GPU-Server für KI-Wettermodelle: ECMWF AIFS und NVIDIA-Earth-2-Modelle im eigenen Haus

Wer KI-Wettermodelle selbst betreibt

Ein GPU-Server für KI-Wettermodelle rechnet datengetriebene Vorhersagen wie ECMWFs AIFS, NVIDIAs Earth-2-Modelle und die übrigen Modelle des NVIDIA-Frameworks Earth2Studio auf Hardware, die die Organisation selbst kontrolliert. Laut ECMWF-Modellkarte braucht AIFS ENS 1.0 standardmäßig 38 GB GPU-Speicher je Lauf und mit einer Chunking-Einstellung 24 GB; eine NVIDIA RTX PRO 6000 Blackwell Server Edition mit 96 GB fasst das Modell also mit reichlich Reserve, und ein Server mit zwei oder vier Karten rechnet Ensemble-Mitglieder nebeneinander. Earth2Studio verlangt mindestens 40 GB auf einer Karte mit Compute Capability 8.9 oder höher.

Die Käufer sind nationale und regionale Wetterdienste, hydrologische Behörden, Energiehändler und Netzbetreiber, Versicherer und Rückversicherer sowie Forschungsinstitute für Klima- und Atmosphärenwissenschaften. Ihre Gründe für den eigenen Betrieb unterscheiden sich. ECMWF veröffentlicht die Vorhersagen von AIFS ENS bereits nach seiner Open-Data-Politik; wer nur den ECMWF-Lauf braucht, kann ihn herunterladen. Ein Server lohnt sich, wenn Sie eigene Ensembles aus eigenen Anfangsbedingungen starten, zusätzliche Mitglieder oder längere Vorhersagezeiten rechnen, per Downscaling regional höher auflösen, mehrere Modelle kombinieren oder ein Modell per Fine-Tuning an regionale Daten anpassen. Für die Leitung lautet die Hardwarefrage, wie viele Ensemble-Mitglieder je Vorhersagezyklus fertig sein müssen und ob Training zum Plan gehört.

Unser Leitfaden zu KI-Servern für Energieversorger ordnet Wettermodelle neben der Last- und Erzeugungsprognose ein; dieser Leitfaden legt die Wetteraufgabe selbst aus. Für klassische numerische Simulation auf GPUs behandelt unser Vergleich der GPUs für CFD-Simulation die Seite der doppelten Genauigkeit.

AIFS: was ECMWF zu Speicher und Hardware veröffentlicht

ECMWF veröffentlicht seine AIFS-Modelle auf Hugging Face. Modellkarten und Dateilisten haben wir am 24. Oktober 2026 gelesen.

Modellkarten und Dateilisten von ecmwf/aifs-single-1.0, ecmwf/aifs-ens-1.0 und ecmwf/aifs-ens-2.0 auf Hugging Face, gelesen am 24. Oktober 2026. Gewichte unter CC BY 4.0, Notebooks und Skripte unter Apache 2.0.

Alle drei sind gleich aufgebaut; in ECMWFs Worten „is based on a graph neural network (GNN) encoder and decoder, and a sliding window transformer processor“. Die Checkpoints sind klein, rund 1 bis 2,6 GB; der Speicher geht also an die Aktivierungen, nicht an die Gewichte. Deshalb kann ECMWF den Bedarf von AIFS ENS 1.0 durch Verarbeitung in Teilen senken: Laut Modellkarte senkt ANEMOI_INFERENCE_NUM_CHUNKS mit einem Vielfachen von zwei die 38 GB, und 16 „reduces the memory requirements to 24GB at the cost of throughput“.

AIFS ENS 2 ist die Version, die ECMWF heute betreibt. Laut Modellkarte wurde sie am 12. Mai 2026 eingeführt und ersetzt Version 1 („supersedes version 1“); ECMWF erzeugt damit „a 51-member 15-day (6-hourly) global forecast four times per day“. Hinzu kommen eine Ebene bei 10 hPa für die Stratosphäre, Wellenvariablen und Zugbahnen tropischer Wirbelstürme. Einen Speicherwert für die Inferenz nennt die Modellkarte nicht, und der Checkpoint ist fast dreimal so groß wie bei Version 1. Solange kein gemessener Wert vorliegt, planen wir mit den 38 GB von Version 1 als Ausgangswert und testen Version 2 auf der Zielkarte.

Zwei Softwaredetails sind für die Hardwarewahl wichtig. Die Modellkarte zu Version 1 legt im Beispiel anemoi-inference 0.6.0 und PyTorch 2.5.0 fest und hält fest, dass das Paket FlashAttention „imposes certain requirements in terms of software and hardware“. Das README von FlashAttention nennt für FlashAttention-2 „Ampere, Ada, or Hopper GPUs“ und für FlashAttention-4 Hopper- und Blackwell-GPUs mit H100 und B200 als Beispielen, nennt aber weder die RTX PRO 6000 noch deren Compute Capability 12.0. Die H200 NVL (Hopper) und die L40S (Ada) gehören zu den Familien, die FlashAttention-2 nennt; bei der RTX PRO 6000 bestätigen wir, dass der Stack läuft, bevor die Bestellung feststeht. Hugging Face kennzeichnet den Checkpoint von Version 2 als unsicher, weil er Pickle-Serialisierung nutzt, die beim Laden einer Datei Code ausführen kann; laden Sie ihn daher nur aus ECMWFs eigenem Repository.

Earth2Studio und FourCastNet 3

Earth2Studio ist NVIDIAs „Open-source deep-learning framework for exploring, building and deploying AI weather and climate workflows“. Version 0.19.0 führt 45 Klassen prognostischer Modelle, darunter ECMWFs AIFS, AIFS ENS 1.0 und beide Modelle der Version 2, NVIDIAs FourCastNet 3, GraphCast, Pangu-Weather, Aurora und das regionale StormCast, dazu CorrDiff für Downscaling per Diffusion. Die Installationsseite empfiehlt Ubuntu 24.04 LTS, Python 3.13 und CUDA 13.0, und ihre Hardwaretabelle nennt:

Installationsseite von Earth2Studio, gelesen am 24. Oktober 2026. Laut Seite hat Earth2Studio selbst keine besonderen Hardware­anforderungen, aber „Most models do require a GPU with sufficient memory and compute capability“.

Die RTX PRO 6000 Server Edition (Compute Capability 12.0, 96 GB), die H200 NVL (9.0, 141 GB) und die L40S (8.9, 48 GB) erfüllen diese Zeile. Die RTX PRO 4500 Server Edition liegt mit 32 GB unter der 40-GB-Grenze und ist eine Karte für kleinere Modelle oder AIFS ENS 1.0 im Chunking-Modus.

NVIDIAs Modellkarte zu FourCastNet 3 nennt 710.867.670 Parameter auf einem 0,25-Grad-Gitter mit 721 × 1440 Punkten, die Lizenz Apache 2.0 und „ready for commercial/non-commercial use“. Laut Modellkarte erzeugt das Modell „a 60-day global forecast at 0.25°, 6-hourly resolution in under 4 minutes“ auf einer einzelnen GPU, ohne diese GPU zu nennen. Als Testhardware führt die Modellkarte A100, H100 und L40S, als unterstützte Architekturen Ampere, Hopper und Turing; Blackwell ist nicht dabei, daher wird auch FourCastNet 3 vorab auf der RTX PRO 6000 getestet. FourCastNet 3 ist ein probabilistisches Ensemble-Modell, das NVIDIA im Earth-2-Bereich seines NGC-Katalogs veröffentlicht, und seine Modellkarte nennt große Ensemble-Vorhersagen als Einsatz.

Ensemble-Mitglieder je Karte und je Server

Ein Ensemble besteht aus vielen Läufen desselben Modells aus gestörten Anfangszuständen. Jeder Lauf ist unabhängig; die Mitglieder verteilen sich also ohne Kommunikation auf Karten und Server. Der Speicher bestimmt, wie viele Läufe gleichzeitig auf eine Karte passen; wie schnell jeder Lauf ist, wird für die Karten dieses Artikels nicht veröffentlicht, der Durchsatz muss also gemessen werden.

Unsere Rechnung aus ECMWFs Werten von 38 GB und 24 GB und der angegebenen Kartenkapazität, mit einigen GB Reserve für den CUDA-Kontext; eine Speicherrechnung, kein gemessener Durchsatz. Ob mehrere Prozesse je Karte schneller sind als ein Lauf nach dem anderen, ist nicht dokumentiert.

Für ein Ensemble mit 51 Mitgliedern hat ein Server mit vier RTX PRO 6000 Server Edition und zwei Mitgliedern je Karte acht Läufe gleichzeitig in Arbeit; das Ensemble ist nach unserer Rechnung in sieben Runden fertig, ein Server mit zwei Karten braucht dreizehn. Wie lang eine Runde dauert, hängt von der gemessenen Zeit je Mitglied ab. Ein Mitglied je Karte im Standardmodus lässt nach unserer Rechnung auf jeder RTX PRO 6000 Server Edition 58 GB frei, für größere Batch-Einstellungen, ein zweites Modell oder Downscaling mit CorrDiff. Die Karte lässt sich auch in MIG-Instanzen mit 24 GB teilen, wie unser Leitfaden zu MIG-Profilen der RTX PRO 6000 zeigt; eine Instanz mit 24 GB liegt aber genau auf dem Chunking-Wert von AIFS ENS 1.0 und lässt keine Reserve, daher planen wir Mitglieder nicht ohne Test auf MIG.

Für Ensemble-Arbeit liefern wir Server mit zwei oder vier RTX PRO 6000 Server Edition; senden Sie uns Modelle, Mitglieder je Zyklus und Zyklen pro Tag, und unser Team antwortet mit einer Konfiguration und dem Test, den wir vor der Bestellung vorschlagen.

Training und Fine-Tuning: wo die H200 NVL passt

Ein Modell zu rechnen und eines zu trainieren unterscheidet sich um Größenordnungen. Laut ECMWFs Modellkarte zu AIFS Single 1.0 lief das Training auf 64 A100-GPUs mit 40 GB, „the entire process takes about one week“, und jede Modellinstanz umfasste vier Karten mit 40 GB in einem Knoten. AIFS ENS 2 „was trained on 32 GH200 GPUs (120GB)“, wobei „One model instance“ auf zwei GH200 verteilt war. Nach unserer Rechnung brauchte eine Instanz also rund 160 GB beziehungsweise 240 GB GPU-Speicher, mehr als eine einzelne Karte fasst.

Ein globales Modell von Grund auf zu trainieren ist daher eine Aufgabe für einen Cluster oder ein Kontingent auf einem Supercomputer, nicht für einen Server. Ein Server im eigenen Haus kann das Fine-Tuning eines bestehenden Modells auf regionalen Daten oder das Training kleinerer regionaler Modelle übernehmen. Hier passt die H200 NVL: Vier Karten mit einer Vierfach-NVLink-Brücke bieten 564 GB mit 900 GB/s je GPU untereinander, und Hopper ist eine Familie, die das README von FlashAttention-2 nennt. Die Quellen, die wir gelesen haben, dokumentieren nicht, wie effizient die Modellaufteilung von Anemoi über PCIe auf Karten ohne NVLink wie der RTX PRO 6000 läuft; für verteiltes Training empfehlen wir daher die H200 NVL. Anemoi, das Framework hinter AIFS, ist quelloffen unter der Apache-Lizenz, und laut eigener Angabe wird die Entwicklung „primarily driven by a number of European Meterological Organisations“. Unser Leitfaden zum Server mit vier H200 NVL zeigt diese NVLink-Domäne im Detail.

Drei Konfigurationen für Wetteraufgaben

Referenz­konfigurationen unserer Seite zu KI-Servern und NVIDIAs Konfigurations­leitfaden für zertifizierte Systeme (doppelter GPU-Speicher, mindestens sechs Kerne je GPU). Leistung an der Steckdose nach unserer Schätzung: Karten mit 600 W plus Prozessoren plus 15 Prozent, wie in unseren verwandten Leitfäden; eine Messung am gelieferten System bestätigt den Wert.

Die RTX PRO 6000 Server Edition ist der Standard für die Inferenz: 96 GB je Karte fassen AIFS ENS 1.0 nach Speicher zweimal und erfüllen die 40-GB-Grenze von Earth2Studio mit Raum für Downscaling. Der Server mit vier Karten passt zu einem operativen Zyklus mit vollem Ensemble; der Server mit zwei Karten passt zu einem Forschungsinstitut oder einem Unternehmen, das zusätzlich zu den offenen ECMWF-Vorhersagen eigene Mitglieder rechnet. Der Server mit H200 NVL ist die Wahl, wenn Fine-Tuning zum Plan gehört, und auch die Karte für den Fall, dass ein Test zeigt, dass der FlashAttention-Build auf der RTX PRO 6000 nicht läuft. Ein Server mit L40S ist eine Alternative mit weniger Leistungsaufnahme für AIFS ENS 1.0, ein Mitglied je Karte mit 48 GB; unser Leitfaden zum Kauf eines L40S-Servers beschreibt ihn.

Datenspeicher und Netz sind neben den Karten bescheiden. Earth2Studio nennt 128 GB Plattenplatz, und die Checkpoints haben je einige GB, aber Anfangsbedingungen, Ergebnisse und Verifikationsdaten wachsen mit jedem Zyklus; wir bauen daher mehrere NVMe-Laufwerke ein und planen die Anbindung an das Archiv. Zwei Karten passen an einen 230-V-Anschluss mit 16 A, den wir mit 80 Prozent planen, also 2,94 kW; vier brauchen 32 A oder Drehstrom, wie unser Leitfaden zu Stromanschluss für GPU-Server mit 16 A, 32 A und Drehstrom erklärt.

Offene meteorologische Daten in der EU

Eingangs- und Ausgabedaten der Modelle berühren die EU-Regeln für offene Daten. Die Durchführungs­verordnung (EU) 2023/138 der Kommission vom 21. Dezember 2022 legt hochwertige Datensätze fest, und ihre meteorologische Kategorie umfasst Beobachtungen von Wetterstationen, validierte Klimabeobachtungen, Wetterwarnungen, Radardaten und Daten numerischer Wettervorhersagemodelle (NWP). Öffentliche Stellen im Anwendungsbereich stellen sie „under the conditions of the Creative Commons BY 4.0 licence or any equivalent or less restrictive open licence“ bereit, über APIs und als Massen-Download, mit Ausnahme der NWP-Modelldaten, die nur über APIs bereitgestellt werden. Für NWP-Daten nennt der Anhang eine Granularität von „Minimum 48 hrs ahead in 1hr steps, national, at 2.5km/best available grid“. Die Verordnung gilt 16 Monate nach ihrem Inkrafttreten; mit der Veröffentlichung im Amtsblatt am 20. Januar 2023 und dem Inkrafttreten am zwanzigsten Tag danach ist das nach unserer Lesart der 9. Juni 2024. Welche Datensätze eine bestimmte Stelle veröffentlichen muss, bestätigt deren Rechtsabteilung; dies ist eine allgemeine Information mit Stand Oktober 2026.

Für den Käufer eines Servers heißt das: Nationale Beobachtungen und Vorhersagen stehen oft unter offenen Lizenzen als Eingangsdaten bereit, und auch die AIFS-Gewichte stehen unter CC BY 4.0, das eine Namensnennung verlangt. Vorhersagen, die auf dem eigenen Server entstehen, können intern bleiben.

So liefern wir den Wetterserver

Diesen Server können Sie bei uns kaufen: Unser Team legt die Konfiguration auf Ihre Arbeitslast und Ihr Budget aus und antwortet innerhalb eines Werktages. Die Auslegung ist kostenlos. Wir montieren den Server, testen ihn vor der Lieferung und liefern ihn in die gesamte EU mit einem Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, und für die Montage stehen wir selbst ein; andere Ziele laufen über unseren Logistikpartner. Auf Wunsch installieren wir Betriebssystem, NVIDIA-Treiber, CUDA und eine Container-Runtime und nehmen den Server vor Ort in Betrieb. Stückzahlen und Lieferzeit werden mit dem Angebot schriftlich bestätigt.

Für ein Angebot brauchen wir die Modelle und Versionen, die Sie rechnen wollen, die Mitglieder je Zyklus, Zyklen pro Tag und Vorhersagezeit, die Frist für jeden Zyklus, Pläne für Fine-Tuning, die Datenquellen für die Anfangsbedingungen und den Stromanschluss am Rackplatz. Schreiben Sie uns diese Angaben, und wir antworten mit einer Konfiguration und einem schriftlichen Angebot.

FAQ