赵九章·侯德封大师讲堂：穆穆院士解读天气气候可预测性与AI大模型时代新机遇

在全球气候变化与人工智能技术快速发展的双重背景下，天气与气候可预测性研究正迎来理论创新与技术突破的关键节点。4月2日，应地球和空间科学学院邀请，复旦大学大气与海洋科学系教授、中国科学院院士穆穆做客“赵九章·侯德封大师讲堂”，在东校区水上报告厅作题为《天气与气候的可预测性研究：AI大模型时代的机遇与挑战》的杰出讲座系列报告。报告由学院李锐教授主持。

穆穆院士从天气气候可预测性切入，系统阐释了混沌系统、初始误差增长与有效预报时限等核心理论，回顾了线性理论在目标观测与集合预报中的应用成效及局限。他重点介绍了团队原创的条件非线性最优扰动（CNOP）方法，讲解了其在高维非线性模式下的优化求解技术，以及在台风路径、近海海洋热结构预报等领域的成功应用，依托该方法的台风敏感区识别系统已准业务运行，为我国气象防灾减灾提供重要技术支撑。

针对人工智能大模型带来的变革，穆穆院士梳理了国内外气象AI大模型发展态势，分析了其在计算效率、预报时效上的优势，也指出了其物理可解释性不足、极端事件可靠性有限等挑战。他结合实例展示了AI大模型的潜力，围绕ENSO预测提出新研究思路，并强调未来气象预报的核心是物理驱动模型与数据驱动AI的深度融合，以突破预报不确定性瓶颈。

穆穆院士在报告中指出，未来天气气候可预测性研究的核心方向包括：物理模式与 AI大模型需精准表征 “蝴蝶效应”；AI大模型若突破有效预报时限（IPL），将重塑传统物理预报理论；AI可高效求解 CNOP，助力可预测性研究；其优化模块则为目标观测与集合预报带来新机遇。他强调，AI 研究需聚焦数据质量与模拟技巧双提升：以优质数据替代大规模数据，依托训练样本优化模式误差；推动模型实现 “高模拟技巧、高可解释性、可靠物理机制” 的跨越，促进 AI 从 “用于预报” 向 “用于科学” 转型，实现数据从 “大” 到 “优” 的升级。最终，穆院士明确：物理驱动与数据驱动 AI 的深度融合，是突破预报不确定性瓶颈、引领气象预报发展的核心路径。

报告结束后，现场师生围绕报告核心内容展开学术探讨。穆穆院士鼓励学生扎实掌握传统动力气象学理论、主动学习前沿技术；教师们就CNOP方法应用、AI与物理模型融合等问题与院士深入交流，探讨合作方向，穆穆院士耐心解答了所有问题。

本次报告逻辑严谨、内容翔实，兼具理论性与应用性，展现了大气科学前沿进展。此次大师讲堂为师生提供了与顶尖科学家交流的平台，推动了相关领域学术交流，对学院相关学科人才培养、科研创新及交叉融合具有重要意义。