AIFS 2.0 запускается без Ampere — но «на любом железе» не значит быстро

Главное препятствие для запуска открытой модели погоды оказалось не в самих весах, а в зависимости от flash-attn. AIFS Single 2.0 изначально рассчитывает на GPU NVIDIA архитектуры Ampere или новее — например, A100, H100 или RTX 30xx. Без такой карты «открытая» модель для многих оставалась скорее демо, чем рабочим инструментом.

Патч совместимости меняет ситуацию: вызовы flash-attn перенаправляются в SDPA из PyTorch. Поэтому прогноз можно строить на любом GPU через CUDA, на Apple MPS или на CPU. Но это важное уточнение: доступность запуска и скорость запуска — разные вещи. На CPU модель технически работает, однако инференс будет медленным.

Что именно открывает AIFS

AIFS — не обычный погодный виджет, а глобальная модель среднесрочного прогнозирования ECMWF. Она обучена на метеоданных и строит прогноз вместо пошагового решения физических уравнений атмосферы. По оценке ECMWF, один прогноз требует примерно в 1000 раз меньше энергии, чем традиционная система на физических моделях.

При этом полностью «без физики» система не обходится. Для начального состояния AIFS использует те же данные ассимиляции, что и IFS, основанная на физических законах. Иными словами, машинное обучение дешевле считает развитие атмосферы, но стартовые условия по-прежнему опираются на инфраструктуру классического численного прогноза.

Веса AIFS Single 2.0 опубликованы под лицензией CC BY 4.0. Это даёт исследователям и разработчикам не просто возможность посмотреть на модель, а запускать собственные эксперименты: менять горизонт прогноза, сравнивать результаты с наблюдениями, изучать ошибки и строить прикладные прототипы для энергетики, морских задач или обучения.

Самый простой путь — облако

Если своей мощной видеокарты нет, прогноз можно запустить через Hugging Face Jobs. В руководстве используется NVIDIA T4 с 16 ГБ памяти: задание загружает данные и модель, строит прогноз на 48 часов и сохраняет результат в датасет Hugging Face.

Ориентировочное выполнение занимает около 10 минут, а сама конфигурация стоит примерно 0,40 доллара в час с поминутной тарификацией. Платить нужно за время запуска и выполнения задания; сборка контейнера не тарифицируется. Это уже не «запуск на своём железе», зато порог входа превращается из покупки GPU в оплату небольшого облачного эксперимента.

Локальный сценарий полезнее для регулярной работы и обучения. Начальные условия загружаются из ECMWF Open Data бесплатно и без учётной записи, затем сохраняются в локальном кеше. После этого можно выбирать горизонт прогноза, поля вроде температуры и давления, а также строить карты результатов.

Ограничения, о которых легко забыть

AIFS не заменяет всю метеорологическую систему. Она требует два последовательных анализа с интервалом шесть часов, а первая загрузка данных занимает несколько минут. На слабом оборудовании прогноз будет выполняться заметно дольше. В облаке нужно отдельно учитывать стоимость вычислений и хранение результатов.

Кроме того, заявление о качестве «до 20% лучше» относится к прогнозированию траекторий тропических циклонов и приведено со ссылкой на данные ECMWF — это не универсальная гарантия превосходства над физическими моделями для любой точки, переменной и погодной ситуации. А ансамблевая конфигурация AIFS ENS с 51 участником тоже не превращает локальный запуск Single в полноценную оценку неопределённости.

И вот практический вывод: открытие весов само по себе почти ничего не решает, если запуск требует редкого стека и дорогого GPU. Настоящая полезность появляется только вместе с совместимостью, готовым окружением и понятным способом получить начальные данные. В случае AIFS этот последний метр наконец сделали достаточно коротким — но не бесплатным и не мгновенным.

Если бы вам нужно было регулярно строить собственные прогнозы, вы бы выбрали T4 в облаке или медленный локальный запуск на доступном железе? Источник: Все статьи подряд / Машинное обучение / Хабр