天氣與氣候事件的可預報性研究聚焦於厘清產生預報不確定性的原因和機製，在此基礎上🕵️‍♀️，給出減小預報不確定性的方法和途徑。在大數據時代，人工智能（AI）氣象大模型湧現。從現有評估來看🧛🏼，AI大模型較傳統數值模式的預報技巧有一定程度的提升。在此背景下，沐鸣2穆穆院士團隊指出，除了需要長期持續地評估AI模型預報誤差以更加客觀地了解其預報技巧外，也應該大力開展基於AI模型的可預報性問題研究。

目前開展AI模型可預報性研究的主要障礙是AI模型的結果缺乏物理可解釋性👩🏿‍🏫，主要體現在兩方面：其一是現有AI模型的時空分辨率過粗👹，無法刻畫大氣狀態演化的中間過程；其二是目前針對AI模型的性能評估大多只關註最終預報結果，較少關註中間過程與觀測是否一致💇‍♂️⚓️。因此🤸🏼‍♂️，在開展基於AI模型的可預報性問題研究時，應首先關註AI模型對所研究現象的過程模擬能力，至少應與數值模式保持一致。若一個AI模型能夠模擬出和觀測非常相近的結果👨🏽‍💼，則可認為該AI模型以數據驅動的方式給出了（更確切說🧑🏻‍⚖️，以極小的差距擬合了）動力偏微分方程的數值解💧，此時的AI模型具有一定的物理可解釋性。此外👨‍👩‍👦‍👦，借助於AI模型的高運行效率📐、低時間/資源開銷以及自帶優化模塊的優勢，有望開展以往在數值模式中難以進行的可預報性問題研究，例如最大可預報時長🍁、最大預報誤差🙆🏼‍♂️、最大可接受初始場及參數誤差以及鑒別初始誤差與模式誤差的相對重要性。

幾十年來，動力數值模式在大氣海洋科學的研究中扮演著極其重要的角色，數值模擬成為了理論研究與觀測試驗之外的第三種研究範式，可以指導觀測網絡的構建，並提高對大氣海洋現象的認知。然而除了開展預報，AI模型並沒有對觀測系統的構建與天氣氣候現象的認知提供正向的反饋，如圖中的紅色虛線所示🔆。“AI for forecasts”仍是當前絕大多數研究的核心🥜。基於AI模型的可預報性問題研究可驅動“big data”向“big and better data”的轉型，以真正做到“AI for science”◼️。

大氣海洋科學中的認知-觀測-模擬研究範式👇🏿。動力數值模型幾乎參與了所有相關研究（如所有箭頭所示）🤾🏿，而AI模型僅涉及使用觀測（或再分析）數據進行訓練，不參與其他相關研究（如紅色虛線箭頭所示）。

該觀點性文章以“The Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models”為題發表於《Advances in Atmospheric Sciences》期刊🤼‍♂️。我系穆穆院士為第一作者，秦博博士後為通訊作者，戴國錕副教授為合作作者。國家自然科學基金基礎科學中心項目（42288101）為該研究的第一資助🧑🏻‍🔧。

論文信息：Mu M, Qin B, Dai G. The predictability study of weather and climate events related to artificial intelligence models[J]. Advances in Atmospheric Sciences, 2024, 41(4): 1005-1025.