近日，2026世界杯官方合作网站樊京芳教授团队与合作者在国际期刊《自然·机器智能》（Nature Machine Intelligence） 发表研究成果，提出全球气候模态统一预测模型 UniCM。该研究面向地球复杂系统中的核心科学问题，将系统科学中的整体性、耦合性和涌现性思想引入人工智能气候预测，把太平洋、印度洋和大西洋中的多个关键气候模态纳入统一学习框架，实现了全球主要气候模态的协同预测，并揭示了隐藏在多模态相互作用中的“涌现可预报性”。这一成果表明，气候预测不应仅仅依赖对单一模态的孤立建模，而应将全球气候模态视为一个相互连接、共同演化的复杂系统。通过学习不同气候模态之间的非线性耦合关系，UniCM不仅提升了预测能力，也为理解极端气候事件的前兆信号、跨洋盆遥相关过程和地球系统集体行为提供了新的计算范式。

系统科学视角：气候模态不是孤立振荡，而是耦合网络

近年来，人工智能正在深刻改变天气预报。Pangu-Weather、GraphCast、GenCast、Aurora 等模型相继推出，使 AI 在未来数天到数周的全球天气预报中展现出接近甚至超过传统数值模式的能力，能够更快、更准地回答“未来几天天气如何”。 然而，在更长时间尺度的气候预测中，科学界仍面临重要挑战。厄尔尼诺，南方涛动，印度洋偶极子，北太平洋经向模态，热带北大西洋模态等气候现象，通常被作为相对独立的对象进行建模和预测。这种“分而治之”的方法虽然有助于刻画单个气候模态的演化，却难以揭示全球气候系统中不同模态之间的集体行为。

从系统科学的角度看，全球气候系统本质上是一个由海洋、大气、陆面和冰冻圈共同构成的开放复杂系统。不同气候模态并非孤立振荡，而是通过大气环流、海气相互作用和跨洋盆遥相关过程相互耦合，形成一个动态变化的全球气候模态网络。系统的整体行为往往不能简单还原为单个组成部分的叠加，而会在多模态相互作用中产生新的结构、新的响应和新的可预报性。 这正是系统科学所强调的核心思想：整体大于部分之和。UniCM 的提出，正是对这一思想在气候预测中的具体实践。

涌现可预报性：从整体耦合中发现新的预测信息

复杂系统研究中的一个重要概念是“涌现”。在许多复杂系统中，个体单元之间的相互作用可以产生宏观尺度上的集体行为。例如，微观粒子的相互作用可以形成相变和临界现象，神经元的协同活动可以产生认知功能，而全球气候模态之间的非线性耦合，也可能涌现出单一模态分析无法捕捉的可预报信息。 UniCM的设计正是受到这一思想启发。该模型采用双分支Transformer架构，一方面通过Globalformer分支从海表温度、风应力等精细物理场中学习气候模态的局地演化过程，另一方面通过Modeformer分支建模不同气候模态之间的非线性相互作用。两个分支通过耦合机制协同工作，使模型能够同时刻画局地物理过程和全球模态网络。

UniCM并不是简单地把多个气候指数放在一起进行预测，而是试图学习一个全球气候模态系统的整体动力学。它从局地物理场中识别模态如何形成，又从模态之间的相互作用中学习系统如何协同演化。这种“自下而上”和“自上而下”相结合的建模思路，体现了系统科学处理复杂问题的重要方法论。

图1. UniCM 总体架构。底部 Globalformer分支处理精细物理场，刻画气候模态从局地物理过程中形成和演化的过程；顶部Modeformer分支建模气候模态之间的非线性相互作用；两个分支通过耦合机制协同，实现全球气候模态的统一预测。

统一预测框架：突破传统单模态预测局限

研究结果表明，UniCM在ENSO预测任务上达到国际领先水平。在GODAS、ORAS5、SODA等多个再分析数据集上的系统检验显示，UniCM在24个月预报窗口内整体优于XRO、CNN、ResoNet、DESN 等代表性基线模型，将厄尔尼诺的有效预报时效延长至约19个月。

更值得关注的是，UniCM对起报于春季的预测也表现出显著优势。春季可预报性障碍是ENSO 季节预测中的经典难题，许多模型在春季附近预测技巧会明显下降。UniCM 在长达 14 个月的提前期内仍保持较高预测技巧，说明从全球气候模态耦合系统出发进行整体学习，有助于缓解这一长期困扰气候预测领域的关键问题。

但UniCM的突破并不止于ENSO。研究团队进一步在统一框架下，对横跨三大洋的七个关键气候模态进行了系统评估。结果显示，UniCM对印度洋偶极子等多个气候模态均取得了稳定提升，多个关键模态的整体预报技巧提高约20%。模型能够重建观测中不同气候模态之间的滞后相关结构，例如北太平洋经向模态超前 ENSO约4个月的领先关系。

这说明UniCM学到的并非简单统计相关，而是具有物理意义的系统耦合结构。对于系统科学而言，这一点尤为重要，因为真正有价值的预测模型不仅要“预测得准”，还应能够揭示系统内部的相互作用方式和组织结构。

图2. UniCM的ENSO预报表现。相比多个基线模型，U niCM 在不同预报提前期上保持更高预测技巧，并较好再现了历史上多次厄尔尼诺与拉尼娜事件。

图 3. UniCM 对全球多个气候模态的预报表现。 包括各气候模态的平均预报技巧、逐月预报技巧、关键模态随提前期变化的预测能力，以及模型对模态间滞后相关结构的重建。

从预测工具到发现工具：AI 揭示气候系统耦合结构

UniCM的意义不仅在于提升预测能力，更在于展示了AI作为复杂系统科学发现工具的潜力。

从复杂系统动力学的视角看，全球气候模态之间的遥相关可以理解为一个时变有向耦合网络。其中，ENSO、IOD、NPMM、TNA等气候模态是网络节点，模态之间的信息、能量和异常信号传播则构成网络连边。这一网络不是静态的，而会随着气候背景态和外部扰动不断重组。在某些关键时期，特定模态可能被激活并成为枢纽节点，进而影响整个气候系统的集体响应。

UniCM内部的注意力机制为刻画这一动态耦合网络提供了新的工具。模型的空间注意力分布可以反映其在预测过程中所关注的关键区域，而模态间注意力交互矩阵则能够近似揭示不同气候模态之间的结构化相互作用。

通过分析这些注意力图谱，研究团队发现，UniCM能够自动识别重大ENSO事件发生前的关键空间前兆信号和模态间相互作用路径。例如，模型识别出北太平洋经向模态在1997至1998年超级厄尔尼诺事件发生前的先导作用。这一结果表明，北太平洋异常信号可能通过跨洋盆耦合路径影响赤道太平洋，从而参与ENSO的发展过程。模型还发现，热带北大西洋模态在部分复杂多模态异常事件中具有重要作用，暗示其可能是连接大西洋与太平洋气候异常的重要桥梁节点。

这些结果说明，UniCM不只是一个黑箱预测模型，而是能够从观测数据中提取具有物理意义的前兆信号和耦合结构。它为理解全球气候模态如何共同调控极端气候事件提供了新的数据驱动证据，也展示了人工智能与系统科学结合后在机制发现方面的潜力。

图 4. UniCM 的注意力机制揭示重大 ENSO 事件的前兆信号。 上排展示不同事件年的空间注意力分布，下排展示模态间相互作用矩阵，反映模型识别出的关键区域和气候模态耦合关系。

系统科学的重要性：为地球复杂系统研究提供统一框架

该研究表明，系统科学不仅是一种理论视角，也是一种面向复杂现实问题的研究范式。气候变化、极端事件、生态风险、能源转型和人类社会可持续发展，往往都不是由单一因素决定的，而是由多个子系统之间的相互作用、反馈和级联过程共同塑造的。如何从复杂耦合关系中识别关键结构、发现前兆信号、提升预测能力，是系统科学在新时代面临的重要任务。 UniCM的提出，正是系统科学与人工智能深度融合的一个典型案例。它将全球气候模态作为一个整体耦合系统进行学习，打破了传统上对单一气候模态分别建模的局限，体现了系统科学中“整体建模、耦合分析、动态预测和机制发现”的方法优势。 未来，这一框架有望进一步扩展到季节内振荡、年代际变化、全球变暖背景下气候模态关系演变等问题，为提升气候风险预警能力和服务国家防灾减灾需求提供智能支撑。更进一步，当AI能够直接从海量观测、再分析数据和数值模拟中学习地球复杂系统的耦合规律时，它所服务的将不只是气候模态预报，还将延伸到极端天气预警、碳循环、海洋生物地球化学、生态系统演化以及自然，社会耦合系统研究。 一个由观测、数值模拟、系统科学和机器学习共同驱动的地球系统科学新范式正在形成。它追求的不仅是更准确的预测，更是对我们赖以生存的这颗星球更深层次的理解。

论文信息

相关研究成果以“Learning the coupled dynamics of global climate modes”为题，发表于 《自然·机器智能》（Nature Machine Intelligence）。2026世界杯官方合作网站樊京芳教授、清华大学电子工程系李勇教授为论文共同通讯作者;清华大学电子工程系博士生苑苑为论文第一作者；2026世界杯官方合作网站博士生邱仲普，清华大学电子工程系博士后研究员丁璟韬为共同作者。研究得到国家自然科学基金、国家重点研发计划以及中央高校基本科研业务费的资助。

樊京芳教授长期致力于复杂系统基本理论与地球系统科学的交叉研究，围绕复杂系统临界动力学、气候临界点、遥相关网络和高影响气候事件预测等方向，取得了一系列具有国际影响力的研究成果。近五年来，团队持续构建复杂系统临界动力学理论，相关成果发表于Nat. Phys.、Phys. Rev. Lett.、Sci. Adv.、Phys. Rep.、Sci. China Phys. Mech. Astron.等期刊；提出识别气候临界点及遥相关的新方法，相关成果发表于Nat. Clim. Change、Nat. Commun.、Sci. Bull.、Glob. Change Biol.等期刊；发展高影响气候事件预测方法，相关成果发表于PNAS、Nat. Clim. Change.、Commun. Earth Environ.、J. Clim.、npj Clim. Atmos. Sci.等期刊。近年来，团队进一步关注AI理论与应用，推动系统科学、气候科学与AI for Science深度融合，相关成果发表于Nat. Mach. Intell.、Phys. Rev. Res.等期刊，为本次全球气候模态统一预测模型 UniCM 的提出奠定了重要基础。

论文链接：https://www.nature.com/articles/s42256-026-01245-5

供稿：樊京芳

编辑：郝林青

审核：李  辉