文章作者、来源：36Kr

【导读】清华团队提出UniCM模型，通过统一框架学习多个气候模态的相互作用，帮助AI更好地理解全球气候系统的复杂关系。这一突破不仅提升了气候预测的准确性与时效，还让AI成为探索气候机制的工具，对防灾、农业等领域有重要价值。

提到气候预测，人们最熟悉的往往是厄尔尼诺（ENSO）。

然而，全球气候并不是由单一气候现象决定的。除了ENSO之外，印度洋偶极子（IOD）、热带北大西洋模态（TNA）、北太平洋经向模态（NPMM）等多个气候模态共同存在，并通过跨洋盆遥相关和海气相互作用形成一个动态耦合的全球系统。

长期以来，大多数预测方法主要关注单个气候模态，或仅研究少数模态之间的关系，难以刻画全球气候系统中复杂的非线性交互过程。UniCM则将多个关键气候模态纳入同一个统一框架进行建模，把全球海洋—大气系统视为一个相互作用的整体。

近日，清华大学电子工程系李勇教授团队在《Nature Machine Intelligence》发表题为《Learning the coupled dynamics of global climate modes》的研究论文，提出全球气候模态统一预测模型 UniCM（Unified Climate Model）。

论文链接：https://www.nature.com/articles/s42256-026-01245-5

研究团队发现，气候系统的可预测性不仅来自单个气候现象本身，更来自多个气候模态之间长期存在的耦合关系。通过学习这些耦合动力学，UniCM释放出传统方法难以利用的「涌现可预报性」（Emergent Predictability）。

该研究突破了传统气候预测「单一模态、分别预测」的思路，首次从全球耦合系统的视角，统一学习多个海洋—大气气候模态之间的复杂动力学关系，为长期气候预测、极端气候事件预警以及AI驱动的气候科学发现提供了新的研究范式。

研究背景

近年来，人工智能在天气预报领域取得了快速发展。多种AI模型已经能够在数天到数周尺度上实现高精度天气预测。

然而，气候预测关注的是更长时间尺度的问题：未来几个月、几年甚至更长时间内，全球气候系统将如何演化？哪些区域可能出现干旱、洪涝、热浪等极端事件？这些问题涉及多个海洋和大气系统之间复杂的跨尺度相互作用。

现有方法往往将气候模态视为相互独立的对象，而真实世界中的气候系统却是一个高度耦合的复杂网络。如何让AI不仅「会预测」，还能帮助科学家理解这些模态之间的长期耦合关系，成为AI for Science领域的重要挑战。

「双视角」统一气候模型

为解决这一问题，研究团队设计了UniCM双分支架构。

模型包含两个核心模块：

1. Globalformer：学习局地物理场演化

Globalformer负责处理海表温度（SST）、风应力、温跃层深度以及上层海洋温度等关键物理变量，从细粒度气候场中学习气候系统的时空演化规律。

2. Modeformer：学习气候模态之间的关系

Modeformer则聚焦于ENSO、IOD、TNA、NPMM、SPMM、IOB和SIOD等七类重要气候模态，学习它们之间的非线性交互和共同演化过程。

更重要的是，UniCM建立了双向耦合机制：一方面，局地物理场产生大尺度气候模态；另一方面，形成后的气候模态又反过来影响局地物理场的未来演化。研究团队将这种机制称为「mode-to-patch guidance」，即利用大尺度气候状态指导局地预测，实现从局部到整体、再从整体反馈局部的闭环建模。

研究结果ENSO预测能力达到国际领先水平

ENSO被认为是全球最重要的气候模态之一，也是长期气候预测领域最具挑战性的任务。

研究结果显示，在1980—2023年的观测数据检验中，UniCM在24个月预测窗口内持续优于多种代表性基线模型。模型能够将ENSO的有效预测提前期延长至19个月，而此前先进模型通常只能达到15至16个月左右。

同时，在长期困扰气候预测领域的「春季可预报性障碍」问题上，UniCM也展现出明显优势。模型在跨越北半球春季时仍能保持较高预测技巧，将有效预测能力延长至约14个月。

此外，UniCM成功再现了1997—1998年超级厄尔尼诺事件以及2020—2023年连续三年的「三重拉尼娜」事件，准确捕捉了这些历史极端事件的发生、发展和衰减过程。

首次实现全球多气候模态统一预测

UniCM不仅擅长预测ENSO，还能够在同一框架下同时预测七类重要气候模态，包括ENSO、IOD、IOB、SIOD、SPMM、NPMM和TNA。

结果表明，模型在多个气候模态上的预测能力均优于现有代表性方法。其中，对部分较难预测的非ENSO模态，平均预测技巧提升超过22%；IOD的有效预测提前期达到约7个月。

更重要的是，UniCM能够准确重建不同气候模态之间真实存在的滞后相关关系。例如，它成功再现了NPMM领先ENSO约4个月的物理联系，以及多个跨洋盆气候模态之间的耦合结构。

这表明模型学到的并非简单统计相关性，而是真实存在于全球气候系统中的物理耦合机制。

让AI从「预测器」变成「科学发现工具」

除了预测能力，UniCM还具有较强的可解释性。

研究团队通过分析模型内部注意力机制发现，在重大ENSO事件发生之前，模型会自动聚焦于具有物理意义的关键区域和关键模态关系。

例如，在1997年超级厄尔尼诺事件发生前，模型识别出NPMM的重要先导作用；在部分复杂气候事件中，则发现TNA可能扮演关键枢纽角色。相关发现与已有气候物理研究结果高度一致。

这意味着UniCM不仅能够预测未来气候状态，还能够帮助科学家发现潜在机制、提出新的科学假设，从而成为气候科学研究的重要辅助工具。

未来应用与发展前景

全球气候变化背景下，长期气候预测的重要性日益凸显。更准确、更长时效的气候预测将直接服务于农业生产、水资源管理、能源调度、渔业发展以及防灾减灾等领域。

研究团队认为，UniCM所体现的不仅是一种新的气候预测模型，更是一种面向复杂系统的统一建模思想。未来，该框架有望扩展到季节内振荡、年代际气候变化以及全球变暖背景下的气候模态演化研究，并进一步应用于其他具有「局部过程—整体结构」双向耦合特征的复杂系统。

从「预测天气」到「理解气候」，再到「发现规律」，UniCM展示了人工智能在地球系统科学中的新可能：真正重要的预测信息，也许并不隐藏在某一个气候指标中，而存在于整个气候系统持续演化的耦合关系之中。

参考资料：https://www.nature.com/articles/s42256-026-01245-5