环球科学：连破纪录！7月21和22日成为80年来最热的两天

lameihua

　　· 气候变化 ·

　　连破纪录！7月22日成为80年来最热的一天

　　2024年7月21日，全球日平均气温达到了17.09℃，一举成为自1940年有记录以来，近80多年间最热的一天。然而，这个纪录仅仅过了一天便再次被打破。根据哥白尼气候变化服务局（C3S）的数据，7月22日，全球日平均气温进一步攀升至17.15℃，超过了前一天创下的新高，新晋成为全球有记录以来最热的一天。

　　更令人担忧的是，根据C3S的数据，自2023年6月起，全球每月的平均气温均超过了往年同期温度，不断刷新着纪录。在2023年7月之前，此前的全球日平均气温纪录为2016年8月13日的16.8℃。但在2023年7月3日以来，已经有58天的日平均气温超过了这一记录。根据目前数据推测，2024恐将超越2023年，成为地球上最热的一年。C3S总监Carlo Buontempo表示：“我们正处于真正未知的气候状态，随着气候变化持续加剧，我们一定会在未来的几个月和今年内看到新的纪录。”（Copernicus）

　　· 人工智能 ·

　　用AI生成数据训练的模型或终将发生崩溃

　　近日，一项发表于《自然》（Nature）的研究指出，用AI生成的数据集训练未来几代机器学习模型可能会污染它们的输出，这个概念称为“模型崩溃”（model collapse）。该研究显示，原始内容会在数代内变成不相关的胡言乱语，显示出使用可靠数据训练AI模型的重要性。

　　研究人员用数学模型演示了AI模型可能会如何出现模型崩溃，发现一个AI可能会忽略训练数据中的某些输出（如不太常见的文本），导致其只用一部分数据集来自我训练。他们还研究了AI模型会如何应对主要用人工智能生成的训练数据集。结果显示，给模型输入AI生成的数据会减弱今后几代模型的学习能力，最终导致模型崩溃。他们测试的几乎所有递归训练语言模型都容易出现重复短语。比如，一个用中世纪建筑文本作为原始输入的测试到第九代的输出已经是一串野兔的名字。研究表明，用AI生成数据训练一个模型并非不可能，但必须对数据进行严格过滤。

　　· 核能 ·

　　中国防熔毁核反应堆通过关键的冷却试验

　　用核能发电的一大主要缺点是核反应堆可能熔毁，带来辐射威胁。比如2011年日本福岛第一核电站在海啸导致停电，反应堆冷却功能失效时，反应堆过热而被熔毁。因此，科学家一直致力于开发新型核反应堆，使其能够在冷却剂供应中断后不发生熔毁。近日，清华大学的研究人员在《焦耳》（Joule）杂志上发表研究称，球床模块式高温气堆冷堆核电站（HTR-PM，中国的小型模块化核反应堆）通过了关键的冷却测试。

　　HTR-PM这一反应堆的特点是其燃料棒含有更多的石墨与更少的铀，且铀会被包裹起来。这种设计可以使反应速度变慢，以便在更长时间内维持更高的温度，另外还能将热量分散到周围更大的范围内。这意味着，该反应堆可通过传导或自然对流，或是传导与自然对流相结合的方式被动地将热量释放出去。也就是说，该反应堆的冷却或能不依赖外部电源。为了测试该反应堆的冷却能力，研究人员关闭了其外部电源，在接下来的两天内对核电站进行了监测，结果显示，反应堆没有发生熔毁，且在36小时内达到稳定温度。（Tech Xplore）

　　· 生物学 ·

　　安慰剂也能镇痛的机制

　　安慰剂效应有镇痛的功效。当一个人认为自己的疼痛将得到缓解时，即使没有服用镇痛药物，他们对疼痛的感知也会降低，这个过程被称作安慰剂镇痛效应。此前研究显示，安慰剂镇痛效应与前扣带回皮质内的活动有关，这个脑区也与疼痛感受有关。不过，这种现象背后的生物学机制一直不明。最近一项发表于《自然》（Nature）的研究在小鼠模型中，发现了安慰剂效应缓解疼痛的一个可能神经环路。

　　研究人员设计了一个安慰剂镇痛效应的小鼠模型，来研究疼痛缓解是如何介导的。他们让小鼠与地面温度不同的两个房间条件性相关，一个热度舒适，另一个非常热。这些条件性小鼠暴露在更热的地面后，会在更凉的地面上停留更长时间，说明它们预期这能缓解疼痛，而且它们的疼痛缓解行为也会减少，如舔脚。通过对小鼠大脑的基因分析，他们发现了一个与疼痛缓解行为相关的通路，该通路位于前扣带回皮质喙部与脑桥核之间，而此前脑桥核脑区未被发现在疼痛中有作用。研究发现的这一脑通路，或能通过药物、电极或认知行为疗法刺激，来诱导个体的疼痛缓解。

　　· 天气预报 ·

　　新AI可准确预测天气和长期气候趋势

　　目前的预报系统通常依赖于大气环流模式（general circulation models，GCM），该模式通过描述地球陆地、海洋和大气间的一系列物理过程，预测它们如何影响天气和气候。但GCM需要大量的算力支持，往往需要在超级计算机上才能运行。机器学习预测模型一直被认为是一种替代手段，且具有节省算力成本的优势，但它们很难给出准确的集合预报（一组不同的预报结果，可提供结果的概率分布信息）或长期气候预测。据《自然》新闻（Nature news）报道，近日一项发表于《自然》（Nature）的研究发布了首个能够生成准确集合预报的机器学习模式。

　　研究团队将该模式命名为NeuralGCM，该模式将传统基于物理规律的模式与机器学习相结合，可以生成中期和短期的天气预报，以及更长期的气候模拟。研究团队将NeuralGCM的预测结果与真实世界数据及其他预报结果进行了对比，结果显示，NeuralGCM对1~15天预报的准确率能够与欧洲中期天气预报中心（ECMWF，最好的传统物理天气模式之一）的结果相媲美。当作者在NeuralGCM的40年气候预测中加入海平面温度后，他们发现NeuralGCM给出的结果与ECMWF数据中发现的全球变暖趋势一致。NeuralGCM 在预测龙卷风及其轨迹方面也超过了已有的气候模式。（Nature news）

　　撰写：李承泽、王怡博、二七