由Caltech、科羅拉多大學博爾德分校及NVIDIA研究人員參與的研究，測試一種名為「循環神經算子」（recurrent neural operator，RNO）的AI模型，能否及早預測非穩定系統中的急劇轉變。研究方法的重點，是只用臨界點出現前的系統變化訓練模型，再以不確定性估算辨認可能出現的轉變。36

有報道指，在一項氣候模擬中，模型提早兩年多預測到系統跨越門檻，時間誤差約為11日。11 不過，這是模擬結果，不能當作模型已能預測現實氣候何時出現臨界轉變；現有研究資料亦未交代這個誤差數字的具體計算方式。13

RNO怎樣預測系統轉變？

研究將「臨界點」描述為非穩定動態系統中急劇、可能難以逆轉的變化。RNO學習不同函數空間之間的映射，並藉此描述系統如何隨時間演變。3

研究提出的做法，是先用臨界點前的動態訓練模型，再以不確定性為基礎的方法預測可能出現的轉變；當中包括一套稱為 conformal prediction 的預測框架。3 簡單來說，模型不是等轉變發生後才辨認，而是嘗試從之前的變化推斷系統是否可能正接近轉折位。

現有資料未有足夠細節說明模型如何實作「循環」記憶，也未能證實它另設機制，檢查預測有否違反已學習的物理規則。因此，單憑RNO這個名稱，不應推斷它具備這些功能。

測試涵蓋氣候與飛機機翼氣流

研究以簡化模型測試方法，包括氣候變化系統，以及飛機機翼周邊的湍流氣流。13 氣候例子探討溫室氣體濃度上升時，低層雲量可能大幅減少；研究早期摘要將這種變化描述為可能的氣候臨界點。4

這些都是受控制的電腦模擬，有助研究人員測試模型能否預測模擬系統的轉變，但未能證明模型可以可靠預測現實氣候或工程系統何時越過門檻。13

「提早兩年、誤差11日」代表甚麼？

一篇報道指，RNO在氣候模擬中提早兩年多預測到一個門檻，誤差約11日。11 不過，提供的主要研究資料未有說明誤差如何計算，也未能確認這個數字是來自單次測試，還是多次結果的整體統計。因此，應將它視為一項模擬測試的報告結果，而非模型在不同情況下都能達到的保證表現。

研究早期版本亦曾將RNO與Markov神經算子（MNO）及循環神經網絡（RNN）比較。摘要指出，在當中描述的比較裡，RNO在較長預測時距仍保持較佳表現；但這不足以證明它在所有場景都勝過其他方法。34

關鍵限制：模擬不等於現實預報

目前證據支持的結論，是研究人員在模擬的非穩定系統中，測試以不確定性估算預警臨界轉變的可行性。3 至於模型能否在自然環境中發出可靠預警，研究結果尚未回答：現實系統未必與模擬相同，而現有資料亦未顯示模型已用現實觀測數據驗證。

對氣候風險判斷而言，這個分別尤其重要。受控制模型中的提早預測，是發展預警方法的一步；它並不代表現實氣候臨界點已能以相同提前時間或準確度預測。

由Caltech、科羅拉多大學博爾德分校及NVIDIA研究人員參與的研究，測試一種名為「循環神經算子」（recurrent neural operator，RNO）的AI模型，能否及早預測非穩定系統中的急劇轉變。研究方法的重點，是只用臨界點出現前的系統變化訓練模型，再以不確定性估算辨認可能出現的轉變。36

有報道指，在一項氣候模擬中，模型提早兩年多預測到系統跨越門檻，時間誤差約為11日。11 不過，這是模擬結果，不能當作模型已能預測現實氣候何時出現臨界轉變；現有研究資料亦未交代這個誤差數字的具體計算方式。13

RNO怎樣預測系統轉變？

研究將「臨界點」描述為非穩定動態系統中急劇、可能難以逆轉的變化。RNO學習不同函數空間之間的映射，並藉此描述系統如何隨時間演變。3

研究提出的做法，是先用臨界點前的動態訓練模型，再以不確定性為基礎的方法預測可能出現的轉變；當中包括一套稱為 conformal prediction 的預測框架。3 簡單來說，模型不是等轉變發生後才辨認，而是嘗試從之前的變化推斷系統是否可能正接近轉折位。

現有資料未有足夠細節說明模型如何實作「循環」記憶，也未能證實它另設機制，檢查預測有否違反已學習的物理規則。因此，單憑RNO這個名稱，不應推斷它具備這些功能。

測試涵蓋氣候與飛機機翼氣流

研究以簡化模型測試方法，包括氣候變化系統，以及飛機機翼周邊的湍流氣流。13 氣候例子探討溫室氣體濃度上升時，低層雲量可能大幅減少；研究早期摘要將這種變化描述為可能的氣候臨界點。4

這些都是受控制的電腦模擬，有助研究人員測試模型能否預測模擬系統的轉變，但未能證明模型可以可靠預測現實氣候或工程系統何時越過門檻。13

「提早兩年、誤差11日」代表甚麼？

一篇報道指，RNO在氣候模擬中提早兩年多預測到一個門檻，誤差約11日。11 不過，提供的主要研究資料未有說明誤差如何計算，也未能確認這個數字是來自單次測試，還是多次結果的整體統計。因此，應將它視為一項模擬測試的報告結果，而非模型在不同情況下都能達到的保證表現。

研究早期版本亦曾將RNO與Markov神經算子（MNO）及循環神經網絡（RNN）比較。摘要指出，在當中描述的比較裡，RNO在較長預測時距仍保持較佳表現；但這不足以證明它在所有場景都勝過其他方法。34

關鍵限制：模擬不等於現實預報

目前證據支持的結論，是研究人員在模擬的非穩定系統中，測試以不確定性估算預警臨界轉變的可行性。3 至於模型能否在自然環境中發出可靠預警，研究結果尚未回答：現實系統未必與模擬相同，而現有資料亦未顯示模型已用現實觀測數據驗證。

對氣候風險判斷而言，這個分別尤其重要。受控制模型中的提早預測，是發展預警方法的一步；它並不代表現實氣候臨界點已能以相同提前時間或準確度預測。