The Rise of AI in Weather and Climate Information and its Impact on Global Inequality
作者: Amirpasha Mozaffari, Amanda Duarte, Lina Teckentrup, Stefano Materia, Gina E. C. Charnley, Lluis Palma, Eulalia Baulenas Serra, Dragana Bojovic, Paula Checchia, Aude Carreric, Francisco Doblas-Reyes
分类: physics.ao-ph, cs.AI, cs.LG
发布日期: 2026-03-05
💡 一句话要点
揭示AI在气候信息中的南北差距，呼吁数据公平与知识共建
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 气候变化 人工智能 全球不平等 数据公平 知识共建
📋 核心要点
- 现有气候信息系统存在严重的南北差距，人工智能的应用可能加剧这种不平等，尤其是在数据、算力和知识获取方面。
- 论文提出从数据、过程和输出三个阶段入手，通过数据公平、公共基础设施建设和知识共建来解决气候信息中的不平等问题。
- 论文通过天气气候建模、气候影响建模和大型语言模型三个领域，展示了现有AI方法在气候信息应用中存在的偏差和局限性。
📝 摘要（中文）
人工智能在地球系统科学中的快速应用，有望以前所未有的速度和精度生成气候信息。然而，这种技术能力建立在脆弱而不平等的基础之上：当前人工智能的发展轨迹可能进一步自动化和放大全球气候信息系统中的南北差距。本文阐述了高性能计算和数据基础设施方面的全球不对称性，表明基础模型的开发几乎完全集中在全球北方。通过三个不同的领域，展示了这种基础设施不平等如何贯穿模型的输入、过程和输出。例如，在天气和气候建模中，对历史偏差数据的依赖导致了系统性的性能差距，对最脆弱的地区造成了不成比例的影响。在气候影响建模中，数据稀疏性和不具代表性的验证可能导致误导性的干预和适应不良。最后，在大型语言模型中，对气候知识的文本化形式的依赖可能强化现有的偏见。因此，需要重新审视模型的输入、过程和输出这三个阶段，包括从以模型为中心转向以数据为中心的发展，建立气候数字公共基础设施和以人为本的评估指标，以及从生产者-消费者动态转向知识共建，以真正实现计算主权的民主化，并确保人工智能革命促进真正的系统性韧性，而不是加剧不平等。
🔬 方法详解
问题定义：论文旨在解决人工智能在天气和气候信息生成中加剧全球不平等的问题。现有方法，特别是依赖于人工智能的模型，由于数据偏差、算力分布不均以及知识获取的限制，导致对全球南方地区的气候预测和影响评估不够准确，甚至可能产生误导性的结果。这些问题源于全球北方在高性能计算、数据基础设施和气候知识生产方面的优势地位，使得人工智能的应用进一步放大了现有的南北差距。
核心思路：论文的核心思路是从模型的输入、过程和输出三个阶段入手，重新审视和调整人工智能在气候信息生成中的应用。具体而言，强调从以模型为中心转向以数据为中心的发展模式，重视数据的质量、代表性和公平性；建立气候数字公共基础设施，促进算力的民主化分配；推动知识共建，整合不同地区的知识体系，从而实现更加公平和包容的气候信息生成。
技术框架：论文并没有提出一个具体的AI模型或算法框架，而是从宏观层面分析了人工智能在气候信息生成中的应用流程，并指出了其中存在的偏差和不平等现象。其框架可以概括为：1）数据输入阶段：分析数据偏差对模型性能的影响；2）模型处理阶段：强调算力分配不均的问题；3）结果输出阶段：关注结果的解释性和可信度，以及对不同地区的影响。
关键创新：论文的关键创新在于其视角，即从全球不平等的角度审视人工智能在气候信息生成中的应用。它没有关注具体的模型性能提升，而是强调了人工智能可能加剧社会不平等的问题，并提出了相应的解决方案。这种视角在气候科学和人工智能领域都具有重要的意义。
关键设计：论文并没有涉及具体的模型设计或参数设置。其关键设计在于其提出的三个阶段的改进策略：1）数据输入：强调数据的多样性和代表性，避免使用带有历史偏差的数据；2）模型处理：建立气候数字公共基础设施，促进算力的公平分配；3）结果输出：采用以人为本的评估指标，关注结果对不同地区的影响，并推动知识共建。
🖼️ 关键图片
📊 实验亮点
论文通过三个案例研究突出了AI在气候信息应用中的偏差：天气气候模型对历史偏差数据的依赖导致对弱势地区预测不准；气候影响模型因数据稀疏导致干预措施失误；大型语言模型依赖文本知识强化了现有偏见。这些案例有力地证明了AI在气候信息领域存在加剧不平等的风险。
🎯 应用场景
该研究成果可应用于改进全球气候模型的公平性和准确性，尤其是在发展中国家和弱势地区。通过更准确的气候预测和影响评估，可以帮助这些地区更好地制定适应气候变化的策略，减少气候灾害带来的损失。此外，该研究也为人工智能在其他领域的应用提供了借鉴，提醒人们关注技术可能带来的社会不平等问题。
📄 摘要（原文）
The rapid adoption of AI in Earth system science promises unprecedented speed and fidelity in the generation of climate information. However, this technological prowess rests on a fragile and unequal foundation: the current trajectory of AI development risks further automating and amplifying the North-South divide in the global climate information system. We outline the global asymmetry in High-Performance Computing and data infrastructure, demonstrating that the development of foundation models is almost exclusively concentrated in the Global North. Using three different domains, we show how this infrastructure inequality continues through models' inputs, processes and outputs. As an example, in weather and climate modelling, the reliance on historically biased data leads to systematic performance gaps that disproportionately affect the most vulnerable regions. In climate impact modelling, data sparsity and unrepresentative validation risk driving misleading interventions and maladaptation. Finally, in large language models, dependence on dominant textualised forms of climate knowledge risks reinforcing existing biases. We conclude that addressing these disparities demands revisiting the three phases, i.e. models Input, Process and Output. This involves (i) a perspective shift from model-centric to data-centric development, (ii) the establishment of a Climate Digital Public Infrastructure and human-centric evaluation metrics, and (iii) a move from producer-consumer dynamics toward knowledge co-production. This integration of diverse knowledge systems would truly democratise compute sovereignty and ensure that the AI revolution fosters genuine systemic resilience rather than exacerbating inequity.