智能体写代码，人类定义正确性
legoESM 要回答的问题，不是语言模型能否写出看似合理的 Fortran 代码，而是智能体写的代码能否被当作物理模型来信任。论文的答案建立在分工之上。人类规定科学契约，即控制逻辑、守恒量和评估标准；智能体则把数十年来社区积累的参数化方案和数值方法，重写进统一的 JAX 框架。信任来自验证，而不是来自智能体本身：自动化持续集成强制执行物理契约，社区基准案例提供明确目标，智能体据此反复迭代。
这项工作的规模本身就是证据的一部分。整套基础设施开发历时 9 个月，包含约 620,000 行模型代码、约 824,000 行测试代码，以及约 555,000 行模拟及相关代码。作者明确指出，在物理直觉难以编码的地方，例如立方球边缘的网格印记伪影，对抗式智能体审查和持续迭代循环最为关键。
论文也在这里指出了自身的依赖条件。智能体辅助开发之所以可行，是因为社区早已把理解提炼成开放、定义明确的基准案例，从动力核心测试到模式比较计划。作者指出，陆面、海冰、生物地球化学和耦合系统等部分的此类基准仍然稀少，而这些恰恰是智能体验证最缺乏对照的组件。
可微性把偏差变成梯度
传统基于物理的地球系统模型通常不提供伴随模式，也就是拿不到模型输出对不确定参数的梯度；因此校准只能依赖无导数的蒙特卡洛或集合方法，其成本随参数数量增加而迅速上升。legoESM 端到端可微，一次反向传播就能得到某个标量诊断量对每个内部参数和边界输入的梯度，成本基本与参数数量无关。
陆面校准是最清楚的演示。研究按植物功能型调整地表参数，通过可微陆面模型对 ERA5 年平均场做梯度下降，并用可微 sigmoid 变换施加物理边界。从 CLM5 默认参数出发，全球平均皮肤温度暖偏差从 +1.09 K 降到 +0.30 K，干旱和半干旱陆地上的改善最大。地表反照率仅从 +0.002 变到 +0.004，作者据此认为，温度拟合并非以牺牲辐射地表状态为代价。
同一套伴随能力还支撑变分资料同化，无需单独编写伴随模型。在 MPAS 动力核心的单观测 4D-Var 实验中，t0 + 6 h 处一个合成的 500 hPa 温度增量被反向传播到 t0，产生一个上游增量，再由西风带带到观测位置；3D-Var 把观测当作在分析时刻有效，结果把增量中心放在观测点以东。JAX 自动生成的切线性传播与非线性预报的差异在 1% 以内。
精确梯度未必是有用梯度
论文对可微性带来什么保持谨慎。梯度对离散化模型是精确的，但在混沌、自回归的动力过程中，穿过长时间积分的梯度可能消失或爆炸；隐式求解器、迭代修正器和阈值型物理过程会让梯度变得嘈杂或病态。前向精度与反向传播稳定性之间也存在权衡，作者提到 NeuralGCM 就建立在相对简单的谱动力核心之上。
legoESM 没有消除这些限制。它提供的是选择：用户可以拿有限差分核对梯度，并针对每个应用选择网格、动力核心、滚动长度和损失函数，例如时间平均或集合统计量，以在前向保真度和梯度质量之间取得最佳平衡。
第二个注意事项关乎校准能修好什么。基于梯度的调参可以减少偏差和误差，但无法消除基于物理的参数化中的结构性误差，因此一个调得很好的模拟仍可能因固有结构而带有显著偏差。作者提出的应对办法，是利用模型的可替换性，把默认结构换成纯机器学习组件，检验它们能否解决偏差。
一套代码，从涡旋到全球气候
多尺度主张是逐组件验证出来的，而不是直接断言的。作为大涡模拟，模型对照参考案例和 MicroHH 参考代码，复现了预期的平均廓线和湍流结构。扩大区域并加入湿物理后，它变成云分辨模式，在辐射对流平衡中对照 SAM 模型测试，对流会自发聚集成团；暖雨微物理在 Golovin 解析基准上与基于粒子的超水滴参考结果高度吻合。微物理方案还对照其原始 Fortran 或 C 实现做了检查，把这些实现当作代码翻译的判据。
在全球尺度上，大气模式可运行浅水案例、与海洋或陆地耦合的三维辐射对流平衡、Held–Suarez 以及任意网格上的 AMIP 型给定海温模拟，并用基于 ESMValTool 的 ClimateEval 评估。强迫三维海洋积分与 NEMO 做了比较，包括理想化 DINO 盆地的孪生实验，以及额外的盐度和混合层深度诊断。海洋基准套件在每种案例有定义的每个网格上都通过，覆盖经纬度、MPAS/Voronoi、FESOM 型非结构化和三极网格。
作者指出，已有一些框架能覆盖从大涡到全球的尺度，但据他们所知，现有框架中还没有哪一个能在同一套可微代码里，从米级涡旋一直覆盖到全球模拟。这是关于多种特性组合的主张，而不是说某一次模拟更优越。
模拟气候仍在哪些地方失准
验证结果有好有坏，这对判断成熟度很重要。多数陆面目标在仅几轮迭代内就达到了评估标准，例外是土壤蒸发：高偏差导致土壤干涸，因此必须实现一个现代化的土壤蒸发参数化方案。
碳循环方面存在更明显的残余偏差。把初始碳库与观测估计比较，发现北部高纬度土壤的土壤碳偏少，智能体反复调整参数和结构，直到碳库变得合理。但总初级生产力被高估：legoESM 的全球总量为 199 PgC yr⁻¹，而 CLM5-SP 为 157 PgC yr⁻¹，数据驱动的 CEDAR 和 FLUXCOM 产品为 120–146 PgC yr⁻¹。纬向结构，即热带最大值和北半球中纬度峰值，得到了复现，作者把全球总量标记为尚待解决的偏差。
这些是组件层面的评估，不是对耦合系统的定论。作者预计会出现与成熟模型相同的耦合系统难题，例如拉布拉多海虚假深水形成、大西洋经向翻转环流漂移和热带偏差，并把更快的校准作为更快检验候选修复方案的手段，而不是已经证明的解决方案。
GPU 扩展性取决于网格结构
硬件性能以强扩展形式报告，测试平台是 DKRZ Levante 系统，使用 A100-80GB GPU 和 AMD EPYC 7763 Milan CPU 进程，覆盖单精度和双精度，虚线表示以第一个点为基准的理想扩展。大气模式在 4096×8192（约 5 km）和 2048×4096 的经纬度网格上测试，均为 26 层；也在细分级别 9 和 10 的 MPAS 二十面体网格上测试，均为 26 层。海洋模式在 ORCA12 级三极网格（3072×4352，75 层，仅 GPU）、260 万单元 40 层的 MPAS Voronoi 网格，以及 210 万节点 70 层的 FESOM2 FORCA20 网格上测试，后者使用双精度。
规律是一致的：结构化网格在设备数量很大时仍贴近理想线，而非结构网格一旦每个设备的计算量小到无法摊薄 halo 交换成本，扩展就会掉下来。对计划做公里级运行的人来说，这一区别才是实际相关的，因为这意味着增加设备带来的成本取决于配置使用哪种网格，而不只取决于有多少 GPU。
是模板，不是成品地球系统模型
作者把论文描述为一种新架构的演示，而不是一个完成的地球系统模型，并指出该模型目前的复杂度还不及成熟的业务模型。他们主张的新意在于一组能力：端到端敏感性与归因、通过模型自身演化在线训练内嵌神经组件，以及在同一套可微代码内做干净的跨尺度比较，而不是某一次模拟。
这一框架直接引出一个治理问题。联邦式框架可以由核心团队维护，把贡献测试并整合进参考版本；也可以由用户分叉，长期维护负担更小，但改进更难在整个框架内整合和评估。作者倾向于两者结合：通过共享基准和契约测试的贡献，合并进参考版本。
更广泛的主张是，在智能体工作流中，源代码重新生成的代价相对低廉，因此测试、基准和参考数据集越来越承载社区所知，也最需要精心维护。对评估 legoESM 的读者来说，决定性的比较因此不是与业务地球系统模型的复杂度相比，而是在两种开发模式之间：一种把物理理解放在手工维护的代码里，另一种把它放在智能体写的代码必须通过的可验证基准里。
本文引用的文献
legoESM: a modular, differentiable, multiscale, AI-ready Earth system model built with AI agents
AI 编程智能体在人类指定的科学契约下工作，并接受社区基准验证，组装出一个可组合、端到端可微的 JAX 地球系统模型，其单一代码库覆盖从大涡模拟到全球模拟；基于梯度的陆面校准把全球平均皮肤温度相对 ERA5 的偏差从 +1.09 K 降到 +0.30 K，同时反照率基本保持无偏。