天气与气候事件的可预报性研究聚焦于厘清产生预报不确定性的原因和机制🧑🏻‍🍳，在此基础上，给出减小预报不确定性的方法和途径。在大数据时代👳🏻‍♂️，人工智能（AI）气象大模型涌现🙅🏽🪭。从现有评估来看👩🏿‍🔬，AI大模型较传统数值模式的预报技巧有一定程度的提升✋🏼。在此背景下，万事娱乐穆穆院士团队指出，除了需要长期持续地评估AI模型预报误差以更加客观地了解其预报技巧外，也应该大力开展基于AI模型的可预报性问题研究。

目前开展AI模型可预报性研究的主要障碍是AI模型的结果缺乏物理可解释性，主要体现在两方面：其一是现有AI模型的时空分辨率过粗，无法刻画大气状态演化的中间过程🛎；其二是目前针对AI模型的性能评估大多只关注最终预报结果，较少关注中间过程与观测是否一致。因此，在开展基于AI模型的可预报性问题研究时，应首先关注AI模型对所研究现象的过程模拟能力，至少应与数值模式保持一致➰。若一个AI模型能够模拟出和观测非常相近的结果🚐，则可认为该AI模型以数据驱动的方式给出了（更确切说，以极小的差距拟合了）动力偏微分方程的数值解🤰，此时的AI模型具有一定的物理可解释性。此外，借助于AI模型的高运行效率、低时间/资源开销以及自带优化模块的优势，有望开展以往在数值模式中难以进行的可预报性问题研究👁，例如最大可预报时长🎂、最大预报误差、最大可接受初始场及参数误差以及鉴别初始误差与模式误差的相对重要性。

几十年来🤪，动力数值模式在大气海洋科学的研究中扮演着极其重要的角色🧏，数值模拟成为了理论研究与观测试验之外的第三种研究范式，可以指导观测网络的构建，并提高对大气海洋现象的认知。然而除了开展预报，AI模型并没有对观测系统的构建与天气气候现象的认知提供正向的反馈，如图中的红色虚线所示。“AI for forecasts”仍是当前绝大多数研究的核心🤷🏿‍♂️👨‍🎓。基于AI模型的可预报性问题研究可驱动“big data”向“big and better data”的转型🧍🏻‍♀️，以真正做到“AI for science”。

大气海洋科学中的认知-观测-模拟研究范式。动力数值模型几乎参与了所有相关研究（如所有箭头所示）🧑🏻‍🦰，而AI模型仅涉及使用观测（或再分析）数据进行训练，不参与其他相关研究（如红色虚线箭头所示）📬。

该观点性文章以“The Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models”为题发表于《Advances in Atmospheric Sciences》期刊✍🏽。我系穆穆院士为第一作者，秦博博士后为通讯作者🙇🏻‍♀️，戴国锟副教授为合作作者🕉。国家自然科学基金基础科学中心项目（42288101）为该研究的第一资助💁🏻‍♀️🧑🏿‍⚖️。

论文信息🔷：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.