Google Research 9月7日宣布，与国泰航空扩大亚太地区航迹云规避试验。首阶段计划覆盖超过100个航班，其中80多个航班实际采用了规避路线。Google利用卫星图像估算，这些航班由航迹云造成的增暖影响减少约40%。这是一次进入真实运营环境的技术试验，但40%是特定航班和分析方法下的估算结果，不能直接写成航空业排放已经下降40%。
航迹云是飞机经过寒冷、潮湿空气时形成的白色痕迹。多数很快消散，部分却会持续扩散并像薄云一样阻挡地表热量向外辐射。Google援引研究称，航迹云约占航空业总体气候影响的三分之一，因此即使不更换飞机和燃料，只要减少最容易形成持续航迹云的飞行，也可能较快取得气候收益。
AI先预测高风险空域，飞行员仍掌握最终决定
这套系统把天气资料、卫星图像和AI预测结合起来，提前标出更可能形成持续航迹云的冷湿区域。调度人员据此规划小幅高度调整，再通过国泰航空的电子飞行文件夹和机上网络把动态信息送进驾驶舱。它提供的是辅助决策，不是让模型直接控制飞机。
高度调整在航空运行中并不陌生，飞行员本来就会因为颠簸、风向、流量和燃油效率改变高度。航迹云规避增加了一种新的优化目标，但安全、空管许可、天气和燃油始终优先。如果推荐路线与飞行安全或运行限制冲突，机组不会为了气候指标强行执行。
首阶段数据显示，香港至新加坡航线贡献了试验总减排效果的一半以上，因为这条航线较常遇到适合持续航迹云形成的条件。这也暴露了结果的集中性：试验平均值可能被少数高收益航线拉高。扩大到更多亚太和跨太平洋航线后，效果是否稳定，需要看不同季节、纬度和空域条件。
40%的指标描述的是航迹云的估算增暖影响，而不是二氧化碳排放量。飞机为绕开某层空气可能增加或减少燃油消耗，两类气候影响必须一起核算。真正有意义的评估应比较避免的航迹云增暖与新增燃油排放，而不是只展示其中较好看的部分。
卫星识别也存在误差。研究人员要判断某条云带是否由特定航班形成、持续多久，以及在没有改道时会怎样发展。反事实无法直接观察，只能通过模型和对照估计。随着样本扩大，团队需要公开方法、置信区间和失败案例，让外部研究者检验40%的估算是否稳健。
第二阶段要回答成本、规模和可复制性
Google称，合作已进入更大规模的第二阶段，并与非营利机构Contrails.org合作积累开放研究数据。下一步不只是增加航班数量，还要测试预测能否稳定进入航空公司的日常调度。试验团队可以额外关注每一次建议，规模化后系统必须在繁忙时段自动筛选最值得调整的航班。
成本是商业落地的关键。航班高度变化可能影响燃油、到达时间和空管协调。如果少数航班的小幅调整能避免大量持续航迹云，单位气候收益可能很高；如果建议频繁、收益不确定，航空公司执行意愿会下降。系统需要给每次调整标注预期收益和运行代价，才能让调度员做权衡。
空管协同决定技术能否从一家航空公司扩展。某架飞机想改变高度时，必须考虑同一空域的其他航班。多个航空公司同时采用建议，可能出现竞争同一高度层的问题。未来需要把航迹云信息接入更广泛的空中交通管理，而不是每家公司单独优化。
预测时效同样会影响可用性。冷湿区域会随着风场快速移动，起飞前的建议在数小时后未必仍然准确。国泰把动态预测通过机上网络送入电子飞行文件夹，正是为了减少信息过期，但数据链路、刷新频率和飞行员工作负担都需要在更大样本中验证。
乘客通常不会明显感知小幅高度变化，但这并不意味着部署没有治理问题。航空公司应记录哪些航班接受或拒绝了建议，拒绝原因是否与安全、燃油或空域有关。公开这些统计能防止试验只报告成功案例，也能帮助模型识别最适合干预的情境。
航迹云规避的优势在于可以使用现有飞机开始，不必等待新燃料和新机队全面普及；它的局限则是不能替代航空业减少二氧化碳排放。可持续航空燃料、发动机效率、航线优化和需求管理仍然重要。把航迹云技术包装成航空业已经解决气候问题，会弱化长期减排任务。
这次合作的价值，是把AI天气预测从论文推进到真实驾驶舱工作流。80多个航班和约40%的估算结果提供了积极信号，但仍属于扩展中的运营试验。第二阶段只有在更多航线、季节和空域中证明净气候收益，并把安全、成本和空管协调纳入同一套衡量，才可能从一次亮眼演示变成可复制的航空标准。