If there is a single paper that defines the ambition of AI in 2025, it is not about chatbots or image generators. It is about the planet itself. Bodnar et al.'s foundation model for the Earth system, published in Nature, demonstrates that a single neural network can learn to represent and predict the coupled dynamics of atmosphere, ocean, and land surface—the interacting physical systems that determine our climate, our weather, and ultimately our survival.

This is not merely an engineering achievement. It is a conceptual departure from centuries of physics-based climate modeling, and its implications—for climate science, disaster preparedness, and the politics of environmental prediction—are profound.

A Methodological Shift: From Equations to Data

Traditional numerical weather prediction (NWP) and climate modeling solve partial differential equations that describe fluid dynamics, thermodynamics, and radiative transfer on a discretized grid. The Integrated Forecasting System at ECMWF—the gold standard—runs these equations on supercomputers, consuming millions of CPU hours per forecast cycle. The models are magnificent in their physical rigor and frustrating in their computational cost.

AI weather models invert this paradigm. Instead of encoding physical equations, they learn input-output mappings from historical observation data. Given the state of the atmosphere at time t, they predict the state at time t+Δt—not by solving physics but by recognizing patterns in decades of observations. The result: forecasts that are dramatically faster than traditional NWP, at comparable or superior accuracy for medium-range forecasting.

Bodnar et al. push this paradigm to its logical conclusion: a foundation model that learns not just atmospheric dynamics but the coupled Earth system—atmosphere, ocean, land surface, and their interactions. Previous AI weather models treated the atmosphere in isolation. But weather and climate are fundamentally coupled systems: ocean currents drive atmospheric circulation; land surface moisture feeds back into precipitation patterns; sea ice extent modulates polar amplification. A model that ignores these couplings cannot capture the dynamics that matter most for long-range prediction and climate projection.

Architecture and Scale

The technical architecture reflects the ambition. The model processes multi-variate, multi-resolution data streams:

• Atmospheric variables: temperature, humidity, wind, pressure at multiple vertical levels
• Ocean surface: sea surface temperature, sea ice concentration, wave height
• Land surface: soil moisture, snow cover, vegetation state
• Satellite observations: directly assimilated radiance measurements

These heterogeneous data streams are unified through a transformer-based architecture that learns cross-modal attention—how atmospheric conditions attend to ocean states, how land surface conditions inform precipitation predictions. The foundation model is pre-trained on decades of reanalysis data (ERA5) and fine-tuned for specific prediction tasks.

The validation against operational forecasts is the paper's strongest claim: the foundation model matches or exceeds ECMWF's IFS on standard verification metrics for 1-10 day forecasts, while running in seconds rather than hours.

Extreme Events: Where AI Climate Models Struggle

Camps-Valls et al. provide the essential counterpoint. Their comprehensive review of AI for extreme weather reveals a systematic challenge: AI models trained on historical data underpredict extreme events.

The reason is statistical. Extreme events—category 5 hurricanes, unprecedented heat waves, thousand-year floods—are, by definition, rare in the training data. Standard loss functions (mean squared error) penalize these rare events less than common conditions, causing models to regress toward climatological averages precisely when accuracy matters most.

The review identifies several emerging directions, including physics-informed architectures that embed conservation laws, statistical methods for modeling rare event tails, and causal discovery approaches that encode known physical mechanisms as inductive biases. None of these solutions is fully mature. The honest assessment: AI weather models are excellent for routine forecasting and dangerously overconfident for the extreme events that cause the most damage.

The Land Surface Gap

Mbarak et al.'s NoahMP-AI highlights a specific weakness in current Earth system AI: land surface prediction during extremes. Their work enhances the Noah Multi-Physics land surface model with deep learning, focusing on soil moisture prediction—a variable critical for drought monitoring, flood forecasting, and agricultural planning.

The key finding: standard land surface models (both physics-based and AI-based) fail dramatically during drought and flood events, precisely because these extreme conditions lie outside the training distribution. Their hybrid approach—using physics-based models as a backbone and deep learning to correct systematic biases—improves extreme-event prediction while maintaining physical consistency.

This hybrid philosophy—physics for structure, AI for correction—may represent the pragmatic path forward for Earth system modeling: neither purely data-driven nor purely equation-based, but a marriage of both paradigms that inherits the strengths of each.

Claims and Evidence

<

Claim	Evidence	Verdict
AI foundation models match NWP for medium-range weather forecasting	Bodnar et al. demonstrate parity with ECMWF IFS on standard metrics	✅ Strongly supported
AI models capture coupled Earth system dynamics	Foundation model processes atmosphere-ocean-land jointly	✅ Supported (for short-range)
AI weather models handle extreme events well	Camps-Valls et al. document systematic underestimation	❌ Refuted for current approaches
Physics-AI hybrids outperform pure AI for extremes	NoahMP-AI shows improvement on drought/flood prediction	✅ Supported (early evidence)
AI climate models can replace physics-based projections for century-scale prediction	No validation beyond medium-range forecasting	⚠️ Unsubstantiated

Open Questions

Century-scale reliability: Can foundation models trained on 40 years of reanalysis data make credible projections 80 years into the future—under climate conditions that have no historical analogue? This is the central question for climate policy, and it remains unanswered.

Interpretability for scientists: Climate scientists need to understand why a model predicts what it predicts—not just to build trust, but to advance physical understanding. Can AI Earth system models generate scientific insight, or only predictions?

Resolution limits: The foundation model operates at ~25km resolution—sufficient for synoptic-scale weather but inadequate for local impacts. Downscaling to km-scale for urban planning and agricultural applications remains an open challenge.

Ensemble prediction: Traditional NWP generates ensembles of forecasts to quantify uncertainty. How should foundation models generate calibrated ensemble predictions? The stochastic methods used in image diffusion models may provide a path, but the translation is non-trivial.

Governance of prediction: If AI weather models become dominant, who controls the infrastructure? Climate prediction is a public good—but foundation models are expensive to train and may concentrate prediction capability in the hands of a few well-resourced organizations.

What This Means for Your Research

For climate scientists, the message is not that AI replaces physics—it is that AI augments physics in ways that enable new science. The speed advantage enables experimental designs that were previously computationally prohibitive: generating thousands of climate scenarios, systematically perturbing initial conditions, or running regional downscaling in real time.

For AI researchers, Earth system modeling provides a uniquely rich evaluation domain. Unlike language or image generation, where quality is subjective, weather forecasts have ground truth. Every prediction can be verified against what actually happened—providing the kind of rigorous, objective evaluation signal that most AI benchmarks lack.

For policymakers, the foundation model is both a promise and a warning. The promise: better, faster, cheaper environmental prediction to inform climate adaptation. The warning: these models have known blind spots—precisely in the extreme events that drive the most damage and demand the most urgent policy response.

The Earth system foundation model is, in the most literal sense, a model of our world. Getting it right is not an academic exercise. It is a prerequisite for navigating the planetary crisis that defines this century.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에 인용하기 전에 특정 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 검증해야 한다.

지구 기후 시스템을 학습한 파운데이션 모델

2025년 AI의 야망을 정의하는 단 하나의 논문이 있다면, 그것은 챗봇이나 이미지 생성기에 관한 것이 아니다. 바로 지구 그 자체에 관한 것이다. Nature에 게재된 Bodnar et al.의 지구 시스템 파운데이션 모델은 단일 신경망이 대기, 해양, 지표면의 결합 역학—우리의 기후, 날씨, 그리고 궁극적으로 우리의 생존을 결정하는 상호작용하는 물리 시스템—을 표현하고 예측하는 법을 학습할 수 있음을 입증한다.

이것은 단순한 공학적 성취가 아니다. 수세기에 걸친 물리 기반 기후 모델링으로부터의 개념적 이탈이며, 기후 과학, 재난 대비, 그리고 환경 예측의 정치학에 대한 그 함의는 심대하다.

방법론적 전환: 방정식에서 데이터로

전통적인 수치 기상 예측(NWP)과 기후 모델링은 이산화된 격자 위에서 유체 역학, 열역학, 복사 전달을 기술하는 편미분 방정식을 풀어낸다. ECMWF의 통합 예보 시스템(Integrated Forecasting System)—이 분야의 최고 기준—은 예보 주기당 수백만 CPU 시간을 소모하는 슈퍼컴퓨터에서 이 방정식들을 실행한다. 이 모델들은 물리적 엄밀성에 있어서는 탁월하지만 계산 비용에 있어서는 한계가 있다.

AI 기상 모델은 이 패러다임을 역전시킨다. 물리 방정식을 인코딩하는 대신, 역사적 관측 데이터로부터 입출력 매핑을 학습한다. 시각 t에서의 대기 상태가 주어지면, 물리를 풀지 않고 수십 년간의 관측에서 패턴을 인식함으로써 시각 t+Δt에서의 상태를 예측한다. 그 결과, 중기 예보에서 비교 가능하거나 우월한 정확도를 유지하면서 전통적인 NWP보다 극적으로 빠른 예보가 가능해진다.

Bodnar et al.은 이 패러다임을 논리적 결론까지 밀어붙인다. 대기 역학만이 아니라 결합 지구 시스템—대기, 해양, 지표면, 그리고 그들의 상호작용—을 학습하는 파운데이션 모델이다. 기존의 AI 기상 모델들은 대기를 독립적으로 다루었다. 그러나 날씨와 기후는 근본적으로 결합된 시스템이다. 해류는 대기 순환을 구동하고, 지표면 수분은 강수 패턴에 피드백하며, 해빙 범위는 극 증폭을 조절한다. 이러한 결합을 무시하는 모델은 장기 예측과 기후 전망에 가장 중요한 역학을 포착할 수 없다.

아키텍처와 규모

기술적 아키텍처는 그 야망을 반영한다. 이 모델은 다변량, 다중 해상도 데이터 스트림을 처리한다:

• 대기 변수: 복수의 연직 레벨에서의 온도, 습도, 바람, 기압
• 해양 표면: 해수면 온도, 해빙 농도, 파고
• 지표면: 토양 수분, 적설량, 식생 상태
• 위성 관측: 직접 동화된 복사 측정값

이 이종 데이터 스트림들은 교차 모달 어텐션—대기 조건이 해양 상태에 어떻게 주목하는지, 지표면 조건이 강수 예측에 어떻게 반영되는지—을 학습하는 트랜스포머 기반 아키텍처를 통해 통합된다. 파운데이션 모델은 수십 년간의 재분석 데이터(ERA5)로 사전 학습되고 특정 예측 과제에 맞게 미세 조정된다.

운영 예보와의 검증은 이 논문의 가장 강력한 주장이다. 파운데이션 모델은 1-10일 예보에 대한 표준 검증 지표에서 ECMWF의 IFS와 동등하거나 이를 능가하면서도, 수 시간이 아닌 수 초 만에 실행된다.

극한 사건: AI 기후 모델이 어려움을 겪는 부분

Camps-Valls et al.은 필수적인 반론을 제시한다. 극한 기상에 대한 AI에 관한 그들의 포괄적 리뷰는 체계적인 도전을 드러낸다. 역사적 데이터로 훈련된 AI 모델은 극한 사건을 과소 예측한다. 그 이유는 통계적이다. 극단적 사건들—5등급 허리케인, 전례 없는 폭염, 1000년 주기 홍수—은 정의상 훈련 데이터에서 드물게 나타난다. 표준 손실 함수(평균 제곱 오차)는 이러한 희귀 사건들을 일반적인 조건보다 덜 패널티로 처리하여, 정확도가 가장 중요한 순간에 모델이 기후학적 평균으로 회귀하도록 만든다.

해당 리뷰는 보존 법칙을 내재화한 물리 정보 기반 아키텍처(physics-informed architectures), 희귀 사건 꼬리(rare event tails)를 모델링하기 위한 통계적 방법, 그리고 알려진 물리적 메커니즘을 귀납적 편향(inductive biases)으로 인코딩하는 인과 발견(causal discovery) 접근법 등 여러 새로운 방향을 제시한다. 이러한 해결책 중 어느 것도 완전히 성숙하지 않았다. 솔직한 평가는 이렇다: AI 기상 모델은 일상적인 예보에는 탁월하지만, 가장 큰 피해를 유발하는 극단적 사건에 대해서는 위험할 정도로 과신(overconfident)한다.

육지 표면의 공백

Mbarak et al.의 NoahMP-AI는 현재 지구 시스템 AI의 특정 약점을 부각시킨다: 극단적 상황에서의 육지 표면 예측. 이 연구는 Noah Multi-Physics 육지 표면 모델을 딥러닝으로 강화하며, 가뭄 모니터링, 홍수 예보, 농업 계획에 중요한 변수인 토양 수분 예측에 초점을 맞춘다.

핵심 발견은 다음과 같다: 표준 육지 표면 모델(물리 기반 및 AI 기반 모두)은 가뭄과 홍수 사건 동안 급격히 실패하는데, 바로 이러한 극단적 조건들이 훈련 분포(training distribution) 밖에 놓이기 때문이다. 물리 기반 모델을 백본으로 사용하고 딥러닝으로 체계적 편향을 보정하는 이들의 하이브리드 접근법은 물리적 일관성을 유지하면서도 극단적 사건 예측을 개선한다.

이러한 하이브리드 철학—구조를 위한 물리학, 보정을 위한 AI—은 지구 시스템 모델링의 실용적 전진 방향을 대표할 수 있다: 순수한 데이터 기반도, 순수한 방정식 기반도 아닌, 각각의 강점을 계승하는 두 패러다임의 결합이다.

주장과 근거

<

주장	근거	평결
AI 파운데이션 모델이 중기 기상 예보에서 NWP와 동등한 성능을 보인다	Bodnar et al.이 표준 지표에서 ECMWF IFS와의 동등성을 입증	✅ 강력히 지지됨
AI 모델이 결합된 지구 시스템 역학을 포착한다	파운데이션 모델이 대기-해양-육지를 공동으로 처리	✅ 지지됨 (단기 예측에 한해)
AI 기상 모델이 극단적 사건을 잘 처리한다	Camps-Valls et al.이 체계적인 과소추정을 문서화	❌ 현재 접근법에 대해 반박됨
물리-AI 하이브리드가 극단적 사건에서 순수 AI보다 우수하다	NoahMP-AI가 가뭄/홍수 예측에서 개선을 보임	✅ 지지됨 (초기 근거)
AI 기후 모델이 세기 규모 예측에서 물리 기반 전망을 대체할 수 있다	중기 예보를 넘어서는 검증 없음	⚠️ 근거 불충분

미해결 질문들

세기 규모의 신뢰성: 40년의 재분석 데이터로 훈련된 파운데이션 모델이 역사적 유사 사례가 없는 기후 조건 하에서 80년 후의 미래를 신뢰할 수 있는 수준으로 전망할 수 있는가? 이것은 기후 정책의 핵심 질문이며, 아직 답이 없다.

과학자를 위한 해석 가능성: 기후 과학자들은 신뢰를 쌓기 위해서만이 아니라 물리적 이해를 발전시키기 위해서도 모델이 왜 특정 예측을 하는지 이해해야 한다. AI 지구 시스템 모델은 과학적 통찰을 생성할 수 있는가, 아니면 단순히 예측만 가능한가?

해상도 한계: 파운데이션 모델은 약 25km 해상도에서 작동하는데, 이는 종관 규모(synoptic-scale) 기상에는 충분하지만 국지적 영향 파악에는 부족하다. 도시 계획 및 농업 응용을 위해 km 규모로 다운스케일링하는 것은 여전히 미해결 과제이다.

앙상블 예측: 전통적인 NWP는 불확실성을 정량화하기 위해 예보의 앙상블을 생성한다. 파운데이션 모델은 어떻게 보정된 앙상블 예측을 생성해야 하는가? 이미지 확산 모델에서 사용되는 확률적 방법이 하나의 경로를 제시할 수 있지만, 그 전환은 간단하지 않다.

예측의 거버넌스: AI 기상 모델이 지배적인 위치를 차지하게 된다면, 누가 그 인프라를 통제하는가? 기후 예측은 공공재이지만, 파운데이션 모델은 훈련 비용이 막대하여 예측 역량이 자원이 풍부한 소수의 조직에 집중될 수 있다.

연구자에게 주는 시사점

기후 과학자들에게 전달되는 메시지는 AI가 물리학을 대체한다는 것이 아니라, AI가 새로운 과학을 가능하게 하는 방식으로 물리학을 보완한다는 것이다. 속도 면에서의 이점은 기존에 계산적으로 불가능했던 실험 설계를 가능하게 한다. 수천 가지 기후 시나리오 생성, 초기 조건의 체계적 섭동, 실시간 지역 규모 축소(downscaling) 실행이 그 예이다.

AI 연구자들에게 지구 시스템 모델링은 유례없이 풍부한 평가 도메인을 제공한다. 품질 판단이 주관적인 언어 또는 이미지 생성과 달리, 기상 예측에는 정답(ground truth)이 존재한다. 모든 예측은 실제로 발생한 사실과 대조하여 검증할 수 있으며, 이는 대부분의 AI 벤치마크가 결여하고 있는 엄밀하고 객관적인 평가 신호를 제공한다.

정책 입안자들에게 파운데이션 모델은 약속인 동시에 경고이다. 약속은 기후 적응 정책 수립을 위한 더 정확하고, 빠르며, 저렴한 환경 예측이다. 경고는 이 모델들이 가장 큰 피해를 야기하고 가장 시급한 정책 대응을 요구하는 극한 사상(extreme events) 영역에서 이미 알려진 맹점을 지닌다는 점이다.

지구 시스템 파운데이션 모델은 가장 문자 그대로의 의미에서 우리 세계의 모델이다. 이를 올바르게 구축하는 것은 학문적 연습이 아니다. 그것은 이 세기를 정의하는 행성적 위기를 헤쳐나가기 위한 선결 조건이다.