AI在氣候變化領域的實際應用尚存不足，主要體現在數據匱乏與模型偏差大、“黑箱”模型可解釋性差、突發氣候事件適應性弱、技術倫理風險等4個方面。

首先，AI模型依賴海量高質量數據，但相關氣候觀測數據在發展中國家或偏遠地區嚴重匱乏，導致預測模型精度及可信性下降。AI模型被用于預測熱帶氣旋（臺風、颶風）強度與路徑時，因訓練數據地理分布不均，導致模型在特定區域預測偏差很大。例如，相比于北大西洋豐富且完整的颶風數據，南印度洋數據較少且質量低，多項研究揭示，基于深度學習模型對后者強度的預測誤差比前者高出20%以上。

其次，AI算法存在“黑箱”效應及困境，即模型內部工作機制難以解釋和理解，輸入與輸出的物理映射不可捉摸，導致決策邏輯不透明、難以被采納。當預測極端氣候事件時，一些氣象學家因AI模型邏輯無法理解而更依賴于傳統動力學方法。可解釋性人工智能（Explainable AI，XAI）的發展有望打破AI模型預測準確度與可解釋性的權衡。

此外，AI訓練基于歷史基礎數據，難以應對氣候系統的非線性突變。2021年6月，北美西北部遭遇有史以來最嚴重熱浪和極端高溫，而AI預測模型因缺乏類似極端數據且未包含“高溫—能源需求非線性耦合機制”，對電網負荷預測失效，引發大規模停電。

最后，AI在氣候變化應用中可能引發倫理道德挑戰，如訓練偏見和不公平、數據隱私政策、氣候決策不透明等問題。只有通過跨學科協作、民主化技術治理和全球倫理共識，才能讓AI 真正成為普惠的“氣候正義工具”。