地球上的气候，从来都是一个紧密联动的全球系统。当太平洋海水温度出现异常时，大气环流和洋流会迅速将这种“不均衡”传导至印度洋和大西洋；反之，印度洋与大西洋的任何微小波动，也可能对太平洋的平衡产生扰动。这种跨大洋的远程联动效应，在气象学界被称为“遥相关”。

回顾历史数据，1997年至1998年的超强厄尔尼诺事件曾导致多国相继遭受暴雨洪灾与持续性干旱的交替冲击；而2020年至2024年间罕见的“三重拉尼娜”现象更持续了整整三年，彻底扰乱了全球降水和气温的分布格局。这两起标志性事件背后，共同指向一个事实：极端气候事件往往是多个气候模态协同作用的结果。

由此引发一个自然的问题：是否存在一种方法，能够更早、更准确地预判未来气候走向？并且，能否同步解析多个气候模式之间错综复杂的相互影响？

近期，清华大学电子工程系李勇团队联合北京师范大学系统科学学院樊京芳团队、德国波茨坦气候影响研究所等机构，在国际期刊Nature Machine Intelligence上发表了一项研究成果。他们提出了一个名为UniCM的人工智能气候预测模型，旨在系统性地回应上述问题。

根据论文介绍，UniCM模型将ENSO（厄尔尼诺-南方涛动）的有效预测时效显著延长至19个月。ENSO是赤道中东太平洋海温与大气相互作用的周期性波动：暖海温阶段对应厄尔尼诺，冷海温阶段则对应拉尼娜，其对全球天气与气候的影响举足轻重。

不过，这款模型的意义远不止于预测厄尔尼诺。其真正的亮点在于，它尝试同时理解太平洋、印度洋和大西洋中多个关键气候模式之间的相互作用与反馈。这不再是一种“单点突破”式的预测，而是对全球气候联动机制的整体性建模。

在架构设计上，UniCM是一个基于Transformer框架改造的统一预测模型，由两个核心分支组成——Globalformer和Modeformer。

图 | UniCM （来源：上述论文）

Globalformer分支主要负责处理全球海洋与大气的基础物理数据，如海表温度、海面风应力、温跃层深度以及上层300米海温等关键变量。而Modeformer分支则专注于处理气候模式本身，例如ENSO指数、印度洋偶极子指数等，用以判断特定气候现象当前的演化状态。

在数据训练方面，UniCM充分利用了多套权威气候数据集，不仅涵盖CMIP6气候模式模拟数据，还包括GODAS、ERA5、ORAS5、SODA等主流海洋再分析数据。研究团队汇集了长达165年的历史气候记录来构建训练集，使模型能够充分学习在常态与极端气候场景下各模态之间的联动规律。其设计采用过去12个月的气候数据作为输入，输出未来连续24个月的预测结果——这种架构从根本上保证了中长期气候预测的可靠性。

为验证模型性能，研究团队将UniCM与当前国际主流的XRO、DESN、CNN、ResoNet等模型进行了多轮对比测试，测试范围覆盖短期与中长期预测、常态与极端气候等多种应用场景。

实验结果表现亮眼：UniCM将厄尔尼诺的有效预测时间延长至19个月，相比此前性能最强的物理-深度学习混合模型DESN（16个月），又向前推进了整整3个月。

图 | UniCM 对ENSO 的预测（来源：上述论文）

该模型还成功重现了历史上多种复杂的极端气候事件——从1997-1998年的极端厄尔尼诺，到近年极具挑战性的2020-2024年“三重拉尼娜”现象，均能准确模拟其发生时间、强度演变及衰退过程。

此外，该模型还成功克服了全球气候预测中的一个长期难题——“春季障碍”。所谓“春季障碍”，是指气候模式在预测厄尔尼诺或拉尼娜事件时，其预测技巧与准确率在每年3月至5月间会出现急剧下降。这一时期海洋与大气耦合状态最为不稳定，预测的不确定性也达到峰值。然而，UniCM在针对春季跨度的预测任务中，竟然能够在提前14个月的情况下，仍然维持较高的预测准确率。

对于太平洋经向模态、南印度洋偶极子等研究相对较少的次要气候模态，UniCM也展示出卓越的泛化预测能力，平均性能提升超过22%。例如，该模型成功将印度洋偶极子的有效预测期延长至7个月——这为防灾减灾、全球农业的多月前置规划提供了极为宝贵的决策窗口期。

然而，预测精度固然重要，但预测结果的可信度与可解释性同样关键。

许多人对AI气候模型存在这样的疑虑：它或许能做出精准预测，但我们难以理解其背后的预测逻辑。如果模型仅仅是一个难以解读的“黑箱”，那么它对科学发现的推动作用将十分有限。

为此，研究团队深入剖析了UniCM内部的注意力机制，尝试解析模型在预测过程中重点关注了哪些区域，以及哪些气候模式之间的关联性。结果令人瞩目：在未引入任何人类预设物理知识的前提下，模型自主识别出“北太平洋经向模式”是触发1997年极端厄尔尼诺现象的关键前兆；而在预测1995年拉尼娜现象时，模型自动将关注点转移至热带大西洋盆地——这一发现与既有科学文献中的结论完全吻合。

此外，UniCM还精准还原了各大洋气候现象在时间先后、强弱关联等方面的真实规律，而传统模型不仅容易夸大彼此影响的力度，也难以准确捕捉这种复杂的联动特性。

当然，论文中也坦诚指出了当前研究的一些局限。例如，像印度洋偶极子这类变化速度快、受季节影响显著的气候现象，受自然规律制约，其有效预测时间很难再大幅延长。此外，该模型目前主要擅长预测几个月至两年内的气候演变，尚未能兼顾短期数周波动及长达数十年的长期气候变迁。

研究团队表示，接下来计划继续升级模型：融合不同时间尺度的气候规律，同时深入分析全球变暖将如何改变各大气候现象之间的相互作用与反馈，使AI的研究成果能够更有效地助力气候理论的探索与突破。

1.https://www.nature.com/articles/d41586-026-01538-0

2.Yuan, Y., Ding, J., Qiu, Z. et al. Learning the coupled dynamics of global climate modes. Nat Mach Intell (2026). https://doi.org/10.1038/s42256-026-01245-5