加州理工主导的一支研究团队表示，人工智能已不只是追踪系统的渐变，还能预测一个系统何时逼近“临界点”。研究发表在《美国国家科学院院刊》后，团队报告称，一种循环神经算子在简化气候模型和机翼湍流气流模拟中都能提前捕捉突变信号。
关键事实
- 这项研究由加州理工、科罗拉多大学博尔德分校和英伟达的研究人员共同完成。
- 研究使用的人工智能方法是循环神经算子，论文将其描述为带有内置“记忆”。
- 在一个气候模拟情景中，模型对低云消失的临界点实现了两年多的提前预测，误差约为11天。
- 论文还测试了倾斜机翼上的气流模拟，模型成功预测了与升力骤降相关的临界点。
- 作者认为，这一方法可能与气候科学、生态学、流行病学和航空设计有关。
这对学生、研究人员和工程师意味着什么？
直接影响最大的是研究非线性、非平稳系统的学生和科研人员。论文显示，这种新方法有望帮助分析那些随时间演化、而传统机器学习方法难以处理的系统，因为系统的物理规律会发生变化。
对气候科学、空气动力学及相关方向的学生和研究者来说，最重要的结论是：论文测试的是简化系统，气候部分仍是模拟数据，并非直接观测到的真实气候过程。这意味着它展示的是一种方法，而不是已经可用于现实世界部署的成熟预报工具。下一步需要检验类似方法在更复杂数据和更广泛应用中的稳定性。
这项工作也与航空航天研究有关。在机翼模拟中，人工智能在升力突然下降前就发出了临界点信号；作者认为，这类提前识别能力未来可能对预测和设计都有价值。
研究团队实际证明了什么？
他们证明，一种循环神经算子可以识别模型系统何时正在逼近临界点。与标准人工智能天气模型不同，这种方法被设计用来处理行为会随时间改变的系统，而不是默认未来会和过去一样。
论文第一作者、加州理工的阿尼马·阿南德库玛表示，临界点是系统不再回到原始状态的时刻。论文强调，这类变化可能是灾难性的，在某些情况下甚至不可逆。
气候预测有多准确？
在一个模拟气候情景中，研究人员考察了二氧化碳上升导致海洋低云可能消失的情形。模型能够在模拟数据中提前两年多看到这一临界点，并把时间误差控制在约11天。
这一结果之所以重要，是因为低云消失会进一步加剧全球变暖。不过，论文证据仍限于简化模型和模拟数据，因此更应被理解为概念验证，而不是对地球气候的直接预报。
为什么这种新方法适用于不稳定系统？
原因在于，许多真实系统并不是平滑、稳定地演化。研究人员表示，循环神经算子包含某种“记忆”，能够跟踪物理过程如何变化，从而识别何时模型自身的预测开始与系统行为不再一致。
这种警告信号正是临界点可能临近的标志。论文称，这种能力可用于气候系统、生物暴发或飞机表面的气流等场景，因为这些系统往往会先缓慢变化，再突然转折。
谁参与了这项研究，资金从哪里来？
除阿南德库玛外，加州理工作者还包括校友米格尔·刘-施亚芬尼和斯泽·柴·梁，以及航空航天教授简·贝。外部合作者包括科罗拉多大学博尔德分校的克莱尔·E·辛格，以及英伟达的尼古拉·科瓦奇基和卡姆亚尔·阿齐扎德内席利。
论文称，研究资金来自梅隆·梅斯本科生奖学金、埃里克和温迪·施密特通过 AI2050 Senior Fellow Schmidt Sciences 项目提供的支持、加州理工校董查尔斯·特林布尔、美国海军研究办公室、Carver Mead New Adventures Fund，以及加州理工自主系统与技术中心。机翼模拟的计算时间由匹兹堡超级计算中心提供，该中心又受美国国家科学基金会支持。
常见问题
这项研究中的“临界点”是什么意思？
在这项研究的表述里，临界点是系统跨入一个新状态、并且无法再回到原来状态的时刻。论文把这一概念同时用于气候变化和气流转变。
作者认为这种方法未来能用到哪些领域？
作者认为，这种方法可能用于气候科学、生态学、流行病学、航空设计以及其他会在缓慢变化后突然转变的领域。
