聞樂 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

地球的ChatGPT時刻來了！

谷歌DeepMind推出AlphaEarth Foundations模型（下面簡稱AEF），實現(xiàn)高精度繪制地球。

諾獎得主、谷歌DeepMind首席執(zhí)行官Demis Hassabis表示：它將為科學家提供近乎實時的地球觀測。

該模型主要是解決了數(shù)據(jù)過載信息不一致兩大難題。簡單來說就是觀測數(shù)據(jù)多但高質量標注數(shù)據(jù)少，給繪制全球地圖帶來困難。

AEF就像一個虛擬衛(wèi)星，整合了光學衛(wèi)星圖像、氣候模擬等PB級的海量地球觀測數(shù)據(jù)，能夠利用多源、離散的數(shù)據(jù)生成通用的地理空間表示，讓科學家能夠按需創(chuàng)建地球地圖，毫不費力實現(xiàn)全球測繪和監(jiān)測。

由它生成的衛(wèi)星嵌入數(shù)據(jù)集現(xiàn)已被聯(lián)合國糧農(nóng)組織、哈佛森林等超50個全球組織使用。

實際上，不只是科學家，普通人也能通過AlphaEarth Foundations輕松讀懂地球的變化。

從大航海時代到現(xiàn)代，人類花了500年時間繪制地球，而現(xiàn)在AEF的出現(xiàn)讓每天重新繪制地球成為現(xiàn)實。

這讓前谷歌地圖方面的研究員Bilawal Sidhu驚呼：谷歌朝著構建地球版ChatGPT邁出了重要一步。

來看看它是怎么做到的。

高精度追蹤地球

多源信息融合，對時間連續(xù)建模

現(xiàn)在有衛(wèi)星、雷達、無人機、氣象站等無數(shù)設備，每天都在收集地球的圖像、溫度、濕度、地形等數(shù)據(jù)。

但不同國家、機構對于觀測數(shù)據(jù)的標注標準可能不一樣，并且地球表面隨時在變化（比如森林被砍伐），但實地標注往往幾年才更新一次，導致標注數(shù)據(jù)和實際情況脫節(jié)。

簡單來說，地球觀測數(shù)據(jù)就像“拍了無數(shù)張地球的照片”，但知道“照片里具體是什么”的標注卻很少，這直接卡住了全球地圖的繪制精度和效率。

而AEF的價值，就在于它能在標注稀少的情況下，依然用好海量觀測數(shù)據(jù)，畫出更準確的地圖

AEF是一種嵌入場模型，核心是時空精度編碼器（STP），STP通過空間自注意力捕捉地理上的遠距離關聯(lián)，通過時間軸自注意力解析時序動態(tài)，再結合卷積操作保留局部精細特征。

通俗一點說就是把地球表面的復雜信息（如地形、植被、氣候等）壓縮成一組“數(shù)字密碼”（嵌入向量），這些密碼能精準反映地球表面的時空特征，既能看全局又能抓細節(jié)。

AEF的另一大創(chuàng)新是對時間的連續(xù)建模能力

它將觀測數(shù)據(jù)的支持期（數(shù)據(jù)實際采集的時間范圍）與地圖生成的有效期（需要映射的時間范圍）分離，即使在有效期內沒有直接觀測數(shù)據(jù)，也能通過插值或外推生成連續(xù)的結果。

比如，如果只有2018年和2020年的衛(wèi)星圖像，模型能可靠推測出2019年某地區(qū)的地表狀態(tài)，這解決了傳統(tǒng)模型只能處理固定時間點數(shù)據(jù)的局限。

在數(shù)據(jù)處理上，AEF實現(xiàn)了多源信息的深度融合

它能接收光學衛(wèi)星、雷達、激光雷達、氣候數(shù)據(jù)甚至地理文本等10多種輸入，打破了數(shù)據(jù)類型的壁壘。通過統(tǒng)一的編碼方式將這些不同類型、不同分辨率的數(shù)據(jù)轉化為可兼容的特征。

例如，光學圖像的植被顏色、雷達的地表結構信息、氣象站的溫度數(shù)據(jù)，都會被整合到同一個嵌入向量中，這個向量僅64字節(jié)

模型的訓練機制也頗具特色。它采用師生模型和對比學習策略。同時，引入文本對齊訓練，將地理文本描述與對應區(qū)域的嵌入向量關聯(lián)，進一步豐富特征的語義信息。

最終，AEF生成的嵌入場以10x10米方格形式精確分析地球陸地和沿海水域，同時為每個方格創(chuàng)建高度緊湊摘要，存儲空間需求僅為其他AI系統(tǒng)的十六分之一，降低了分析成本。

并且這些嵌入向量無需重新訓練就可直接用于各類映射任務，無論是土地覆蓋分類、農(nóng)作物識別還是森林變化檢測，都能通過簡單的遷移學習實現(xiàn)高精度結果。

卓越性能

與傳統(tǒng)方法和其他AI測繪系統(tǒng)相比，AEF在不同時間段執(zhí)行多種任務時，包括識別土地利用和估算地表屬性等，始終保持最高準確性。

例如在某土地覆蓋分類任務中，AEF的平衡準確率達0.82，而次優(yōu)模型僅0.69。

AEF尤其在標簽數(shù)據(jù)稀缺場景下表現(xiàn)出色，平均錯誤率比測試模型低24%，展現(xiàn)出卓越的學習效率。

從具體應用場景來看，AEF在主題映射（如土地覆蓋分類）、生物物理變量估計和變化檢測中表現(xiàn)全面。

例如，在年度土地覆蓋變化識別中，它能精準區(qū)分森林、農(nóng)田、城市等類型，對細微變化的捕捉誤差遠低于傳統(tǒng)方法。

衛(wèi)星嵌入數(shù)據(jù)集

在谷歌地球引擎中，由AEF驅動的衛(wèi)星嵌入數(shù)據(jù)集是同類規(guī)模中最大的數(shù)據(jù)集之一，每年包含超過1.4萬億個潛入足跡。目前已在Earth Engine數(shù)據(jù)目錄發(fā)布。

這一系列年度嵌入數(shù)據(jù)已被全球多個組織采用，其中包括聯(lián)合國糧食及農(nóng)業(yè)組織、哈佛森林、地球觀測組織等。它們借助該數(shù)據(jù)集制作功能強大的自定義地圖。

例如，“全球生態(tài)系統(tǒng)地圖集”這一項目旨在打造首個全面資源，用于繪制和監(jiān)測全球生態(tài)系統(tǒng)。該項目正利用此數(shù)據(jù)集幫助各國將未測繪的生態(tài)系統(tǒng)劃分為海岸灌叢、極端干旱沙漠等類別。

全球生態(tài)系統(tǒng)地圖集全球科學負責人Nick Murray說：

衛(wèi)星嵌入數(shù)據(jù)集正在徹底改變我們的工作，它幫助各國繪制未知生態(tài)系統(tǒng)的地圖——這對于精準定位保護工作的重點區(qū)域至關重要。

下圖是展示衛(wèi)星嵌入數(shù)據(jù)集從粗到精的分割的無監(jiān)督聚類動畫

巴西MapBiomas團隊正在測試該數(shù)據(jù)集，以更深入地了解全國范圍內的農(nóng)業(yè)和環(huán)境變化，它為亞馬遜雨林等關鍵生態(tài)系統(tǒng)的保護策略和可持續(xù)發(fā)展舉措提供了重要依據(jù)。

AEF還有助于解決糧食安全、森林砍伐和水資源等關鍵問題。

對此，有網(wǎng)友表示：人工智能模型正在成為公共基礎設施。

畢竟，看懂地球才能更好保護它。

論文地址：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/alphaearth-foundations.pdf

[1]https://deepmind.google/discover/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/
[2]https://x.com/GoogleDeepMind/status/1950563700286398965
[3]https://x.com/demishassabis/status/1950667643771326784
[4]https://x.com/bilawalsidhu/status/1950580970907648234

— 完 —