Climate Computing · 交互式可视化
气候计算可视化实验室
从能量平衡模型到地球系统模型，从碳足迹追踪到可持续 AI。8 个模块理解计算如何服务气候科学，以及计算本身的碳代价。
编号 148分类 Cross-disciplinary模块 8风格 Linear Dark依赖 零渲染 SVG / Canvas
01气候模型层次 · Complexity Ladder
气候模型按复杂度分层：能量平衡模型 (EBM) → 辐射对流模式 (RCM) → 中等复杂度 (EMIC) → 大气环流模式 (GCM) → 地球系统模式 (ESM)。复杂度越高，分辨率越高、过程越全、算力需求越大。
复杂度层级
EMIC
空间分辨率: —
模拟时长: —
算力需求: —
含碳循环: —
层级越高，网格越细、过程越完整，但单次模拟所需 FLOPS 呈指数增长。气候科学家常在「快探响应」(低层级) 与「高保真预测」(高层级) 间权衡。
02地球系统模型 · ESM 耦合架构
ESM 把大气、海洋、陆地、冰冻圈、植被与碳循环通过「耦合器」(coupler) 交换通量。点击任一圈层查看其状态变量与耦合关系。
耦合器在每个时间步把各分量网格 重映射 并交换热量、水、动量、碳通量。亚网格过程 (对流、云) 由参数化方案近似。
03碳足迹计算 · Compute Carbon Footprint
训练/推理的碳排放 = 计算量 (FLOPs) × 硬件能效 (FLOPs/W) × PUE × 电网碳强度。调整参数实时估算一次计算任务的碳足迹。
04绿色 AI 训练 · Energy vs Accuracy
模型规模与训练能耗指数增长，但精度收益递减。点击「训练」观察不同规模模型的能耗-精度前沿。
已采样0
高效模型低效模型能耗前沿
绿色 AI 主张报告训练 FLOPs 与 CO₂，奖励「更小更精」而非单纯刷榜。Chinchilla 缩放律指出数据-参数最优配比可显著降低冗余计算。
05可持续推理优化 · Inference Efficiency
量化、剪枝、蒸馏、稀疏化在精度-能耗空间中各有取舍。切换技术查看推理能耗下降与精度保留。
基线
INT8 量化
结构剪枝 50%
蒸馏
2:4 稀疏
能耗 (相对): —
精度保留: —
延迟: —
显存: —
组合优化 (量化+稀疏) 可达 4× 能效提升而精度损失 <1%。推理占大模型生命周期排放的 80%+，优化推理收益最大。
06气候数据可视化 · 温度异常场
全球温度异常 (相对 1850-1900 基线) 的时空演化。拖动时间轴观察变暖加速。
年份
2023
偏冷基线+1.5°C+3°C
数据为示意：1850-2023 全球均温异常趋势。北极 放大效应 使高纬升温约为全球均值的 2-4 倍。
07AI 碳排放对比 · Task Emission Spectrum
不同 AI 任务的训练碳排放差异巨大。从 NLP 微调到万亿参数预训练，跨越 5 个数量级。
大模型训练单次排放可达 数百吨 CO₂，相当于一个美国人一生的碳足迹。模型复用与检索增强可避免重复训练。
08碳中和路径 · Pathway to Net Zero
不同减排情景下全球排放轨迹：基准 (BAU)、渐进减排、激进减排 + 负排放。切换情景观察升温 outcome。
2100 升温: —
峰值排放年: —
累积排放: —
实现 1.5°C 目标需 2050 前净零，依赖 负排放 (BECCS/DAC) 抵消残余排放。AI 可优化电网调度、加速材料发现助力减排。