谷歌与国泰航空在亚太试验人工智能避开航空凝结尾迹

谷歌与国泰航空在亚太开展人工智能驱动的凝结尾迹预测与规避试验，初步卫星分析显示通过调整航路可将变暖影响降低约40%。该项目将AI预测嵌入飞行工作流，仍需独立评估燃油影响、空管协调与区域可复制性。

谷歌研究团队正与国泰航空合作，把人工智能驱动的航空凝结尾迹（contrails）预测和规避技术引入亚太地区的超长途航班。谷歌称，早期试验覆盖了80多个航班，按卫星图像分析估算，这些航班通过调整航路把凝结尾迹造成的变暖影响降低了约40%。

这项合作于2026年9月7日公布。它并不是一次全新的实验室演示，而是谷歌此前与美国航空公司、欧洲空中交通机构及其他研究伙伴进行的凝结尾迹试验向亚太航线的扩展。谷歌在官方公告中说，国泰航空是其在亚洲合作的首家商业航空公司，第二阶段将扩大试验规模，并与非营利研究组织Contrails.org合作积累更多数据。

凝结尾迹为何会成为航空业的气候问题

飞机穿过寒冷、潮湿的高空空气时，发动机排出的水蒸气会在烟尘等微粒周围凝结，形成飞机尾部的白色线状云层。很多凝结尾迹会很快消散，但在合适的大气条件下，它们可能持续数分钟甚至数小时，并扩展成类似卷云的云层。

这些云层一方面可能在白天反射部分太阳辐射，另一方面也会阻挡地表向外释放的热量。夜间形成的凝结尾迹通常缺少反射阳光的降温效应，因此净变暖影响更明显。谷歌援引政府间气候变化专门委员会（IPCC）第六次评估报告称，与凝结尾迹相关的云层约占航空全球变暖影响的三分之一；谷歌研究项目页面则使用了约35%的表述。

这一比例并不意味着每一架飞机或每一条尾迹都会造成同样的影响。关键在于识别哪些航班会在特定的温度和湿度条件下形成持久、具有明显变暖效应的尾迹。谷歌的Project Contrails介绍称，人工智能可以把天气、卫星和飞行数据结合起来，预测这些区域的位置，再让调度员和飞行员考虑小幅度的高度调整。

从单次试飞转向航空公司的日常流程

避开凝结尾迹在操作上通常不需要改变飞机类型或燃料，也不一定意味着大幅绕行。谷歌表示，飞机可以像避开颠簸区一样，在既定安全标准内稍微调整飞行高度。不过，这种做法能否实际推广，取决于预测是否足够准确、信息能否及时送达，以及空管和机组能否把气候因素纳入原有的放行和飞行流程。

在与国泰航空的试验中，谷歌的系统将人工智能预测、卫星图像和天气信息结合起来，提前标出可能形成凝结尾迹的区域。国泰航空则通过机上无线网络和其电子飞行文件（Electronic Flight Folder，EFF），把动态预测送到驾驶舱，让飞行员在不打断常规工作流的情况下查看相关信息。

谷歌称，试验目标超过100个航班，其中80多个航班实际采用了凝结尾迹规避路线。香港至新加坡航线是测试路线之一，因为谷歌认为该空域较常遇到有利于持久尾迹形成的条件。按谷歌对试验的分析，这一航线的干预贡献了试验总减排量的一半以上。

这些数字目前主要来自谷歌对试验的卫星图像分析，尚不是由独立机构公布的最终评估。谷歌使用的是“估算的变暖影响减少”这一表述，不能简单等同于减少了同等数量的二氧化碳排放。

早期美国试验提供了什么证据

谷歌的亚太项目建立在此前美国试验和最新研究的基础上。2023年，谷歌与美国航空公司合作，让飞行员在70个试验航班中参考人工智能预测，选择避开可能产生凝结尾迹的飞行高度。谷歌事后通过卫星图像分析称，试验航班的凝结尾迹减少了54%；但尝试规避尾迹的航班额外消耗了约2%的燃油。谷歌估计，如果只调整真正需要调整的一小部分航班，整个航空公司机队的额外燃油影响可能约为0.3%。

谷歌后来进一步把预测工具接入美国航空公司的飞行规划软件，并在一项包含2400个跨大西洋航班的研究中测试。谷歌在2026年的研究公告中称，成功执行规避计划的航班，其凝结尾迹形成率较对照组降低62%。这项研究比早期试验更接近日常运营，但“成功执行计划”的航班并不等于所有参与研究的航班，因此不能把62%理解为整个航班样本的统一减幅。

从54%到62%的结果，显示技术可能从“飞行员根据预测手动配合”走向“嵌入航空公司规划工具”。但它仍然没有回答所有规模化问题，例如不同地区天气模式下的预测稳定性、改变高度对空域容量和燃油使用的综合影响，以及不同航空公司之间如何共享可比较的数据。

亚太试验也是一项区域科学试验

亚太是全球航空增长最快的地区之一，航线跨越的气候带、海域和空域管理体系差异很大。对谷歌而言，与国泰航空合作的价值不仅是测试一套技术能否在单条航线上运行，也在于获得不同大气条件和超长途运行环境下的数据。

谷歌表示，第二阶段试验将覆盖国泰航空更广泛的亚洲及跨太平洋网络，并为全球凝结尾迹研究提供数据。它还强调，试验将评估在不同运营环境中规避凝结尾迹的可行性，而不是把一次局部结果直接推广到所有航班。

这类工作与亚太其他环境人工智能项目形成了共同趋势：谷歌DeepMind近期在该地区启动的“AI for the Planet”项目同样把重点放在卫星遥感、生态监测、农业和碳治理等具体工作流，而不是单纯发布一个新的通用模型。

对这些项目来说，模型只是基础设施的一部分。卫星和天气数据的获取、不同来源数据的校准、推理结果的更新速度，以及结果能否进入政府、企业或飞行团队的决策流程，往往同样决定最终效果。AIFlux此前关于Ai2 OlmoEarth地理空间推理平台的报道，也说明了环境人工智能从模型走向生产系统时会遇到类似问题。

规避凝结尾迹仍需与安全和空管协调

谷歌把凝结尾迹规避描述为一种可以利用现有飞机和燃料、较快开始实施的气候措施，但这并不意味着航空公司可以仅凭算法自动改变航线。飞行安全、空域容量、航班准点率、燃油成本和机组工作负担，都需要纳入评估。

目前公开信息还没有披露国泰航空第二阶段试验的完整航班数量、具体持续时间、各条航线的燃油变化，也没有给出独立评估机构对40%估算结果的复核。谷歌也没有公布在亚太不同国家和空域中，规避建议由谁最终批准、如何与空中交通管制协调。

因此，这项合作更准确地说是一项从概念验证走向规模化运营的试验。它证明的是：人工智能预测可以被嵌入实际飞行工作流，航空公司也能在部分航班上尝试小幅调整来减少持久凝结尾迹；它尚未证明这种方法已经能够在全球航空网络中稳定、低成本地复制。

如果后续试验能在不同航线和天气条件下获得可重复结果，凝结尾迹可能成为航空减排讨论中一个比传统燃油效率更具体的干预点。与谷歌在灾害预警和应急响应等领域的尝试一样，真正的考验不只是模型能否预测，而是预测结果能否在现实机构中被理解、验证并承担责任。

外部来源：谷歌：Our new contrail avoidance trial in Asia-Pacific、谷歌：Project Contrails、谷歌：How AI is helping airlines mitigate the climate impact of contrails、谷歌：Our new study explores how AI can reduce the climate impact of air travel、IPCC第六次评估报告第十章。