我们时常会听到许多有关气候变化将如何改变陆地、海洋和冰层的消息。但是，它又会对天空中的云产生怎样的影响？一种可能是，低空的云可能会像冰原一样“干涸”并缩小范围。另一种则是，它们可能变得更厚，更具反射性。你可能已经听出了问题所在，这两种情景实际上是截然相反的，它们将带来截然不同的未来气候。这也是目前气候模拟面临的困境。
如果你问两个不同的气候模型，当地球的二氧化碳水平急剧升高时，未来会是什么样的，可能得到两个非常不同的答案。造成这种情况的关键在于云量分析是以何种方式被囊括在气候模型内的。没有人否认云和气溶胶是气候方程的一个重要部分。但这些现象发生的空间尺度和时间尺度，都是现有的模型无法再现的。因此，它们只能通过许多种近似的方式被纳入模型中。对全球气候模型的分析一致表明，云是不确定性和不稳定性的最大来源。
对云的变化进行更精确的模拟，也是许多气候学家当前的挑战和目标。目前，最先进的全球气候模型差不多可以达到数千米的全球分辨率，但一些估计显示，模型可能需要至少100米的分辨率，才能捕捉到形成浅云系统的小尺度湍流涡流。根据摩尔定律，或许我们要等到2060年，才有足够的算力来捕捉这一水平的细节。在一项发表于《地球系统建模进展》的新研究中，科学家正在努力解决这个明显的差距。
他们将气候模拟问题分成了两部分，分别是一个粗粒度、低分辨率的行星模型，以及许多具有100至200米分辨率的小块。两种模拟独立运行，然后每30分钟交换一次数据，从而确保任何一种模拟都不会偏离轨道。这种气候模拟方法也被称为多尺度建模框架。除了协调各种尺度的模型，研究的另一项挑战是对模型进行重新编程，让它能够充分利用现代超级计算系统上数量日益增加的处理器。
可以这么理解，这个模型实际上迂回地解决了最难的问题。它包含成千上万个微模型，可以捕捉到像现实的浅云形成这样的细节过程，它们只有在非常高的分辨率下才会显现。同时，这种方法可以让超级计算机最好地分担模拟世界不同地区的云物理的工作，不同的地区可能需要不同的分辨率。这种合理分配就可以让模型的运行速度和效率增加。除此之外，科学家还在机器学习中看到了另一种富有前景的方法。
机器模型已经逐渐进入许多科学研究领域，包括天气预测。而在去年秋天上传至预印本平台的一篇论文中，一组研究人员描述了一种机器学习方法，它即使在没有经过训练的气候变化机制中也能成功预测大气的状况。这种“气候不变式”模型将气候过程的物理知识纳入了机器学习算法，研究说明，这种机器学习的方法的确有能力在广泛的气候和地理范围内保持很高的精确度。
有研究人员相信，一旦机器学习的高分辨率云物理学模拟最终成功，它将改变我们进行气候模拟的方方面面。但是，人工智能可以足够快地成熟吗？时间实际上是弄清云的变化的关键。未来，如果云像冰盖那样不断缩小，暴露出更暗的表面，这将放大全球变暖，以及随之而来的所有危害。但是，如果云与冰原恰好相反，它们变得更厚了，危险则相对小了很多。解决气候模拟中这个长期存在的问题，也是帮助我们准确预测未来的关键。