开源AI天气模型跑进普通电脑：24小时预报不到30秒

ECMWF 的 AIFS、微软的 Aurora，在 Hugging Face 上公开了权重。Google DeepMind 也开源了 WeatherNext 2。这些模型比传统物理模型快得多，消耗的资源也少得多。天气预报正在从超级计算机的专属领地往普通电脑上挪。不过开放权重不等于容易运行——计算、存储、带宽，三关都要过。

AI 天气模型是什么

这类模型跟聊天机器人在原理上有相通之处。它们是神经网络，训练目标是预测大气未来的状态，方式跟大语言模型预测下一个词类似。输入是地球表面网格点的温度、风速、湿度等变量，多数模型用 0.25° 网格。输出是未来某一时刻的三维大气状态。要预测更远，模型就把自己的输出喂回去，自回归地迭代。底层用的也是熟悉的构件——神经元、激活函数、注意力层，只是把文本换成了网格数据。

开放权重不等于容易运行

开放权重降低了获取门槛，但运行还有三个障碍。

计算上，AIFS 依赖 flash attention，只支持特定 GPU 架构。存储上，下载一次预报数据不难。但要回测一整年的数据，大约需要 360GB 磁盘空间，还没算输出。带宽往往是第一个瓶颈——一次典型预报需要约 1GB 的初始条件数据。

普通电脑能跑起来

Hugging Face 和 Earthmover 搭了一个演示空间，浏览器里就能跑通全流程。初始数据从 Earthmover 拿，模型在 Hugging Face Hub 上跑。最后和 ERA5 再分析数据对比。端到端的 24 小时预报，不到 30 秒。

回到自己的机器上，没有 GPU 也能跑。Aurora 在 CPU 上每步需要 2 到 3 分钟，在 GPU 上几秒完成。注意它不支持苹果的 MPS 加速。每个前向传播预测一个 6 小时步长，4 步是 24 小时预报，28 步是 7 天预报。权重以 MIT 许可证发布，可以自由运行、微调、构建。

初始数据

Earthmover 用了一套流式方案。它用 Zarr 格式存天气数据，把大型数组拆成许多小块的独立存储单元。配合 Icechunk 的事务性存储层，可以流式读取数据。不用下载整个文件，就能提取需要的变量。Earthmover 的数据市场里共有超过 60PB 的分析就绪天气、气候和地球观测数据。

用于初始化的 ERA5 数据集逐小时记录到 1940 年。它既能初始化模型，也能验证预报。Earthmover 免费提供 ERA5 数据，免费计划滞后 3 到 6 个月。付费计划能拿到 6 天前的数据，要做接近实时的预报，得用付费数据。ERA5 里没有的静态变量，比如土壤类型，得从 Hugging Face Hub 单独下载。这些变量必须和训练时完全一致。

成本与硬件

本地硬件不够，可以按分钟租 Hugging Face Jobs 的计算资源。A100 每小时 2.5 美元。任务只在运行时计费，构建或失败阶段免费。预测结果可以存到 Hugging Face 存储桶（免费 100GB）、AWS S3、Cloudflare R2 或 GCS。

对没有 GPU 的人来说，用 CPU 跑 Aurora 足够尝试。24 小时预报大约需要 12 分钟。

更简单的未来

目前的流程仍然需要一定的动手能力。Hugging Face 正在把天气模型集成进 transformers 库。集成后依赖更少，还可以用 transformers.Trainer 直接微调。Google 的 WeatherNext 2 也在集成清单上。目标是简化推理，并且支持在 Hugging Face Jobs 上直接微调。

这些模型的权重都在 Hugging Face Hub 上：ECMWF AIFS、微软 Aurora、NVIDIA Atlas、NVIDIA FourCastNet、Prithvi。跑起来的门槛还在，不过已经在往下降。