首次实现世界地图按需生成，谷歌 DeepMind 发布 AlphaEarth Foundations

随着卫星技术的发展，人类已经能够近乎实时地观测地球。然而，海量、多模态、更新频繁的遥感数据虽然信息丰富，却也带来了新的难题——数据来源分散、格式不一、使用复杂，如何将这些零散的信息整合为一致、可用的地球视角，成为科学家与政策制定者面临的重大挑战。谷歌 DeepMind  最新发布的 AlphaEarth Foundations 正式回应了这一挑战。这款模型可以被视为一颗「虚拟卫星」，融合 PB 级地球观测数据，生成一种计算系统能够高效处理的数字化地球嵌入（embedding）。这一创新技术为农业监测、环境保护、城市扩张、水资源管理等关键议题带来了前所未有的全局视角。

* 论文链接：

https://go.hyper.ai/uwBiv

高度紧凑的数据减少存储空间

AlphaEarth Foundations 最核心的创新，在于它解决了遥感数据的两个核心难题：一是信息过载，二是数据不一致。为此，该模型汇集了来自数十个公共数据源的信息，包括光学卫星图像、雷达数据、三维激光扫描、气候模拟等，并将这些多源数据整合分析，以 10 米 x 10 米为单位，对全球陆地与沿海区域进行高精度建模。

该系统的核心创新在于其能够为每个方格生成高度紧凑的摘要，与其他人工智能系统相比，这些摘要所需的存储空间仅为其 1/16，这极大地降低了行星级分析的成本。

换句话说，这一模型首次实现了「全球地图按需生成」，研究人员无需等待特定卫星经过上空、也无需面对云层遮挡等传统难题，可以通过 AlphaEarth Foundations 的嵌入向量，即刻获取清晰、结构化、连贯的地球图谱。

性能全面领先于其他模型

AlphaEarth Foundations 的工作原理如下图所示，该系统通过从视频序列中提取非均匀采样帧来索引任意时间点。这有助于模型构建该位置的连续视图，同时解释大量测量数据。

为了验证 AlphaEarth Foundations 的性能，研究团队进行了严格的对比测试。实验表明，无论是土地利用识别，还是地表属性估算，该模型在不同时间段、不同任务中均表现出色。尤其在缺乏标注数据的情况下，AlphaEarth Foundations 依旧展现出优异的学习效率，平均误差率比其它模型低 24% 。

这种优势使得该系统成为科研与公共服务领域不可替代的工具。例如在厄瓜多尔，该模型能够穿透常年云层，细致描绘不同农业地块的发展阶段；在南极洲，即便是卫星成像频率极低的区域，模型也能稳定还原地表结构；在加拿大，其描绘出的农田利用差异，甚至超越了肉眼可见的细节。

目前最大规模 AI 地球嵌入数据集之一

为了推动更广泛的应用，谷歌现已将 AlphaEarth Foundations 生成的年度嵌入向量集合，以「卫星嵌入数据集（Satellite Embedding dataset）」的形式发布在 Google Earth Engine  平台上。这一数据集覆盖全球每年超过 1.4 万亿个嵌入点，成为目前最大规模的 AI 地球嵌入数据集之一。

过去一年中，已有 50 多家组织试用了该数据集，覆盖学术界、政府机构与非营利组织。全球生态系统地图计划（Global Ecosystems Atlas）就是其中的典型案例，该项目旨在打造全球生态系统的首个系统性分类资源。借助 AlphaEarth 的数据，其成功将过去未分类的生态区域归入「滨海灌丛」、「极干旱沙漠」等类别，为各国优化自然保护与恢复行动提供科学依据。

詹姆斯库克大学全球生态实验室主任 Nick Murray 表示，「这个数据集正在彻底改变我们对未绘制生态系统的认知，对于制定保护区优先级至关重要。」

在巴西，环保组织 MapBiomas  正在利用该数据集深入研究农业用地和环境变化，特别是在亚马逊等关键生态区。项目创始人 Tasso Azevedo 指出，「有了这个工具，我们绘制地图的精度、速度、覆盖范围都有了质的飞跃。以前完全无法做到的，现在都变得可能。」

未来，这种技术可能不仅用于静态地图，还能实时驱动灾害预警、气候变化模拟、粮食安全管理等全球性议题。谷歌方面也表示，他们将持续优化该模型，并扩大其数据集规模和应用边界。