2021年4月9日中国气象服务协会人工智能技术委员会召开成立大会，我应邀参加会议，并做了即席发言，一方面对技术委员会的成立表示祝贺，希望他们通过广泛合作能取得进展和成绩，同时也对人工智能在气象领域的应用潜力谈了一些想法。会后有人找我进一步探讨，提出补充意见，也使我从中受益。

2018年世界气象日的主题是“智慧气象”，我曾为《气象》杂志写了一篇专题文章，标题是“从物理模型到智能分析—降低天气预报不确定性的新探索”，主要谈了通过人工智能技术可以解决气象业务、科研中存在的一些不确定性问题。随着上世纪初开始动力气象学逐步建立、数值预报方法研发成功，大气科学在确定性方向上跨越了一大步，确立了其在自然科学体系中的学科地位。但这并不意味存在的大量不确定性问题完全得到解决，包括观测方法、数据处理、预报能力、服务方式等，都存在许多灰色地带难以通过精确方法解决。特别是美国气象学家洛伦茨1963年提出了混沌理论后，扭转了人们试图通过确定性方式彻底解决预报问题的预期。随后，气象科技人员除了在数值模式研发领域取得了显著进展外，也不断探索解决不确定性问题的途径，弥补确定性方式的不足。这也是我在那篇文章中阐述的主要观点，认为可以通过人工智能技术与确定性方法实现互补，促进相关气象问题的解决。

但在4月9日的发言中我谈了另一个看法，即人工智能方法在气象领域除起到互补性作用外，是否在一些问题上还存在颠覆性。我对人工智能技术并不熟悉，仅是基于该技术在某些方面取得的进展提出这一观点。

今年1月，美国谷歌公司的专业人员发表了一篇关于通过机器学习提升流体力学计算（Machine learning accelerated computational fluid dynamics）的文章，在技术上取得了重要进展。对二维涡流进行的模拟结果，无论是开展直接数值模拟（direct numerical simulation, DNS）还是大涡模拟（large eddy simulation,LES），在保持相同准确率的条件下，网格分辨率可以超过传统数值模拟计算的8~10倍，而速度可以提升40-80倍，且在长时间模拟中，仍能保持计算稳定。该方法还具备通用性，可以适用于其他非线性偏微分方程求解。我无法判断这一进展距实际应用还有多远，仅从变化趋势看，确实对目前通过微分方程离散差分计算的相对确定性方法提出了挑战。

通过机器学习方法求解偏微分方程取得的成果并非今年才有，来自美国华盛顿大学的团队2017年就在科学（Science）杂志子刊Science Advances上发表了通过机器学习方法求解偏微分方程的文章（Data-driven discovery of partial differential equations）。随后，陆续有一些著名杂志发表了类似成果或进展，2020年，在科学杂志上还发表了美国布朗大学应用数学的研究团队利用AI方法求解流体力学方程的文章“隐式流体力学：从流动可视化中学习速度和压力场（Hidden fluid mechanics: Learning velocity and pressure fields from flowvisualizations）”，声称所构建的机器学习框架具备有机器学习的通用性和计算流体力学的针对性双重优势。

除了通过机器学习求解偏微分方程所取得的进展，在变分同化这一数值天气预报技术发展的重要领域，机器学习方法也被认为具有潜力，在今年欧洲中期数值预报中心（ECMWF）的春季报告中就讨论了资料同化(DA)与机器学习、深度学习（ML/DL）之间的基础理论等价问题。ECMWF还在2021-2030的十年规划中明确提出由于与机器学习具有共同的理论基础，变分资料同化将从机器学习技术发展中受益。

基于以上人工智能技术的发展动态，我提出了其已具备颠覆性的潜力，具体能走多快、走多远，则需要专家们来判断和推进了。会后，有人在交谈中，对我的意见表示了认可，同时还提出了补充看法，认为人工智能在互补性、颠覆性之外，还应该加上可解释性。我认同这位专家的提法，2019年4月8日欧盟曾正式发布了一个人工智能道德准则《ETHICS GUIDELINES FOR TRUSTWORTHY AI》（可信赖AI的伦理准则），提出了实现可信赖人工智能全生命周期的框架，其中包括四项伦理准则：“尊重人的自主性、预防伤害、公平性和可解释性。”可解释性的提出反映了对人工智能未来发展的更高要求，人们不但需要知道结果，还要了解过程，知道是什么，也要知道为什么，这在人工智能领域已成为受到关注的技术热点，也是需要攻克的难点，从关联性转向逻辑性，人类取得科技进步的路径也是这样走过来的。

《中国气象报》