讨论“干绝热直减率”，说明AI现阶段有局限性
3月31日我发博文解释，关于气象学“干绝热直减率”的争论，可以简明地根据阿基米德浮力定律和理想气体的重要特性得到解决。但多个著名推理AI面对不同于传统教材的新问题时，居然也忘了基础理化知识而发生了错误。本文简要说明和AI的讨论情况，通过图文解释讨论的问题，探讨目前阶段AI参与科研的优势和局限性。https://blog.sciencenet.cn/blog-609047-1480115.html
特别感谢钟定胜老师：他应用了多个著名推理AI模型，并发博文列出详细问答过程，因此提供了难得的案例可以分析AI的强大优势和目前存在的局限性。这些AI包括：绿狗、ChatGPT、DeepSeek、GPT-o3-mini、GPT-4o、和Claude3.7Sonnet。问答过程可见，AI在科技方面的知识、组织和逻辑推理方面展现了极强优势。每次提问，尽管有时问题复杂而且新颖，AI的回复几乎都是瞬时的，不到1分钟。每次回复都可见清晰的组织架构，如定义、假设、合理性分析、公式和推导，计算结果和结论。
针对“干绝热直减率”问题，和AI的详细问答可见，开始问到传统推导过程和合理性分析时，多很正常，只有ChatGPT有较明显错误。深入到有争议的问题时，即（1）可否假设采用微小气团，（2）重力做功是否应当显式应用，以及（3）采用新方法假设“孤立隔绝”气团，推得数值1.353度/百米（传统数值是0.98），AI的回答就各不相同了。多数承认传统推导有错误或理论缺陷，支持肯定新方法的观点和结果，但希望有进一步的理论和实验检验。只有GPT-o-mini坚持说“传统教材的推导并非强词夺理，而是一种基于宏观平均的近似”，“压力梯度结构实际上隐含了重力影响”。但也对新方法给与高度评价，只是希望“未来是否能在更广泛的理论与实证检验中推广，还需要更多后续的研究和数据支持”。
我3月31日博文中解释·，传统教材的推导过程是正确的，建议的“新方法”其实不能自圆其说。可以从阿基米德浮力定律和理想气体的重要特性得到解答。这些知识十分基础，AI们应当了然在胸，为什么它们也错了？
我博文第一个解释是如果要考虑重力对空气团做功，就不能忘记同时存在的浮力做功。
如图1(a)，我先想到小孩玩的气球：说有重力，必定还有浮力。否则无论气球里充的是氢气或者热空气，因为重力，一定只能向下掉，不会停滞或者上升的。这个浮力，按阿基米德，等于气球体积能排开空气的重量，通过气球质心，方向向上。我还想到可能有摩擦力，方向和气球移动方向相反。如果气球移动速度小，摩擦力也很小。如果是空气团，则和界面附近空气分子交换相关。只要气团足够大，可以忽略的。
图1，(a) 普通气球、(b) 巴黎热气球照片 (c) 教科书上的热气球图片
小孩在公园里玩气球很常见。网上还有很多旅游照片中有很大的热气球。它们自己没有动力，全靠体积大（排开空气多浮力大）充有热空气（自身重力小），可以携带多名旅客升空浏览风景。想想：这些气球凭什么能悬浮和上升？图1(b)是我自己2018年在巴黎旅游时拍的照片。污染气象学教科书里也有图片。如图1(c)取自清华大学出版社，2000年出版的影印版，Noel D Nevers, Air Pollution Control Engineering, 2rd ed. P92。
由此可见，一说到空气团受到重力，就应当进行受力分析。从生活、旅游或传统教材相关章节，很容易就想到或查到浮力。但是这些AI们为什么都没有“想到”要做受力分析，更没有“联想”到生活或旅游印象/照片，或教科书上的图片，认识到浮力的重要？
又如和GPT-o3-mini讨论时，让它读读Jacob著书的推导过程（4.3.3 Dry Lapse Rate-P53）。然而我发现此书前2节是（4.3.1 Bouyancy-P51）和（4.3.2 Atmospheric Instability-P52）。特别4.3.1 Buoyancy标题的中文就是“浮力”。第51页上还有一张图（中文是我翻译的）：
图2，Jacob书上第4.3.1节的标题和图4-13
图中“压强梯度力”实际上是“浮力”。Jacob写压强梯度力和重力的合力为浮力是错误的。这个合力应当称为“举力”。GPT-o-mini说看了4.3.3干绝热直减率的推导过程。能读书是AI们的特长，但为什么没有发现4.3.1节说到的浮力？
顺便说一下：Jacob书上的推导过程和图2中方程（4.5）的形式和气象出版社1985年出版，李宗凯、潘云仙、孙润桥的教科书《空气污染气象学-原理及应用》的推导（P20-21）如同一撤，如图3。文中“该力使单位气块产生的加速度”公式形式和图2中浮力（应当是举力）加速度的表达式（4.5）相同。想来AI们并不重视中文书？其实这本书至今看来也是学习研究污染气象学时最好的中国书籍！
图3，国内早期教材应用重力和浮力的平衡关系解释大气稳定状态
我博文第二个解释是干绝热直减率的传统推导中，假设一个适当大小空气团是正确的。
因为对象是环境大气，空间尺度大。如果是微气象学或边界层气象学，干绝热直减率概念和应用并不重要。因为这时空气流动的动力学因素也很重要了。在大气污染问题的实际工作中，稳定度分级不仅要考虑昼夜和云量（热力学因素），也要考虑风速和地区地形（城区、山区、平原）等动力学因素。
都知道大气的水平和垂直尺度非常大。就看看污染气象学涉及的尺度吧：图4和图5来自John H. Seinfeld著, Air Pollution: Physical and Chemical Fundamentals, McGraw-Hill, 1975。图中中文是我翻译的。应用这两张图，一是说明在污染气象学范围内，设定研究对象为适当大小的空气团（几十-几百米）是合理的。二是说明有实测数据可以说明气温垂直分布中，干绝热直减率是一个很好的参考依据。
图4，垂向气温和SO2浓度分布，1966年3月9日上午7:38于纽约市炮台公园
图4可见，春季早晨纽约市上空的实测气温曲线虽有起伏，但总趋势和干绝热曲线相符。有2个明显的“逆温层”：一个标出在400-500m高度之间，另一个没有标出，在1100-1200m高度范围。“逆温”指气温在垂直方向等温或升温，层内空气处在强稳定状态。标出的逆温层比较低，称为“低空逆温”，下面的污染物难以向上扩散，是造成严重污染的地面向上的“混合层”的重要气象原因。此外，顾名思义，混合层内“静而不稳”，空气常处于中性或弱不稳定状态。
图5，1967年6月13日美国肯塔基州和俄亥俄州交界，
辛辛那堤市及郊区，气温垂直分布状况。注意高度是用英呎标出的。
图5可见，污染气象问题涉及的水平范围和垂直高度，逆温层、混合层，以及地面附近风速风向受到城区和山坡影响的情况。
当着研究局地空气污染物扩散和输送问题，例如火电厂或钢铁厂烟羽分布时，不需要应用干绝热直减率。因为地面附近空气的稳定状态也受到动力学因素（风）和地面摩擦的强烈影响。应用风速风向和太阳辐射强度（昼夜，云量）。大气稳定度分级如下表，根据分级可以查阅顺风向和横风向扩散系数，代入扩散模式计算污染物扩散的浓度分布。表格取自前述李宗凯等著的书第243页：
所以，推导干绝热直减率没有必要考虑微小空气团。这个道理，看起来AI们都不懂。都说现有教材的推导过程的假设虽然合理，但不适用于微米级微小空气团。没有一个AI能够在肯定传统教材的同时，对做微小气团研究的想法“说不”！不能判断是非？
我博文第三个解释是理想气体有个重要性质：只需确定两个独立的状态变量，它的状态就完全确定了，即其他状态变量都可以由这两个变量结合状态方程推导得到。
因此，如果采用新方法的“孤立隔绝”假设讨论空气团，不和外界交换热量，也不做“体积功”（指没有膨胀或收缩）。然后又认为其内能会因为重力势能变化而变化，再从理想气体内能只是气温的函数，算出降温率1.353度/百米，是错误的。因为如果不交换热量，就是过程中熵（S）不变，不做“体积功”，就是体积（V）不变。S和V是两个互相独立的状态变量。它们不变，对理想气体而言，其他状态变量，包括气温（T），气压（P），内能（U）和焓（H）也都不变了。怎么可能用新方法推导，得到气团会降温1.353度/百米？原因其实是“新方法”中气团受重力但忘了浮力也做功的问题了。
阿基米德浮力定律和理想气体的特性都是非常基础的理化知识，AI们为什么没有一个记得，能反对新方法的假设和结果？
AI的突出优点首先是汇集了庞大的数据库，其次是能针对提出的要求，极高速汇集数据/信息/文稿，组织和回答结果。从提问AI得到的回答看，认识问题，基本假设、推导过程，结论。井井有条，合情合理。然而当多次提问是否应当考虑重力做功，必须同时考虑微小气团，以及提出“孤立隔绝”假设的新方法，计算得到1.353度/百米的结果后，这些AI们的反应就出问题了。或者说看到“有人说”，但不置可否；或者承认传统推导有错误；关于新方法，则多表示充分肯定和支持。仅有GPT-o3-mini表示看到了新方法和结果，但认为应当由同行审议，并通过实验验证（也没有表示反对）。
上面讨论可见，在现阶段面对新的科技问题时，AI的分析讨论存在局限性。我下面的想法不知对不对，欢迎批评指正：
AI毕竟不是人。AI会推理会逻辑和组织，人却更会思想和联想。思是“思念”。人遇到没想通的问题时，会铭记在心经常想。特别是遇到或看见或突然回想事物时，也许“灵光一现”-顿悟-就解决了问题。想则包括“想象”和联想，会想象情景设身处地分析问题。联想则是会类比，可能是类比完全不同的场景（时间地点）发生的事物，突然联系到想解决的问题。
这几个AI在思想和联想上出了问题：说到重力居然不会做受力分析，想不到浮力。Jacob书上明明有Buoyancy一节，说看了居然还想不到浮力。虽然熟悉传统推导过程，却不能确认干绝热直减率不是为微气象学研究应用的。。。说起理想气体，会写状态方程和推导公式，却没想到两个独立的状态变量决定了气体的状态，不会联想还是只记住了公式但没真懂？
网上说目前AI有缺点，如不能判断是非和不负责任，即遇到用户不同意见时会给模棱两可的回答。创新也是AI的一个大缺项。遇到和传统不同的新观点或新方法，AI就显得很被动。因为收集的都是人类已经得到的数据和知识，不足于拓宽思路，分析组织能评判新事物的方向、方法和结果。
前面已经说到，在科研方面，AI的优点非常明显。极其大量并不断增加的知识，信息和数据；已经建立并不断改进中的推理架构和步骤；极高速高效的应对过程，等等。为我们科研工作提供了极好的工具或助手。。。。
希望能很快看到AI技术的大发展，克服现阶段出现的局限性！
转载本文请联系原作者获取授权，同时请注明本文来自蒋大和科学网博客。
链接地址：https://wap.sciencenet.cn/blog-609047-1483830.html?mobile=1
收藏
