知识卡片：提升混合地球系统模型的可复现性

英文标题：Enhancing reproducibility in hybrid Earth system models

英文关键词：hybrid Earth system models; reproducibility; artificial intelligence; RHEM; transparency; climate risk assessment

原始来源：Nature Machine Intelligence, published online 28 August 2026. DOI: 10.1038/s42256-026-01299-5. URL: https://www.nature.com/articles/s42256-026-01299-5

一句话结论

将人工智能融入地球系统模型（Earth system models, ESMs）虽然提升了模拟与预测能力，但也显著放大了可复现性挑战；本文提出将可复现性从“事后要求”重构为混合地球系统模型的“结构性属性”，并推出 RHEM（Reproducibility in hybrid Earth system models）参考指南与实施路线图。

事件概述或研究问题

这是一篇发表于 Nature Machine Intelligence 的 Perspective（观点文章），讨论的是融合人工智能的混合地球系统模型（hybrid ESMs）的可复现性问题。

核心研究问题是：在 AI 时代，混合地球系统模型的可复现性面临哪些新挑战？如何从评估原则和具体实践两个层面加以应对？

文章指出，AI 的引入带来三类被放大的问题：

数值不稳定性（numerical instability）
流程不透明性（procedural opacity）
计算资源获取的不对称性（asymmetric access to computational resources）

如果这些问题得不到解决，混合 ESMs 可能变成“不透明且难以验证”的系统，进而降低模型可追溯性、削弱知识累积，并缩小气候风险评估与政策制定的证据基础。

方法/框架要点

文章提出的是一个整合路线图，而非具体的实验方法：

将“可复现性评估理论”与“建模实践中的实施路径”相结合。
提出 RHEM（Reproducibility in hybrid Earth system models）作为参考指南，用于治理透明、可信、可复现的混合地球系统模型。
在 RHEM 基础上，把框架标准转化为可操作措施，使透明性和可信性嵌入建模过程本身。
核心理念是：可复现性不应是论文发表后的补充要求，而应成为混合 ESMs 的结构性属性。

主要结果或产业意义

本文不是实证研究，而是一项立场性、框架性贡献。其“结果”主要体现在概念重构与路线图设计上：

将可复现性重新定位为混合 ESMs 的结构性属性。
为地球系统科学在人工智能时代建立可复现性方面的基础性原则。
对气候风险评估和政策指导具有直接意义：缺乏可复现性会削弱气候相关决策的证据基础。
RHEM 可作为模型开发者、评估者和政策使用者之间沟通与治理的共同参考。

为什么重要

AI 与地球系统模型的融合正在加速，但“能预测”不等于“能验证”。如果混合 ESMs 的可复现性问题不被正视，科学结论可能变得难以追溯、难以复核，进而影响气候风险评估、极端事件预测和可持续发展政策。

本文的价值在于：它不把可复现性简单地视为技术细节，而是将其上升为 AI 时代地球系统科学的一项基础性原则，并给出从理论到实践的整体框架。

与既有脉络的关系：已有相关卡片分别涉及具身推理中的忠实性、视觉语言模型中的失败归因、以及神经编码器与贝叶斯广义线性混合模型的结合；本条与它们没有直接重复。其增量信息在于：针对“AI 与地球系统建模”这一方向，提出了专门面向可复现性的评估框架 RHEM。

局限与不确定性

目前仅能获取摘要和预览内容，RHEM 的具体评估指标、操作清单和案例分析细节需以全文为准（待核实）。
本文属于 Perspective，提出的框架尚未经过大范围实证检验；其实际有效性、可推广性和在具体建模团队中的落地效果有待观察（待核实）。
“计算资源不对称”等挑战的具体缓解措施，以及 RHEM 如何与已有可复现性标准衔接，原文细节待核实。

可用于图书/PPT/简报的角度

AI 时代地球系统模拟的“可复现性危机”：能力越强，越难验证？
从“事后公开代码”到“结构性可复现”：RHEM 带来了什么新思路？
气候风险评估与政策制定如何依赖“可复现的模型证据”？
混合地球系统模型的透明性、可追溯性与可信度问题。
作为 AI for Earth Science 治理议题的切入点，适合在“AI 治理”“科学计算”“气候科技”等主题下引用。