ECMWF AIFS模型开源：如何轻松运行AI天气预报系统

从开源到易用：AIFS模型的运行之道

开源模型的真正价值在于能被社区广泛使用，但如果运行门槛过高，开源就失去了意义。ECMWF（欧洲中期天气预报中心）在开源其AI天气预报模型AIFS时，显然意识到了这一点。他们不仅开放了模型权重，还与我们合作，致力于让任何人都能轻松运行这个模型。本文将详细介绍如何运行AIFS Single 2.0，无论你拥有何种硬件，都能快速上手。

AIFS模型简介

传统数值天气预报依赖于求解大气物理方程，而AIFS则采用数据驱动的方法，通过机器学习从历史天气数据中学习大气的演变规律。它使用图神经网络（GNN）编码器和解码器，以及滑动窗口变压器处理器，在ERA5再分析数据上训练而成。AIFS的推理过程相比传统物理模型，能耗降低了约1000倍，但依然需要依赖物理数据同化来获取初始状态。

目前，AIFS提供两种配置：AIFS Single（确定性模型）和AIFS ENS（集合模型）。AIFS Single已投入业务运行，其权重以CC BY 4.0许可发布。最新版本v2于2026年5月升级，引入了数据驱动的波浪和积雪预报，并改进了平流层表征。

实际应用场景

开放AIFS权重为研究和应用带来了新的可能：

• 评估与方法研究：研究人员可以自行生成预报，检查输出变量，与观测或IFS对比，研究模型行为。
• 应用开发：AIFS输出包括太阳辐射、风速、波浪等变量，适用于可再生能源、海洋等领域。
• 教学：模型可在普通硬件上运行，适合课堂教学，学生可以亲手生成预报并分析。

教程：运行AIFS Single 2.0

使用Hugging Face Jobs运行

Hugging Face Jobs提供了按需GPU资源，无需本地配置，按分钟计费，非常适合运行AIFS推理。以下是具体步骤：

1. 安装HF CLI：使用curl -LsSf https://hf.co/cli/install.sh | bash或brew install hf。
2. 创建数据集：在HF上创建一个数据集（如aifs-results）用于存储结果。
3. 登录并获取令牌：创建具有读写权限的访问令牌。
4. 提交作业：运行以下命令：

复制hf jobs run \
  --flavor t4-small \
  --secrets HF_TOKEN=$HF_TOKEN \
  pytorch/pytorch:2.6.0-cuda12.4-cudnn9-devel \
  bash -c "python -c \"import urllib.request; urllib.request.urlretrieve('https://github.com/huggingface/AIFS-single-2.0-on-all-GPUs/archive/refs/heads/main.tar.gz', 'repo.tar.gz')\" && \
           tar xzf repo.tar.gz && mv AIFS-tutorial-main /app && cd /app && \
           pip install -r requirements.txt huggingface_hub && \
           python run_forecast.py --lead-time 48 --no-plots --dataset-repo your-hf-username/aifs-results"

该命令会下载教程仓库、安装依赖、运行48小时预报，并将结果推送到指定数据集。整个过程约10分钟，费用不到1美元。

本地运行

如果你有Ampere级GPU，可以直接按照模型卡片的教程运行。否则，我们提供了兼容性补丁，使模型能在任何GPU（CUDA或Apple MPS）甚至CPU上运行。补丁通过模拟flash_attn模块，将注意力调用路由到PyTorch的SDPA。

安装步骤：

复制git clone https://github.com/huggingface/AIFS-single-2.0-on-all-GPUs
cd aifs-tutorial
pip install -r requirements.txt

检查设备：

复制from aifs import get_device, device_label
print(device_label())

下载初始条件：

复制from aifs import load_ics
fields, date = load_ics(cache_dir="../ic_cache")

运行预报：

复制from aifs import run_forecast
states = run_forecast(fields, date, lead_time=24, num_chunks=16)

绘制结果：

复制from aifs import plot_field, plot_field_sequence
fig = plot_field(states[0], "2t")
fig.savefig("t2m_T+6h.png", dpi=150)

在线演示

我们还构建了一个在线演示空间，你可以在浏览器中直接运行AIFS预报。该空间使用ZeroGPU，自动获取最新初始条件，并允许你调整预报时长和内存设置，实时生成并可视化预报结果。访问AIFS-single-2.0-space即可体验。

结语

通过上述方法，任何人都能轻松运行AIFS模型，无论是研究、开发还是教学。我们相信，降低运行门槛是开源模型发挥价值的关键。希望这篇教程能帮助你快速上手，探索AI天气预报的无限可能。