缺失蝴蝶效应与预测过去：准确的AI天气模型的特征还是缺陷？

AI weather prediction (AIWP) 模型可与基于物理的模型相媲美，但其出人意料的预报准确性来源以及其物理真实性的程度仍不清楚。这里，我们跨越一个从基于观测的再分析、大气环流模型到多尺度 Lorenz 系统的层级，表明 AI 模型可以被训练得很擅长预测过去（backcast），尽管 backcast 的准确性系统性低于 forecast。然而，熟练的 backcasting 似乎违反了热力学第二定律，而这些 forecast 和 backcast 模型都缺失了蝴蝶效应。我们将这种令人惊讶的预报准确性、缺失的蝴蝶效应以及熟练的 backcasting 追溯到一个单一原因：训练数据不可避免的粗粒化，它移除了快速、小尺度和/或某些变量。从 Lorenz 系统到官方的 Pangu-Weather 模型，减少粗粒化会使 AI 预测更接近物理规律（时间箭头和类蝴蝶效应显现），但预报准确性会下降。结果为 AIWP 模型的预报技巧提供了解释：与基于物理的模型不同，它们隐式学习了快速、小尺度如何影响大尺度，而不会继承其快速误差增长。更广泛的启示是，AI 模型的普及要求重新审视可预测性理论和长期气候模拟策略，而 backcasting 为此类分析提供了一个有用的新视角。