的是35年观测到的升温格局。红色区域表示升温高于平均值，蓝色区域表示升温低于平均值。这个格局让我们感到意外。如果运用现有的模型和理论，我们预期的格局应该是这样的：北半球升温更多（红色），南半球升温较少（蓝色）——这和我们实际观测到的东西向不对称格局截然不同。温度格局的差异对天气形态、飓风或台风的生成位置与强度、降雨分布、大气河流引发的洪水等，都有着深远影响。
所以我们发现，我们不仅需要说清地球整体在变暖，还要说清哪里在变暖、变暖多快——而在这方面，我们的能力远远不够。模型本来就不是为解决这类问题而设计的，更不用说应对接下来这些问题了。
这些画面大家可能每天都在新闻里看到，每年都可以收集一大堆。今年更是灾难频发：右上角龙卷风横扫爱荷华州，讽刺的是它正在摧毁风力发电机——大家可以留意一下。还有瓦伦西亚和西班牙的洪水，洛杉矶附近西南部地区出乎所有人意料的大火，以及飓风带来的风暴潮和暴雨。我想在座的各位无需我多言——看看过去几个夏天，北京等中国城市遭遇的降雨量，以及全国范围内极端天气的规模和强度，我们完全无法预测。我们只能定性地说说，却给不出定量的答案。
我们不明白飓风为何似乎增强得如此之快。而我们用来理解气候变化的模型，当初的设计压根就没考虑这类问题。事实上，国际报告中所用的标准气候模型，其设计初衷恰恰是抑制极端事件、回归平均值。它们的基本原理就是把这类极端事件抹平、让它消失。所以我们现有的工具根本处理不了这类问题。那为什么这么难？问题出在哪里？为什么我们的模型不够用？简单的答案就藏在这张来自Artemis团队的精彩图中。
不知道大家是否看懂了这张图的深意。54年前，即1972年，阿波罗17号的宇航员拍下了那张举世闻名的“蓝色弹珠”地球照片。那张照片看起来是这样的，只是非洲的方向是反的。所以这里我们看到的地球，你很难一下子辨认出方位，但那个巨大的棕色区域就是非洲的撒哈拉。如果你看图的上方，会看到南极。这就像阿波罗的那张图，只是被倒转了一下。这张图有趣的地方在于，它直观地展示了地球之大，大气层之薄——这正是提高地球系统模拟精度的关键挑战。你看到的那道绿色极光，是氧电离形成的，位于大气层约114至115公里的高度。它恰恰说明了大气层有多么稀薄。
而我们头顶上，上海某一天所经历的恶劣天气，其实发生在更浅的层面——大约只有10到20公里深。所以，要模拟大气环流如何输送水分、影响云量、形成降雨，你就必须在一个巨大的星球上模拟一个非常薄的薄层。这就带来了巨大的计算挑战。一个试图覆盖如此尺度范围的模型，其自由度大约在10的12次方量级——这比现存最大的大语言模型还要大1000倍。不仅如此，这些自由度还要以几分之一秒的时间步长向前演化，以便我们预测未来数年乃至数世纪的变化。好在计算机足够强大，今天我们确实能够进行这种规模的模拟。
这就是一个模拟的例子：颜色表示风场，白色表示云层。不久前，在刚才那位演讲者提到的GTC大会上，当黄仁勋展示他的新见解时，这个模拟就曾在他身后的舞台上展示过。它展示了我们现在能够以前所未有的保真度模拟地球系统——我们可以精细到上海这样的局地尺度，全新地审视地球、大气、湍流的海洋、养分循环和化学循环如何响应人类活动。利用这些模型，我们可以模拟云和降雨。图中绿色是动态植被在中国地区的演化；中间是东太平洋洋流与上升养分循环的相互作用；底部是南大洋碳通量的日变化周期。
借助计算能力的飞速发展，我们模拟地球系统的能力已经发生了质的飞跃。这为我们理解地球如何响应人类活动，提供了全新的可能性。在欧洲最大的计算系统上，我们可以以每年模拟700年的速度运行整个地球系统模型。给我一年时间，这台计算机可以模拟未来700年的情景，或者七种100年的情景，或者一百种7年的情景，来探索世界可能的各种变化，从而激发我们的思考，解释我开头提到的那些问题。当然，挑战在于：我们能以高保真度模拟世界，但产生的数据是海量的。一年运行下来，模拟700年的地球数据，大约会产生150 PB的数据。数据量本身不是问题，有数据中心能存下150 PB，但问题是你怎么读取它？我可以建好模型、把数据放到服务器上，然后你想从中做任何分析——很快你就会发现，你什么都做不了。
这让我想起一个古老的故事，一个两难困境——叫做“制图师的困境”，很多人知道是阿根廷作家博尔赫斯讲的，但最早其实是刘易斯·卡罗尔提出的。希望你们有兴趣的话可以读一读。我简单复述一下：一个英国人在和一个德国人对话——这还挺应景的，因为我住在德国汉堡，上海姐妹城市，我们刚庆祝了50周年纪念。故事里英国人可能正对着我说“先生”，他们在聊地图。英国人问：“你的地图有多大？细节有多丰富？”德国人说：“我的地图细节非常棒。”问：“具体是多少？每英里对应多少英寸？”最后他说：“我们大约每英里对应六英寸。”我说：“我的地图更好，每英里对应六码。最近我们甚至做了一张地图，每一英里对应一英里的实际土地。所以你能看到所有细节，甚至可以做得更大。”
但问题来了：你怎么把这张地图打开？这位先生抱怨说，他们想打开地图，但它覆盖了整个乡间，农民们怨声载道。于是他们决定干脆就用乡村本身作为地图。如果你是在空间上导航，这或许可行，但应对气候问题，我们是在时间中航行。所以我们不想等到事情发生了，才去弄清楚我们要往哪里走。我们的地图太大了，根本打不开。但刘易斯·卡罗尔没有预料到的是，人工智能为人类带来了一个新的维度。我们不仅有空间的三个维度和时间的一个维度，我们还有第四个维度——硅。我们拥有数字维度，我们可以在数字维度中展开这些地图。我们可以让人工智能进入其中，提取我们需要的信息。仔细想想，这正是我们在很多人工智能应用中看到的：它能够提取有用的信息并呈现给我们。这些信息原则上就在那里，但你不可能在合理的时间内找到它在哪里。人工智能为我们解决了这个悖论。它让我们能够利用这些新型物理建模工具来理解地球的运作方式，并利用这些信息、与之互动。有两种令人兴奋的方法。一种是相当直接的仿真模拟（emulation）：运行模型，训练AI去模拟这些模型，然后利用仿真器来探索信息内容。但我觉得更有趣的是生成式人工智能，就是常用于生成图片的那种技术。生成式AI所做的，是获取一个训练数据集——这里就是700个世界或者说700年的模拟数据——然后将其“消化”吸收。
这是一段来自英伟达（NVIDIA）同事Noah Branovitz的示例。他所展示的是，你可以将我们模型的输出（就像我之前展示的那样）拿过来，并学习数据的底层分布。因此，目标是学习这个高维数据集的概率分布。用他形象的比喻来说，你把它装进一个瓶子里，然后就可以回过头去对该分布进行采样。其妙处在于，如果你是一位从业者，正在规划上海的水务系统、开发新的农业系统、与可再生能源网络打交道，或者思考如何在世界各地分配农作物，你就可以去探索特定的情景。你可以说，基于那个数据集——也就是训练数据——在上海上空可能发生的最大风暴是什么样的？然后你就可以创造出那场风暴，并将其从数据中提取出来。
这里有一个例子：你可以说，给我一个时间段、给我一个年份、给我一种海面温度的模式，然后问：如果一场台风直扑上海，它会是什么样子？你能制造出的最强台风是什么样的？第二强的又是什么样的？然后你就可以创造出这些现象，交给城市规划者，让他们研究如何最好地规划和管理未来。你也可以交给科学家去评估：这真的合理吗？是否真的与数据一致？这样我们就从“可信赖的AI”迈向“可验证的AI”。一方面，你可以激发科学界的活力，去探索这些效应的真实性；另一方面，你也可以激发用户群体和影响群体的活力，去研究这些效应带来的具体后果。这正是我觉得特别令人兴奋的地方：利用生成式AI来呈现像我所展示的那些模型中的信息内容。
这里有一个示例。这项工作仍处于初级阶段，许多内容还在开发之中，但来自英伟达另一位同事的成果展示了这样一种可能：如果你有一张世界地图，就能确定方位。现在，让我们在世界地图上选一个地点，基于我从物理模型中学到的训练数据，在孟加拉湾某处生成一场热带风暴。在特定的某一天——图中以红色标示——我们可以判断，那里可能会出现热带扰动，并且可以看到它正在逐渐发展。目前的分辨率还相当粗糙。接着你可以使用扩散模型，以超分辨率来进一步审视，于是便开始看到一些更像热带风暴的形态。当然，如果你对孟加拉湾不感兴趣，也可以把目光转向阿拉伯海。
我其实一直很好奇，如果把台风放在霍尔木兹海峡会是怎样的——它会绕着那里的山脉，给迪拜这样的城市带来暴雨。你怎么为那种情况做规划？这类工具让你能想象这些情景，并与之互动。这让我想起另一个故事。我们听过《一千零一夜》里的阿里巴巴。还有一个关于阿拉丁和神灯的故事：“在中国的一个大城市里，住着一位裁缝，名叫穆斯塔法。”他非常穷，靠每日劳作几乎无法养活自己和家人——他的妻子和儿子。他的儿子叫阿拉丁，是个非常粗心懒惰的家伙，但他幸运地得到了一盏神灯，里面有一个精灵，这给他带来了巨大的财富。
我在想，虽然今天在座的学生不多，但也许在你们当中，会出现一位“阿拉丁”，利用这些工具帮助社会更好地认识地球的演变，给我们带来一种切实的感知，让大众的心智得以成长，从而能够理解像全球治理这样宏大的议题。因为只有具备亲身体验和直观看见的能力，我们才能真正寄望于那些将领导人推上权力之位的人民，能够发展出足够的意识去选择明智的领导者。所以我愿意相信，或许那个“海中宝瓶”就是阿拉丁神灯的早期雏形，而你们当中的某个人，会将它的未来推向前进。我想，当你们这样做的时候，它就会创造出开启全新经济的可能——一种能够把关于未来的信息生动地呈现给人们的新经济。这种呈现不是AI凭空幻想出来的产物，而是基于科学认知的忠实表达。所以在左边的图中，我展示了用于训练AI的基础模型和观测数据的科学依据。AI只是对那个数据的一种表征，但它为来自各行各业的使用者带来了与信息互动的能力。我的故事就讲到这里，谢谢大家。
我想说的是，这种方式的一大优势在于可扩展性。从某种意义上讲，它与我们过去以高度定制化方式所做的努力并无本质不同——如果资金充裕，你可以聘请麦肯锡的顾问来帮你优化水务系统。但既然有了现在这种方式，何必还走老路呢？它能够被规模化推广，让每一个正在规划水务、城市建设或粮食安全的小型机构都能从中获益。说到这里，我的分享也接近尾声了。我认为我们已经能够看到前行的方向——如何将气候信息融入决策，或者说，如何将全球意识和未来意识嵌入到决策过程之中。
正如前面几位发言人提到的，我们正在驶入一片未知的海域——这不仅仅是气候领域，在许多领域皆是如此。但幸运的是，我们拥有强大的技术能力，可以帮助人类预见未来的方向，并或许能为此做出更明智的选择。我认为，技术能力本身已基本就位。我们拥有物理模型，也找到了通过人工智能使其具备交互性的方法。但要把这种潜力转化为现实，又回到了今天会议一开始就提到的那个问题——治理。我们需要足够的计算能力来构建虚拟世界，然后由AI对其进行解读；但我们更亟需标准。这一点又回归到AI的监管问题：如果任何人都可以制造一个无所不能的智能体，那么每一个智能体都将失去价值。因此，我们需要建立标准，明确什么才是“忠实的呈现”，什么代表“最佳实践”。唯有如此，企业才能真正可靠地交付这类信息。
试想一下，如果你是一家开发智能体的公司，在帮助某个国家或城市规划水务系统后，方案却彻底失败了——你可能要承担相应责任。但如果我们有标准可循，责任风险就会降低，因为你能够证明自己遵循了良好实践。因此，没有规则，我们就无法实现创新，无法开拓市场，也无法充分探索这些技术所蕴含的潜力。
另一方面，我们还需要在研究与实践之间建立良性的辩证关系。我们既要把这些工具引入公共和私营部门的实际应用，也需要研究和学术界保持一定的距离和张力，以便对工具进行批判性审视，推动更具建设性的发展。当然，我们还需要持续改进地球系统模型。我认为，如果我们能做到这些，就构成了产业政策的基本要素——它能够增强人才、机器和软件的技术实力，能够催生新的经济形态，并且通过全球治理的担当来构建软实力。
谢谢大家的聆听。
（本文为会后整理，未经演讲者审阅）
