走下查尼阶梯：机器学习与后登纳德时代的计算气候科学

20 世纪 50 年代数字计算的问世引发了天气与气候科学的一场革命。长期基于时空模式外推的气象学，在数值天气预报取得进展的十年间让位于计算方法。同样的方法也催生了计算气候科学，研究那些相同数值方程在远长于天气事件的时间间隔内的行为，以及外部边界条件的变化。随后几十年计算能力的指数级增长将我们带到了今天，模型的分辨率和复杂度不断提高，能够掌握许多具有全球影响的小尺度现象，以及地球系统中日益复杂的反馈。七十年后的今天，计算领域正迎来一个转折点，预示着所谓的登纳德缩放定律——即计算单元不断缩小、运算速度不断加快背后的物理原理——的终结。这正促使我们从根本上改变模拟天气和气候的方式，其革命性可能不亚于约翰·冯·诺依曼在 20 世纪 50 年代所带来的变革。一种路径可能让我们回到早期模式识别和外推的时代，但这次有计算能力的辅助。另一种路径可能引领我们获得仍以数学方程表达的洞见。无论采取哪种路径，或两者的任何综合，显然都不再是过去几十年那种稳步前进、不断向日益精细的模型添加细节的模式。在这份展望中，我们试图勾勒出未来几十年这一进程可能如何展开的轮廓，即对物理知识、计算和数据的一种全新驾驭。