Schneider 以 Navier-Stokes 有限时间爆破证明为例，论证 AI 预测只有在可审计的因果链中才能被信任

文章把科学活动区分为 episteme（解释性理解，理解本身即目的）与 techne（预测与制作的技艺），并指出二者能否分离取决于预测是否容易被检验。 相对于把 AI 能力笼统视为进步或威胁的讨论，这一区分给出了判断 AI 在具体任务中可否被信任的判据：可每日检验的天气预报中黑箱模型可以独立成立，而验证过慢、过贵或危险的情形则不行。 论证性文章，以 AlphaFold 预测可对照实验测定结构、AI 天气预报可每日检验作为例证，属于概念框架而非实证研究。

文章指出强制 Navier-Stokes 方程有限时间爆破的证明虽经 Lean 形式化验证支持其正确性，但数学界仍在消化它，且该结果对湍流的建模、预测与理解所言甚少。 把“证明正确”与“推进对方法与结构的集体理解”分开，并说明该奇异解与黏性在有限 Kolmogorov 尺度上耗散能量的湍流不同，后者才是普遍实现的物理现象。 引用 Terry Tao、Timothy Gowers 与 Yehuda Rav 的观点，并说明无强制版本问题仍然开放；文中未给出证明细节，属评述性判断。

文章主张端到端 AI 天气模型不适合数十年气候预估，因为温室气体浓度通常不在其输入中，且即便加入也没有观测可供学习其响应，模型也不强制能量等守恒律，长积分可能因误差累积而漂移。 把“每日可检验的预报”与“预测天气统计量如何随强迫变化的气候预估”明确区分为不同任务，并指出前者缺少稳定性、一致性与收敛性理论（无 von Neumann 稳定性分析或 Lax 等价定理的类比），初始条件到预报的映射难以审计。 基于物理建模与数值分析既有理论的论证，未提供新的数值实验或统计结果。

文章提出把 AI 嵌入可审计脚手架：用误差受控的数值方法求解已解析的大尺度，用数据学习未解析次网格尺度的闭合模型，并让 AI 智能体在闭环中提出符号闭合、用高分辨率模拟、观测或实验检验并修订。 与端到端替代方案相对，这一路线把信任建立在可单独检验的环节上，并指出大尺度正是气候变化使系统偏离当前分布之处，而小尺度物理在更暖或更冷气候中遵循相同的局地规律。 以气候模式与 CFD 代码数十年来“已解析动力学加嵌入闭合”的实践为依据，并提到神经网络闭合可被检验与部分解释、符号回归（如 SINDy）有时产生更易解释的闭合。

文章面向的是预测必须在被验证之前就被信任的场景，例如数十年尺度的气候变化预估和新构型飞机的认证；在这些场景中，作者主张把 AI 放在可审计链条的环节上，用误差受控的数值方法处理已解析大尺度，用数据学习可单独检验的次网格闭合。对可每日检验的短期天气预报，作者明确认为黑箱端到端模型可以独立成立，因此该论证并不主张限制这类应用。对希望把 AI 引入地球系统或工程预测的研究者与工程实践者，这篇文章提供的是使用方式与信任来源的判断框架。

文章对强制 Navier-Stokes 有限时间爆破证明的讨论基于公开宣布与形式化验证，作者本人也指出数学家仍在消化该结果，因此其数学意义仍有待社区评估。关于端到端 AI 气候预估的局限，文章给出的是基于物理与数值分析理论的论证，而非针对具体模型的定量测试。此外，本次读取的文本为不完整版本，缺少图表与参考文献细节，若读者需要核实具体引用或数值，应回到原文。闭合模型在数据未覆盖的条件下是否仍可外推，作者也指出这一问题可能重新出现，并以局地高分辨率模拟做离线标定与不确定性量化作为缓解手段。