开源天气模型已经很快，真正的瓶颈却在数据
内容提要
Hugging Face与Earthmover发布开源天气模型教程，以Aurora为例，展示从ERA5提取初始条件、执行24小时预测并计算误差的完整流程。文章指出模型权重易得，但数据管线是瓶颈：初始条件约1GB，全年回测需约360GB磁盘，且依赖特定GPU。开发者需处理Zarr数据、坐标与单位，并防止数据穿越。
延伸解读
数据管线：被忽视的工程瓶颈
文章指出，开源天气模型权重易得，但可复现的数据管线才是真正门槛。一次预测需约1GB初始条件，全年回测在不保存输出前就需约360GB磁盘，且部分模型依赖特定GPU上的Flash Attention。开发者需处理Zarr数据、坐标与单位，并防止数据穿越。这些工程细节决定了模型能否从演示走向可靠产品。
递归预测与误差验证
Aurora以6小时为步长递归生成24小时预测，误差会随递归传播。教程强调，一张漂亮的温度图不是验证，需将预测与ERA5有效时刻对齐，计算按纬度余弦加权的均方根误差。这提醒开发者，评估天气模型必须依赖数值误差和空间偏差图，而非视觉直观。
从历史回测到实时业务的鸿沟
教程使用ERA5再分析数据作为初始条件，但ERA5是事后重建的高质量资料，实时业务可能只能拿到延迟更小、噪声更大的观测或业务分析场。用历史管线跑通，不等于实时系统成立。开发者需警惕数据穿越，并明确模型输出并非官方预报，不能用于生命安全决策。
团队分工与最小验证步骤
文章认为，AI天气预测正进入可组合科学软件阶段，算法工程师负责模型与误差，数据工程师保障初始场稳定供应，领域专家判断偏差影响。建议的最小验证包括：锁定检查点、数据版本与单位，保存初始条件哈希，计算数值误差和空间偏差图，并用多季节和极端天气样本测试，避免单次案例下结论。
Q&A
开源天气模型已经很快，为什么说真正的瓶颈在数据？
因为神经网络完成一次预测可能只需几秒，但准备输入数据却可能更慢、更贵。开源权重只解决“模型能不能拿到”，可复现的数据管线才决定预测能否真正跑起来。
Hugging Face与Earthmover发布的天气模型教程具体做了什么？
教程以微软Aurora为例，从ERA5历史再分析数据提取初始条件，执行24小时预测，再与同一时刻的ERA5数据计算误差；同时提供浏览器Demo、Colab代码和Hugging Face Jobs方案。
运行开源天气模型需要哪些硬件和存储条件？
部分模型依赖特定GPU上的Flash Attention；典型一次预测需要约1GB初始条件；完整一年回测在不保存输出前就约需360GB磁盘。Aurora不支持Apple的MPS后端。
天气模型是如何预测下一时刻大气状态的？
输入是经纬度网格上的温度、风、湿度、气压等变量，以及地形、陆海掩码、土壤类型等静态变量。模型生成6小时后的网格，再递归生成12、18和24小时结果。
为什么用ERA5做历史初始条件时要注意数据穿越？
ERA5是事后重建的高质量再分析资料，用它做历史初始条件很方便，但实时业务可能只能拿到延迟更小、噪声更大的观测或业务分析场。用历史管线跑通，不等于实时系统已经成立。
开发者使用开源天气模型时主要工作会转向哪些方面？
主要工作会从搭网络转向处理Zarr数据、坐标系统、变量单位、缺测值、缓存与版本锁定。算法工程师负责模型与误差，数据工程师负责稳定供应初始场，领域专家决定哪些偏差会影响真实决策。
开源天气模型有哪些适用边界和风险？
Aurora输出不是官方天气预报，也不能直接用于生命安全决策。ERA5本身不是现场真值，空间分辨率也不足以描述街区级强对流。递归预测会累积误差；极端事件恰恰可能是训练数据中最稀少的部分。
今天可以执行的最小验证步骤有哪些？
先选一个历史日期和24小时预测，不急着跑七天；锁定模型检查点、数据版本、变量单位和经纬度方向；保存初始条件哈希，确保别人能重放同一输入；至少计算一个数值误差和一张空间偏差图；用多个季节和极端天气样本测试，不从单次案例下结论。
