英国审计署：各部门能识别气候风险，却算不出成本，天气模型 meanwhile 一路领先

事情的由头是国家审计署（NAO）11月3日发布的一份报告。NAO 是英国的公共支出监督机构。根据 The Register 对 NAO 结论的报道，各部门预计气候变化以及向低碳电力转型会推高运营成本和电费。但很少有部门对风险本身或风险的价格有清晰判断。

这比新闻标题给人的印象要窄。NAO 并没有说各部门无视气候问题。它说的是，按财政部规则提交的报告（2025-26 财年首次要求）在转型风险方面内容单薄，很少给出成本，哪怕是粗略估算。

报告发布的同一周，一批欧洲开发者展示了建模这一侧如今的实际水平。两者之间的落差，就是这件事的关键。

监督机构究竟发现了什么

NAO 的报告（The Register 的文章中给出了 PDF 链接）审查了大型中央政府机构提交的第一批气候相关财务披露。报告指出，财政部（HMT）为这些披露制定了规则，另有单独的披露要求在 2022 年就已生效。

各机构对物理风险的描述比转型风险更细，包括洪水、更强的大风和更长的干旱。在提到转型风险的地方，最常见的是转型本身的财务成本和供应链中断。预计成本包括改用低碳能源、采用新技术、遵守新法规，也包括材料、水、能源和专业人才的价格与供应波动。

NAO 负责人 Gareth Davies 表示：“英国公共服务需要适应气候变化的影响。议会需要关于基础设施、服务提供和财政对气候变化的韧性，以及这些风险如何被管理的清晰信息。”他还说，要求所有大型中央政府机构从 2025-26 年起作此类披露是“重要的第一步”。监督机构预计这些报告“会随着时间变得更有用”。

“在战略披露中，各机构对转型风险的阐述不如物理风险。在我们审查的披露中，虽然列出了若干转型风险，但细节很少，不像物理风险那样解释得更详细。”

The Register 引用的这段 NAO 报告原文，是结论的核心。账没算全，但不是没算。

建模那一侧跑得更快

10月22日，NVIDIA 的博客介绍了一组开源 Earth-2 模型，欧洲机构正把它们用于天气和气候预测。最新的成员 StormScope EU 是现有短期预报模型的区域版本，用欧洲的天气和气候数据训练，并使用 EUMETSAT 的卫星观测。据该公司文章，它以 10 分钟为间隔预测 16 个 Meteosat 通道的云况。

文章点名了具体用户。AXA 用 FourCastNet 3 研究超出历史记录的 regional 气旋风险，模拟了 1000 多个季节。Vaisala Xweather 把 Earth-2 与自家观测、闪电数据和预报经验结合，还在用闪电数据改造 StormScope，以延长短期预报的提前量。曼彻斯特大学的研究人员把 CorrDiff 模型改用于英国空气质量建模，在 Isambard-AI 超级计算机上训练，并在 DGX Spark 系统上本地运行。TotalEnergies 正在两个光伏电站评估基于 StormScope 的太阳辐射临近预报。

这些是厂商说法和试点项目，不是经过同行评审的结果。它们中没有一个能替代政府部门对自己洪水暴露的核算。但它们说明，本地化、高频次的预报正在成为保险公司、能源公司和运输运营商的业务工具。而这恰恰是 NAO 说公共机构目前还拿不出数字来支撑的那类决策。

极端天气上，物理模型仍胜过 AI

AI 天气模型的优势是成本和速度，不放心把它用于极端事件的理由则是准确度。此前的研究多次发现，传统数值模型在极端天气预报上优于 AI 预报。这些属于背景，不是新闻。

近期的气候归因研究指向同一方向。10月底报道的一项研究发现，气候变化对 2024 年欧洲洪水的放大作用，超过单看降雨量所能解释的程度。另一条研究线路发现，基于物理的模型在极端天气预测上比 AI 更准。Earth-2 的博客本身也很谨慎，把 CorrDiff 描述为给较粗数据补充局部细节的手段，而不是取代底层的物理计算。

对一个想给医院园区或路网的洪水损失估价的英国部门来说，这个区别很重要。10 分钟的云况预报对光伏电站有用，但它不是 30 年适应计划的成本估算，NVIDIA 的材料也没有任何地方这样宣称。

数字为什么难算

对任何尝试过核算适应成本的人来说，NAO 的结论并不意外。物理风险以分布的形式出现，而不是一个点估计。转型成本取决于仍在制定中的政策选择。报告说，各机构预计成本来自资产和基础设施受损、更高的维护和维修费用、可能的资产升级，以及包括能源在内的运营成本上升。掌控大量房产或基础设施的机构，尤其担心脱碳和适应成本。

披露制度本身也很年轻。按财政部规则提交的首批报告覆盖 2025-26 年，而 NAO 只审查了其中一部分。它关于认识不足的结论针对的是第一次尝试，不是最终判决。

不过，监督机构的职责就是在公共资金被投入而风险图景不清时说出来。从这些证据看，情况正是如此。

AI 研究的背景

10月29日和30日提交的两篇 arXiv 论文，说明评估这一侧仍然多么不确定。Fengxian Ji 等人的一篇问，市场交易价格能否代替人的视觉偏好，结论是只有有限条件下可以。Zhifei Hu 与合著者的另一篇评估预测行动后果的网络世界模型是否真能支撑安全决策，结论是看似合理的预测还不够。

两篇论文都与气候无关，但都指向 NAO 描述的同一种失效模式：看似合理的输出，不等于可用于决策的输出。从这个意义上说，一份列出风险却不给成本的披露，就是一个看似合理的预测。

区别在于，NAO 有法定的受众，模型没有。