地球內部的引力使某些十年顯得漫長——卻讓另一些十年轉瞬即逝

近日，一项发表于《自然》的研究利用人工智能模型重新审视了地球自转的长期波动，揭示出一个反直觉的现象：地球内部的引力拖拽并非均匀流逝，而是让某些十年显得格外漫长，另一些十年却转瞬即逝。研究团队收集了自 1970 年代以来长达半个世纪的甚长基线干涉测量和全球定位系统数据，构建了一个融合卷积神经网络与长短期记忆网络的混合模型，从日长变化中剥离出大气、海洋和潮汐等外部因素，最终锁定了一个周期约六到十年的内部信号。该信号的振幅虽然仅有零点几毫秒，但累积效应足以让一个标准十年产生最高三毫秒的偏差，相当于时钟每天快慢百万分之三秒。这一发现首次将十年尺度的日长变化与地核-地幔引力耦合直接关联，为理解地球深部角动量交换提供了全新视角。

从技术实现来看，该研究的核心在于用 AI 解决了一个经典的多源信号分离难题。地球自转速率的变化由多种过程叠加而成，包括大气环流、洋流、冰川均衡调整以及核幔边界处的电磁和引力耦合。传统方法依赖物理模型逐个扣除已知贡献，但剩余残差往往淹没在噪声中。研究团队采用了一种自监督学习框架，先用全球大气再分析数据和海洋环流模型生成合成训练集，让网络学会识别外部强迫的时空模式，随后将真实日长序列输入模型，通过残差学习提取内部引力信号。网络结构上，他们设计了一种双流架构：一维卷积层捕捉日长变化的局部突变特征，如地震或强厄尔尼诺事件引起的短期扰动；LSTM 层则建模长达数十年的缓慢趋势，并引入注意力机制自动加权不同深度的地核动力学过程。训练完成后，模型在验证集上对已知火山喷发和大地震引起的日长跳变实现了超过百分之九十五的解释率，证明其分离出的内部信号具有物理可解释性。此外，团队还利用生成对抗网络对信号进行不确定性量化，确保十年尺度波动的置信区间不包含零值，从而排除了随机噪声的可能。

这一成果对多个行业将产生连锁影响。首先是时间计量领域，国际原子时与基于地球自转的世界时之间的协调一直依赖闰秒调整，而十年尺度的非线性波动会使闰秒预测更加困难，AI 模型提供的内部引力预报有望将闰秒决策提前量从半年延长至数年，降低全球导航卫星系统、金融交易网络和电信同步的运维成本。其次是卫星精密定轨，低轨星座和深空探测器需要精确的地球定向参数，内部引力信号的准确建模可将轨道预报误差降低百分之十至十五，对 SpaceX 星链、OneWeb 等巨型星座的碰撞预警至关重要。在地球科学内部，该模型已开源并集成到几个主流地球系统模拟平台中，气候科学家开始将其用于校正古气候代用指标中的时间标尺，重新评估过去千年海平面变化和冰期旋回的时间节点。竞争格局上，传统基于物理的核幔耦合模拟软件如 Glatzmaier-Roberts 模型面临挑战，而谷歌 DeepMind 和微软研究院也相继发布了用于地球内部成像的预训练基础模型，一场围绕地球深部 AI 的竞赛正在展开。

后续值得关注的信号有三点。一是模型能否从十年尺度拓展到百年甚至千年尺度，帮助解释历史文献中记载的日长异常，例如古代日食记录与理论计算之间的时间偏差，这需要融合树轮、珊瑚和冰芯等古气候数据，对 AI 的多模态学习能力提出更高要求。二是实时应用的落地，研究团队正与欧洲中期天气预报中心合作，将模型部署为日长变化的在线预测服务，一旦实现，可为即将到来的火星采样返回任务提供亚毫秒级的时间同步保障。三是可解释性的突破，当前模型虽然能分离信号，但无法直接输出核幔边界处的引力矩分布，下一步计划引入物理信息神经网络，将地核流体的磁流体动力学方程嵌入损失函数，使 AI 的“黑箱”逐步透明化。随着地学大数据和 AI 方法的深度融合，我们或许很快就能像预报天气一样，提前数年预知地球自转的“心情”变化，而时间本身也将不再是一个均匀流逝的背景常量。