Google DeepMind 釋出 AlphaEarth Foundations：把全地球觀測資料壓縮進 AI

要想看清地球正在發生什麼，過去最大的麻煩不是衛星太少，而是資料全打架。

光學照片、雷達回波、3D 雷射測繪加上氣候模擬，各路資料格式不同、更新節奏各異。科研人員想算一下某塊林地到底是退化了還是長好了，往往得先花幾個月給人肉清洗、對齊資料。

Google DeepMind 聯手 Google Earth Engine 團隊釋出了 AlphaEarth Foundations 模型，直接充當了一顆「虛擬衛星」。

把地球切成 10 米見方的小方塊

這個模型做的事情說白了很簡單：它把來自幾十個公開渠道的海量地球觀測資料全部吃進去，覆蓋全球所有陸地和近岸水域。

模型把地表均勻切分成 10 米乘以 10 米的精細方塊。不管頭頂飛過的是哪顆衛星，系統都會把這些光學、雷達和雷射雷達資料編織在一起，生成統一的數字化表徵，也就是 embedding。

與此同時，Google 把生成的這套年度資料直接放進了 Google Earth Engine，命名為 Satellite Embedding 資料集，每年包含超過 1.4 萬億個特徵足跡。

它也是 Google 同天公佈的「Google Earth AI」系列模型中的關鍵基石。這個系列裡還包含早前已經落地的洪水預警、野火檢測和天氣預報模型。

儲存省了 16 倍，還專治「沒標籤」

遙感圈做大模型，最怕算力和儲存把人吃窮。全球地表如果全存高畫質大圖，普通機構連下載都成問題。

Google 稱 AlphaEarth 的關鍵創新在於極致的特徵壓縮。每個 10 米網格生成的資訊摘要，體積比他們測試的其他同類 AI 系統小了整整 16 倍，這讓行星尺度的長時間分析成本大幅下降。

更實用的地方在於耐造。在現實環境中，偏遠荒野往往極度缺乏人工標註的真值資料。官方給出的測試資料顯示，在標籤資料稀缺的情況下，AlphaEarth Foundations 的平均錯誤率依然比對比模型低了 24%。

過去一年裡，全球有 50 多個機構已經提前上手測試。比如聯合國糧農組織、斯坦福大學和哈佛森林。

全球生態系統地圖集（Global Ecosystems Atlas）正在用它來分類過去沒被詳細測繪的生態系統，像沿海灌木林和極端乾旱沙漠。在巴西，監測亞馬遜等關鍵生態區的機構 MapBiomas 創始人也表示，這讓他們製作高精度生態變化地圖的速度和精度大幅提升。

為什麼重要

對研究人員、林業農業從業者或者防災團隊來說，這相當於把遙感資料處理從「手工作坊」拉進了「API 時代」。以前監測森林砍伐或農作物長勢，需要針對特定衛星波段寫複雜的篩選規則；現在直接呼叫現成的年度 embedding，門檻低了不止一個量級。只要你熟悉 Google Earth Engine，現在就能直接去試試調取這些特徵。

在行業層面，我們認為 Google 正在把自己在消費級搜尋和地圖上驗證過的空間能力，沉澱成企業級和科研級的地基設施。地球觀測領域長期存在資料孤島，歐洲航天局、NASA 和商業衛星各幹各的，Google 憑藉 Earth Engine 的平臺優勢，用基礎模型強行把這些多模態資料統一成了一套通用的機器語言。

從做法來看，Google 聰明在沒有單純去拼模型引數，而是死磕儲存壓縮比和少樣本泛化。壓縮 16 倍意味著原本只有國家級機構能跑的全球尺度推演，普通大學實驗室也跑得起了。

不過隱患也在於此：這套高度壓縮的抽象表徵到底會不會掩蓋掉某些極端、罕見的地表微觀異動，還需要更多學術界的壓力測試。同時，Google 提到未來會把它和 Gemini 這類推理 Agent 結合，看起來他們想做的是讓 AI 直接看懂地球變化並出具報告，其他遙感創業公司如果還停留在賣原始底圖切片，生存空間恐怕會被進一步擠壓。