碳移除项目要获得信任，必须回答一个看似基础但很昂贵的问题：到底移除了多少二氧化碳。微软11月12日介绍，Terradot与微软团队将气象基础模型Aurora和田间地球化学数据结合，训练TerraNova，用于预测增强岩石风化在不同土壤、岩石与气候条件下的碳移除效果。

增强岩石风化是把特定岩石磨成粉末施用于农田，加速自然风化过程中吸收并固定二氧化碳的反应。实际效果受岩石种类、土壤化学、雨量、温湿度等影响，需要大量土壤样本和实验室分析来验证，因而是项目规模化的重要成本项。

先做预测，再用有限采样校准

TerraNova整合田间土壤组成、附近采石场矿物、区域湿度、降雨、温度和全球天气模式等因素，帮助识别更可能有效的地点。微软与Terradot称，在使用农田数据的模拟中，该方法在保持相同准确度的条件下，可使大型场地所需的采样数最高减少75%。这是研究方当前披露的模拟结果，并非已经得到所有现场验证的通用结论。

模型的定位并不是替代实体测量，而是把预测和较少数量的土壤样本结合起来。对任何碳移除项目而言，这种“模型+实测”的设计比单独依赖AI更可审计：模型给出估计与不确定性，现场采样持续校准并检验其是否偏离现实。

科学模型需要跨地区验证

Terradot提到，基于巴西田地数据训练的模型可对密西西比州田地做出预测。这种跨区域泛化具有吸引力，但也正是最需要谨慎验证的部分。岩石来源、土壤条件、作物、气候和田间管理方式的差异，都可能改变模型表现。

微软表示，相关研究将以预印本形式发布并等待同行评审。企业和投资方在使用此类模型输出时，应区分研究潜力、模拟表现和经过第三方审计的实际移除量，不能把预测值直接等同于可交易或可抵消的碳信用。

编辑观察：碳移除AI的价值在于减少测量成本，而不是替代物理验证

碳移除AI的价值在于减少测量成本，而不是替代物理验证。若模型能把高密度采样变成更有针对性的采样，就可能让验证成本下降并加快项目扩展；但可信度仍来自透明的数据、独立测量和持续的误差披露。

评估此类项目时，建议同时追踪预测误差、采样减少量、样本覆盖范围、区域迁移表现和第三方审计结果。只有把不确定性纳入商业与科学决策，AI才能成为气候项目的可靠加速器，而不是新的核算风险来源。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：Microsoft Source（2026年11月12日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。