AI在气候变化领域的实际应用尚存不足，主要体现在数据匮乏与模型偏差大、“黑箱”模型可解释性差、突发气候事件适应性弱、技术伦理风险等4个方面。

首先，AI模型依赖海量高质量数据，但相关气候观测数据在发展中国家或偏远地区严重匮乏，导致预测模型精度及可信性下降。AI模型被用于预测热带气旋（台风、飓风）强度与路径时，因训练数据地理分布不均，导致模型在特定区域预测偏差很大。例如，相比于北大西洋丰富且完整的飓风数据，南印度洋数据较少且质量低，多项研究揭示，基于深度学习模型对后者强度的预测误差比前者高出20%以上。

其次，AI算法存在“黑箱”效应及困境，即模型内部工作机制难以解释和理解，输入与输出的物理映射不可捉摸，导致决策逻辑不透明、难以被采纳。当预测极端气候事件时，一些气象学家因AI模型逻辑无法理解而更依赖于传统动力学方法。可解释性人工智能（Explainable AI，XAI）的发展有望打破AI模型预测准确度与可解释性的权衡。

此外，AI训练基于历史基础数据，难以应对气候系统的非线性突变。2021年6月，北美西北部遭遇有史以来最严重热浪和极端高温，而AI预测模型因缺乏类似极端数据且未包含“高温—能源需求非线性耦合机制”，对电网负荷预测失效，引发大规模停电。

最后，AI在气候变化应用中可能引发伦理道德挑战，如训练偏见和不公平、数据隐私政策、气候决策不透明等问题。只有通过跨学科协作、民主化技术治理和全球伦理共识，才能让AI 真正成为普惠的“气候正义工具”。