AIFS Single 2.0 от ECMWF: как запустить AI‑прогноз погоды на любом железе
Новый релиз AIFS Single 2.0 открывает возможность генерировать точные метеопрогнозы на GPU, CPU и даже Apple MPS без flash‑attn, используя Hugging Face Jobs или локальный запуск.
European Centre for Medium‑Range Weather Forecasts (ECMWF) представил обновлённую версию своей модели AIFS Single 2.0 – открытый AI‑инструмент для высокоточного прогноза погоды. В отличие от предыдущих релизов, где для работы требовались специфические GPU‑серверы и сложные зависимости, 2.0 умеет работать в более гибкой среде: модель можно запустить через Hugging Face Jobs, локально на обычном ноутбуке с CPU, а также на устройствах Apple с поддержкой MPS, обходя необходимость в библиотеке flash‑attn.
Для запуска через Hugging Face Jobs достаточно указать репозиторий ecmwf/aifs-single-2.0 и задать параметры вычислительных ресурсов – от A100 до обычного V100 или даже без GPU. Платформа автоматически подбирает оптимальный образ Docker, включающий все зависимости, включая PyTorch 2.0 и оптимизированные ядра для MPS. Если вы предпочитаете локальный запуск, авторы предоставляют скрипт run_aifs.sh, который устанавливает минимальный набор пакетов, заменяя flash‑attn на стандартный torch.nn.functional.scaled_dot_product_attention. На CPU модель работает в режиме «lite», снижая точность до 16‑bit float, но всё ещё обеспечивает полезные прогнозы на 24‑часовой шкале.
ECMWF также опубликовал набор тестовых данных и готовый Jupyter‑ноутбук, демонстрирующий процесс предобработки входных спутниковых изображений и визуализации результатов. Это упрощает интеграцию модели в существующие пайплайны, будь то исследовательские проекты, учебные курсы или небольшие стартапы, работающие с метеоданными.
С учётом открытого кода и гибкой инфраструктуры, AIFS Single 2.0 становится первым в своём классе AI‑моделью, позволяющей получать профессиональные метеопрогнозы без дорогостоящего облачного оборудования.
Для разработчиков и студентов AIFS 2.0 открывает доступ к продвинутой метеомодели без необходимости аренды специализированных GPU‑серверов. Это упрощает эксперименты в области климатических исследований и позволяет быстро прототипировать сервисы прогнозов. Однако стоит помнить, что на CPU точность и скорость снижаются, поэтому для критически важных задач всё ещё предпочтительнее GPU. Интеграция через Hugging Face Jobs делает процесс развёртывания почти безболезненным, что особенно ценно для учебных курсов по AI‑метеорологии.
