玻尔百科既然气候受确定性的物理定律支配，为何未来气候又如此不确定？这个问题是现代气候科学的核心。不确定性远非科学失败的标志，而是复杂系统的一个内在特征，理解其结构对于做出可靠的预测和明智的决策至关重要。本文旨在挑战那种对不确定性含糊其辞的做法，力求建立一个严谨、结构化的理解。在接下来的章节中，我们将首先解构气候不确定性的核心原理，探索其在混沌动力学、模型不完善性和人类选择中的起源。随后，我们将看到这种量化的不确定性如何成为不可或缺的工具，从而在生态学、公共卫生乃至全球经济政策等领域实现更稳健、更具弹性的策略。
如果支配我们气候的物理定律是确定性的，是用精确的数学语言写成的，那么未来为何如此不确定？人们或许会将气候模型想象成一个巨大而精密的钟表装置，从一个已知的起点开始运转。如果我们知道了规则和初始状态，未来难道不应该以完全可预测的方式展开吗？答案是否定的，这颇为耐人寻味。理解其中缘由，是我们踏入气候不确定性这个美丽而复杂世界的第一步。
从狂风的涡旋到海洋的缓慢搅动，气候系统是混沌系统的教科书式范例。这并不意味着它像抛硬币那样随机；它意味着系统表现出对初始条件的敏感依赖性。这就是著名的“蝴蝶效应”：一只在巴西扇动翅膀的蝴蝶，通过一长串因果链，最终可能在得克萨斯州引发一场龙卷风。系统中一个微小到无法测量的初始状态差异，可能在短时间内导致截然不同的结果。
这种混沌性质在天气和气候之间划出了一条根本的界限。天气是大气在特定时间和地点的具体状态——系统的“情绪”。由于混沌的存在，我们预测天气的能力从根本上是有限的。我们对当前大气状态测量的微小误差会呈指数级增长，使得超过几周的具体预报基本上不可能实现。
另一方面，气候是长期天气状况的统计数据——系统的“个性”。虽然我们无法预测遥远未来的某一天确切的“情绪”，但我们可以很有信心地描述其“个性”。更正式地说，我们可以将“气候”看作一个稳定的统计分布，这个概念在物理学中被称为不变测度。任何时刻的天气都是从这个分布中进行的一次抽样。系统在其自身内部混沌动力学的驱动下，在这个分布内的自然游走，就是我们所说的内部变率。这是气候系统自身不受外力强迫的舞蹈——像厄尔尼诺（El Niño）这样的现象就是完美的例子。在这个强大的框架中，气候变化不仅仅是平均温度的改变；它是由外部推力引起的整个统计分布本身的根本性转变。
我们如何将天气的混沌噪音与气候的潜在信号分离开来？关键在于时间平均。如果我们取每日剧烈波动的温度数据，并对其进行一个月、一年或十年的平均，那么该平均值的方差会越来越小。快速、混沌的摆动倾向于相互抵消，从而让更慢、更稳定的气候信号浮现出来。这就像听交响乐：在任何一毫秒的声音（天气）中，你可能听到各种乐器混沌的碰撞声，但经过几分钟（气候）后，一个连贯而优美的结构便会显现出来。
内部变率所固有的混沌性只是谜题的一部分。为了在不确定性的版图中导航，拥有一张地图会很有帮助。科学家将不确定性分为两大类，这种区分不仅阐明了我们不知道什么，还阐明了我们如何不知道。
偶然不确定性（Aleatoric Uncertainty）：这是系统中固有的、不可简化的随机性。可以把它想象成掷一枚公平的骰子。即使你了解关于这枚骰子和物理定律的一切，你也永远无法预测单次投掷的结果。这是一种关于世界本身的不确定性。内部变率就是一个典型的例子。我们无法消除它，但可以描述其统计特性。一些现代气候模型甚至包含随机参数化，有意地注入随机性来代表小尺度过程（如单个云层）的不可预测性，从而使模型的整体变率更加真实。
认知不确定性（Epistemic Uncertainty）：这是由于缺乏知识而产生的不确定性。可以把它想象成拿到一枚骰子，但不知道它是否公平或被动过手脚。这是一种我们头脑中的、关于我们对世界模型的不确定性。关键在于，这种类型的不确定性原则上是可以减少的。通过收集更多数据——通过研究骰子、多次投掷——我们可以减少我们的无知，更多地了解其属性。
气候预测中的大部分不确定性，除了内部变率之外，都属于认知不确定性。我们可以将这种“基于知识的”不确定性分为几个关键类别，为分析气候预测提供一个强大的框架。
我们的气候模型是科学的巨大成就，但它们是对现实不完美的近似。这种不完美是认知不确定性的一个主要来源。我们可以将其进一步细分：
参数不确定性：模型包含众多参数——代表物理过程的系数和数字。例如，某个系数可能决定云中水滴合并形成雨滴的速度。我们不知道许多这些参数的精确、正确的值，只有一个合理的范围。通过使用许多不同的合理参数值运行同一个模型来探索这种不确定性，是扰动参数集合（Perturbed Parameter Ensemble, PPE）的目标。
结构不确定性：这是一种更深层次的不确定性。它不仅关乎我们模型上旋钮的数值；它关乎模型本身的基本线路和设计。不同的科学团队对于表示复杂过程（如云的形成或海洋湍流）可能有不同的理论，从而有不同的方程。一个多模式集合（Multi-Model Ensemble, MME），如著名的耦合模式比较计划（Coupled Model Intercomparison Project, CMIP），汇集了世界各地中心的模型来探索这种结构不确定性。
这种区别至关重要。在一个模型中调整参数就像在食谱中改变调味料。完全选择一套不同的方程则像是选择一个完全不同的食谱。一个鲜明的例子来自生态学：一个旨在根据当前气候数据预测植物栖息地的模型，对于当今世界可能完美适用（内插）。但是，当我们用它来预测未来更温暖世界中的栖息地时（外推），模型可能会完全失效。为什么？因为在这些新颖的条件下，一个新的生理极限——一个我们以前从未观察到的耐热极限——可能突然成为主导因素，使得旧的统计关系失效。这是一个深刻的结构不确定性，关乎我们模型的“规则”在一个我们从未见过的世界中是否依然成立。
这或许是最独特和最具挑战性的不确定性来源。它与气候物理学关系不大，而完全与我们人类有关。情景不确定性是我们对人类文明未来路径的无知。我们会迅速过渡到可再生能源吗？全球人口会继续增长吗？我们会进行大规模的森林砍伐还是重新造林？这些选择会产生截然不同的温室气体排放和土地利用变化轨迹。由于我们无法预测这些社会经济和政治选择，科学家们探索了一系列可能的未来，从乐观的低排放情景到悲观的高排放情景。
这些不同的不确定性来源在任何时候的贡献都不是均等的。它们的相对重要性根据预测的时间尺度而显著变化。这种演变讲述了一个强有力的故事。
近期（未来一二十年）：在较短的时间尺度上，最大的不确定性来源是内部变率。气候系统具有巨大的热惯性，尤其是海洋。这意味着它对外部强迫的响应非常缓慢。在仅仅一二十年的时间里，高排放路径和低排放路径之间的变暖差异非常小。相反，气候系统的混沌、自然波动——例如，随机出现的强厄尔尼诺或拉尼娜（La Niña）现象——主导了整个局面。强迫变化的信号被系统自身变率的噪音所淹没。
本世纪中叶（2040-2060年）：当我们看得更远时，内部变率的混沌噪音开始被平均掉。外部强迫的持续推动开始更清晰地显现出来。在这个时间框架内，模型不确定性往往成为预测差异的主要来源。不同的模型，由于其不同的结构假设和参数，可能对反馈的大小（例如云将如何响应变暖）存在分歧，导致其预测出现分化。
长期（世纪末及以后）：在最长的时间尺度上，一个明确的赢家出现了：情景不确定性。经过几十年的累积，一个积极遏制排放的世界与一个不作为的世界之间的差异变得巨大。它使来自内部变率和模型差异的范围相形见绌。这是一个深刻且最终充满希望的结论。它告诉我们，从长远来看，我们气候未来的最大不确定性不是自然界中不可简化的变幻莫测，也不是计算机模型中的技术细节。而是我们集体的选择。
那么，我们面临着这一系列的不确定性。我们能做什么呢？科学过程不仅仅是识别不确定性，而是积极地尝试减少和管理它。
减少认知不确定性的最优雅策略之一是涌现约束（emergent constraint）。其逻辑类似于一次巧妙的侦探工作。假设我们想缩小一个我们无法测量的未来量的不确定性，比如平衡气候敏感度（Equilibrium Climate Sensitivity，即浓度加倍最终将导致全球变暖多少）。我们审视我们多样化的模型集合，寻找这个未来量与一个我们能够在当今气候中观察到的变量（例如，某种特定的云变率模式）之间是否存在稳健的统计关系。如果我们找到了这样一种有物理基础的关系，我们就找到了一个涌现约束。然后，我们可以利用我们对现今变量的高质量观测数据来“约束”未来可能结果的范围。我们正在利用现在来了解未来。
然而，有些不确定性无法轻易减少甚至量化。对于情景不确定性尤其如此，它通常被描述为深度不确定性。我们无法有意义地为未来人类的政治和经济选择分配概率。它不是掷骰子。假装我们可以，例如通过为所有情景分配相等的概率，会产生一种虚假的精确感。
面对深度不确定性，科学的目标从预测转向准备。我们不再试图为“最可能”的未来找到单一的最优策略，而是使用像稳健决策（robust decision-making）这样的方法。一个计划建造新海堤的城市会使用气候预测，不是为了找到唯一最佳的高度，而是为了找到一个在所有可能的未来——从最好到最坏的情景——中都能表现得相当不错的设计和适应策略。目标是建立弹性，创造出对我们无法完全知晓的未来具有稳健性的解决方案。这标志着对不确定性的成熟理解：不应视其为科学的失败，而应视其为世界的一个基本特征，我们必须学会用智慧和远见来驾驭。
现在我们已经探讨了气候不确定性的基本性质，你可能会倾向于认为它是一团令人沮丧的迷雾，遮蔽了我们对未来的视野。但这完全不是看待它的正确方式。在科学中，理解我们无知的特性，与盘点我们所知的知识同样强大。通过量化不确定性——赋予它形状、大小和结构——我们将其从一个单纯的麻烦转变为一个强大的工具。它使我们能够做出不仅更诚实，而且更有用的预测。它使我们能够做出不是脆弱易败，而是稳健且有弹性的决策。
在本章中，我们将踏上一段旅程，看看对不确定性的清醒认识如何在不同领域激起涟漪，从生态学的森林和田野，到公共卫生繁忙的病房，再到全球经济政策的舞台。我们将发现，我们所讨论的原则并非抽象的奇谈；它们正是科学家和决策者用来驾驭这个不断变化的世界的工具。
让我们从一个看似直截了当的问题开始：如果世界变暖，树木和动物会去哪里？试图回答这个问题的生态学家可能会建立一个物种分布模型（Species Distribution Model, SDM），这是一种复杂的统计工具，它根据温度和降雨等环境条件来绘制物种当前的栖息地。生物学部分可以非常细致地建模。但事实证明，真正的头痛之处来自气候本身。当生态学家试图将模型投射到未来时，他们必须选择一个气候预测。麻烦的是，并非只有一个预测。不同的大气环流模型（General Circulation Models, GCMs），即使输入完全相同的未来温室气体排放假设，也会产生一系列不同的未来气候预测。这是*模型不确定性*的一个典型例子。结果不是一张物种未来的单一地图，而是一系列可能的地图，一团潜在的未来家园。
这似乎是退了一步，但实际上是向前迈出了一大步。我们得到的不是一个单一、很可能错误的预测，而是一个对各种可能性更诚实的评估。当我们提出一个更尖锐的问题时，这一点变得至关重要：一个物种会灭绝吗？保护生物学家用种群生存力分析（Population Viability Analysis, PVA）来解决这个问题，这本质上是对未来的宏大模拟。他们创建一个濒危动物的虚拟种群，让它经受未来一个世纪的挑战。他们不是只运行一次模拟，而是成千上万次。在每次运行中，他们选择一个不同的可能未来：一个从GCM集合中抽取的不同气候轨迹，一组从其统计分布中抽取的不同生物学参数（如存活率），他们甚至还考虑了出生和死亡的纯粹偶然性（种群动态随机性）。
通过运行这一系列模拟的未来，他们得到的不是一个简单的“是”或“否”的答案。相反，他们计算出灭绝的概率。这是一个价值高得多的信息。5%的灭绝风险所要求的管理策略与50%的风险截然不同。同样的逻辑也适用于预测物种分布范围可能移动的速度。通过以有原则的方式（例如通过贝叶斯模型平均）组合多个气候模型，我们可以为范围移动速率生成一个预测分布，其均值和方差恰当地考虑了所有已知的不确定性来源。
这种思维方式直接转化到人类健康领域。考虑一种媒介传播疾病的传播，比如由蚊子携带的疾病。蚊子的生命周期，以及疾病传播的能力，对温度和降雨极为敏感。基本再生数，它告诉我们一个被感染的个体会导致多少新病例，是这些气候变量的直接函数。因此，气候预测中的不确定性直接转化为未来疾病风险的不确定性。通过将气候模型的不确定性传播到我们的流行病学模型中，公共卫生官员不仅可以绘制出最可能的未来热点地区，还可以规划出他们需要准备应对的各种可能的疫情暴发范围。
理解不确定性的形态是一回事；基于它做出决策是另一回事。这正是这些思想真正发挥威力的地方。想象一下，你是一名公共卫生官员，任务是设定发布高温预警的温度阈值。一个简单的问题，但答案埋藏在层层不确定性之下。首先，有结构不确定性：温度和死亡率之间的关系是直线，还是在极端高温时急剧向上弯曲？选择错误的模型形式可能导致错误的决策。其次，有*参数不确定性：即使我们选择了一个模型，我们也不知道其系数的精确值。最后，还有随机不确定性*：日常天气的不可简化的随机性。
通过仔细区分这些不同“风味”的不确定性，我们可以设计出更稳健的政策。我们可以用多种模型结构和各种可能的参数范围来测试我们的高温预警阈值，以找到一个无论哪种情况为真都能表现良好的策略。我们不再是寻找一个单一的“最优”答案，而是寻找一个对我们自身的无知具有弹性的策略。
这种逻辑让我们能够做一些真正了不起的事情：为知识定价。假设一个保护机构必须在两种策略中选择其一来保护一片森林，但最佳选择既取决于未来气候，也取决于一个不确定的生物学参数。利用决策理论的工具，该机构可以计算出在当前不确定性下每种策略的预期收益。但他们也可以问：如果我们能通过进行更多研究来消除关于的不确定性，会怎样？他们可以计算完美信息期望价值（Expected Value of Perfect Information, EVPI），这是他们在拥有关于的完美知识的情况下做出决策所能获得的预期收益增量。这个EVPI给出了一个具体的货币价值——一个预算——说明了他们应该愿意花多少钱来减少那个特定的不确定性。不确定性变成了成本效益分析中的又一个变量。
现在，让我们把视野放大到整个全球经济。最紧迫的问题之一是如何为碳排放定价。经济学家使用模型来估算碳的社会成本，这为碳税的水平提供了信息。这些模型的一个关键输入是气候敏感度——即浓度加倍将导致世界变暖多少。正如我们所见，这个参数是不确定的。一个简单的模型可以揭示一些深刻的东西：不确定性并不能成为不作为的理由；它要求更强有力的回应。最优碳税并不仅仅是使用平均气候敏感度计算出的税。数学上，使用二阶近似揭示，税收应包括额外的正向项。其中一项是作为防范意外高额损害风险的溢价。另一项与社会风险规避度（）成正比，作为防范高敏感度世界灾难的保险费。这就是“预防原则”的体现，它并非源于模糊的感觉，而是源于不确定性下经济学的严谨逻辑。
当不确定性如此深刻，以至于我们甚至无法就不同未来的概率达成一致时，会发生什么？这是深度不确定性的领域，也是许多长期规划问题（从水资源管理到景观恢复）所面临的现实。
考虑一个为期50年的“再野化”项目，旨在重新引入一种顶级捕食者。该项目的成功取决于几十年后的气候，但不同的大气环流模型（GCM）给出了截然不同的未来景象。为这些情景分配一组单一的概率将是一种虚假精确的行为。在这些情况下，我们必须改变我们的整个规划方法。
我们不再寻求单一的“最优”计划，而是采纳一种稳健满意（robust satisficing）的策略。目标不再是找到绝对最好的结果（这是不可知的），而是找到一个在尽可能广泛的可能未来中“足够好”（满意）的策略（稳健）。我们用一整套具有挑战性的情景来对我们的策略进行压力测试，寻找那个在尽可能多的情景中都能避免灾难性失败的策略。
此外，我们放弃了静态蓝图的想法。取而代之的是，我们设计适应性路径（adaptive pathways）。这将计划构想为一张灵活的路线图，而不是一个固定的行程。该计划包括一系列行动，但也规定了触发器——我们随时间监测的现实世界指标。如果一个触发器被触发（例如，如果一个食草动物种群数量下降到临界阈值以下），它就表明我们正走向一个与预期不同的未来，而计划则规定了预先商定的切换到另一套管理行动。这就创造了一个随着未来的展开而学习和适应的政策，使我们能够以谦逊和远见来驾驭未来世纪的深度不确定性。
从统计参数的微观细节到全球政策的宏大格局，信息都是相同的。拥抱和量化不确定性不是我们科学软弱的标志。它正是其力量和现实意义的源泉，为我们理解世界并在其中明智地行动提供了关键工具。