一篇读懂机器学习极端事件归因的长文。卷积神经网络不重跑气候模式，也能生成与历史天气动力一致的反事实热浪。热浪中的北美平原：干裂河床、晒白的草原、铜色热霾天空。摘要斯坦福与科罗拉多州立大学团队提出一种基于卷积神经网络的极端事件归因方法：把历史天气场固定，只改变全球平均温度，即可生成同一场热浪的反事实版本。2023 年北美中南部热浪因全球变暖升温 1.18–1.42°C；在升温 2°C 的气候里，同类事件每年或发生 0.14–0.60 次。方法快速、低成本，结果与既有归因研究大体一致。一场热浪，两种问法自 19 世纪以来，温室气体排放把地球推进一段至少两千年未见的快速增温。破坏往往不是通过“平均变暖”被感受到的，而是通过热浪、暴雨和干旱。IPCC 已经给出相当确定的判断：人类活动极有可能推高了全球日温度极端事件的频率与强度。可一旦问题收窄到这一场热浪，答案就变得棘手——每场极端天气都是动力过程与热力过程缠在一起的产物。极端事件归因大体分成两条路。概率法（或称风险法）比较历史气候与反事实气候里极端事件的统计分布：看观测趋势、看大型集合模拟、看不同暖化水平下的重现期。它快，也适合世