Google DeepMind 发布 AlphaEarth Foundations：把全地球观测数据压缩进 AI

要想看清地球正在发生什么，过去最大的麻烦不是卫星太少，而是数据全打架。

光学照片、雷达回波、3D 激光测绘加上气候模拟，各路数据格式不同、更新节奏各异。科研人员想算一下某块林地到底是退化了还是长好了，往往得先花几个月给人肉清洗、对齐数据。

Google DeepMind 联手 Google Earth Engine 团队发布了 AlphaEarth Foundations 模型，直接充当了一颗「虚拟卫星」。

把地球切成 10 米见方的小方块

这个模型做的事情说白了很简单：它把来自几十个公开渠道的海量地球观测数据全部吃进去，覆盖全球所有陆地和近岸水域。

模型把地表均匀切分成 10 米乘以 10 米的精细方块。不管头顶飞过的是哪颗卫星，系统都会把这些光学、雷达和激光雷达数据编织在一起，生成统一的数字化表征，也就是 embedding。

与此同时，Google 把生成的这套年度数据直接放进了 Google Earth Engine，命名为 Satellite Embedding 数据集，每年包含超过 1.4 万亿个特征足迹。

它也是 Google 同天公布的「Google Earth AI」系列模型中的关键基石。这个系列里还包含早前已经落地的洪水预警、野火检测和天气预报模型。

存储省了 16 倍，还专治「没标签」

遥感圈做大模型，最怕算力和存储把人吃穷。全球地表如果全存高清大图，普通机构连下载都成问题。

Google 称 AlphaEarth 的关键创新在于极致的特征压缩。每个 10 米网格生成的信息摘要，体积比他们测试的其他同类 AI 系统小了整整 16 倍，这让行星尺度的长时间分析成本大幅下降。

更实用的地方在于耐造。在现实环境中，偏远荒野往往极度缺乏人工标注的真值数据。官方给出的测试数据显示，在标签数据稀缺的情况下，AlphaEarth Foundations 的平均错误率依然比对比模型低了 24%。

过去一年里，全球有 50 多个机构已经提前上手测试。比如联合国粮农组织、斯坦福大学和哈佛森林。

全球生态系统地图集（Global Ecosystems Atlas）正在用它来分类过去没被详细测绘的生态系统，像沿海灌木林和极端干旱沙漠。在巴西，监测亚马逊等关键生态区的机构 MapBiomas 创始人也表示，这让他们制作高精度生态变化地图的速度和精度大幅提升。

为什么重要

对研究人员、林业农业从业者或者防灾团队来说，这相当于把遥感数据处理从「手工作坊」拉进了「API 时代」。以前监测森林砍伐或农作物长势，需要针对特定卫星波段写复杂的筛选规则；现在直接调用现成的年度 embedding，门槛低了不止一个量级。只要你熟悉 Google Earth Engine，现在就能直接去试试调取这些特征。

在行业层面，我们认为 Google 正在把自己在消费级搜索和地图上验证过的空间能力，沉淀成企业级和科研级的地基设施。地球观测领域长期存在数据孤岛，欧洲航天局、NASA 和商业卫星各干各的，Google 凭借 Earth Engine 的平台优势，用基础模型强行把这些多模态数据统一成了一套通用的机器语言。

从做法来看，Google 聪明在没有单纯去拼模型参数，而是死磕存储压缩比和少样本泛化。压缩 16 倍意味着原本只有国家级机构能跑的全球尺度推演，普通大学实验室也跑得起了。

不过隐患也在于此：这套高度压缩的抽象表征到底会不会掩盖掉某些极端、罕见的地表微观异动，还需要更多学术界的压力测试。同时，Google 提到未来会把它和 Gemini 这类推理 Agent 结合，看起来他们想做的是让 AI 直接看懂地球变化并出具报告，其他遥感创业公司如果还停留在卖原始底图切片，生存空间恐怕会被进一步挤压。