OlmoEarth把地球变成推理任务

Ai2把地理空间模型推进了生产环境

Ai2（Allen Institute for AI）近日正式介绍了 OlmoEarth Platform，试图把地球观测模型的推理范围从单张影像、单个区域，扩展到国家、洲乃至全球尺度。截至 2026 年 7 月 28 日，官方披露的重点并不是一张刷新纪录的跑分表，而是一套能够持续处理大规模地理空间数据的基础设施。

OlmoEarth 是一套面向地球观测数据的模型与推理平台，用于从卫星影像等时空数据中提取可复用特征，并支持大范围地理空间任务。

**地理空间推理是模型结合影像、位置与时间信息，对地表对象、状态和变化进行识别或预测的过程。**它可以回答“哪里种了玉米”“哪些道路在洪水后中断”“过去一年哪些区域发生森林损失”，但不会天然回答“这张照片里有什么”这样脱离坐标与时间的问题。

OlmoEarth最值得关注的地方，是Ai2把地理空间AI最难、也最不容易出现在模型跑分里的部分摆到了台前：数据如何切片，任务如何调度，失败如何重试，结果如何回写，以及数十亿个空间单元怎样保持可追踪、可复现。

这意味着OlmoEarth不是“把一个视觉模型接到卫星图片上”这么简单。它更接近一座地球观测计算工厂：上游不断送入带有坐标和时间戳的影像，中间由模型批量提取特征，下游再将结果交给分类器、变化检测器或业务规则使用。

“行星级”首先是一个工程尺度

**行星级地理空间推理是对地球表面的大范围、多时相观测数据执行一致、可重复的模型计算。**这里的“行星级”描述的是数据覆盖范围和计算规模，而不是模型参数量，更不等于模型已经具备无所不知的地球智能。

地球表面积约为 5.10亿平方公里，其中陆地约为 1.49亿平方公里。如果将陆地区域按10米分辨率栅格化，每平方公里包含1万个像素，仅一个时间截面、一个波段就对应约 1.49万亿个像素；若粗略扩展至全部地表，则约为 5.10万亿个像素。

这个数量级解释了为什么实验室里表现不错的遥感模型，经常无法直接用于全球生产任务。研究人员在一块GPU上跑完一个城市，只证明模型“能推理”；要让它覆盖全球，还需要解决数据读取、跨节点调度、显存利用率、重复任务、异常恢复、版本管理和输出索引等一整套系统问题。

一个假设性的计算可以进一步说明成本。若模型每16×16个10米像素生成一个768维、FP16格式的特征向量，仅覆盖全球陆地就会产生约 58.2亿个特征单元，未经压缩的特征体积接近 8.9TB。这还没有包括多时相、多传感器、元数据、索引和冗余副本；上述数字只是量级估算，并非OlmoEarth官方配置。

OlmoEarth的价值正是在这个位置显现：它把模型前向计算之外的大量“脏活累活”，变成可以重复使用的平台能力。

平台真正处理的是五个系统问题

OlmoEarth平台的技术重点可以拆成数据组织、任务切分、分布式执行、结果持久化和下游适配五个环节。Ai2的官方基础设施文章也把叙事重点放在了如何运行大范围推理，而不是只展示少量样例图。

1. 地理数据必须先变成可计算的数据单元

**空间切片是将连续地理区域划分为带有固定边界、分辨率和坐标标识的数据块。**普通图像模型通常处理固定尺寸图片，但地球观测数据还带有投影方式、经纬度范围、采集日期、云量和传感器类型等信息。

切片过大，会造成显存压力和失败重算成本上升；切片过小，则会增加调度、文件读取和边界拼接的开销。更棘手的是，同一个地点可能在不同时间由不同卫星反复拍摄，平台必须知道哪些影像属于同一空间单元，哪些可以组合，哪些不能直接比较。

OlmoEarth因此不只是管理图片，还要管理“图片位于哪里、何时拍摄、以什么方式测量”。这是地理空间平台与普通视觉推理服务之间最根本的差异。

2. 全球推理必须能安全拆分

**分布式地理空间推理是将大范围任务拆成相互独立的空间或时间分片，再分配给多个计算节点并行执行。**这种拆法看似直接，但实际运行中会频繁遇到坏文件、数据缺失、节点中断和单个分片耗时异常。

一个可靠的平台需要让每个任务具备明确输入、模型版本和输出位置。节点失败后，系统只应重新计算受影响分片，而不是从头跑完整个国家；同一个分片被重复调度时，也不能产生彼此冲突的结果。

这种“可重试且不重复污染结果”的能力，通常比单次推理吞吐量更重要。全球任务若有0.1%的分片失败，在100万个分片中仍意味着1000个异常；没有自动恢复机制，人工排查很快就会成为瓶颈。

3. 结果需要重新回到地图坐标系

**地理空间输出图层是带有明确坐标、分辨率和时间范围的模型结果集合。**模型生成的类别、概率或特征向量，只有重新绑定到正确地理位置，才能被GIS软件、分析流水线和业务系统使用。

这一步不能依靠普通文件名凑合完成。平台需要保存数据来源、模型版本、处理参数和空间边界，否则一旦更换模型或输入影像，团队很难判断两个结果是否可以直接比较。

OlmoEarth的基础设施思路，是让推理结果成为可查询、可组合的空间资产，而不是散落在对象存储中的一批张量文件。

4. 基础特征需要服务多个任务

**地理空间嵌入是模型把某一区域的光谱、纹理、结构和时间信息编码成数值向量后的表示。**有了通用嵌入，下游团队不必为每项任务重复读取原始多波段影像和运行完整主干模型，而可以训练更轻量的分类头或回归头。

这一模式类似于先为全球地表建立一套“机器可读底图”，再让不同团队在底图上寻找农田、道路、水体或灾害痕迹。它不会消除标注需求，但可以降低每个新任务重新训练大型模型的成本。

复用特征也是行星级平台能否产生规模效应的关键。如果每个部门都从原始卫星数据开始计算，那么所谓平台只是在集中消耗算力；如果主干特征能够跨任务复用，一次昂贵推理才可能摊薄到多个应用。

5. 推理必须具备版本和溯源能力

**数据溯源是记录模型输出由哪些输入数据、处理步骤和模型版本生成的机制。**在灾害响应、自然资源调查和农业统计等场景里，“结果是什么”与“结果怎么来的”同样重要。

卫星影像可能受到云层、阴影、烟尘、积雪和传感器差异影响。模型升级后，同一位置的输出也可能发生变化。如果平台不能记录输入日期和模型版本，用户就很难区分真实地表变化与算法变化。

OlmoEarth所代表的方向，是把可复现性从论文附录里的要求，提升为平台默认能力。这一点不够吸睛，却决定了模型能否进入长期监测流程。

它与Earth Engine、Prithvi和Clay不是同一种产品

OlmoEarth很容易被拿来与Google Earth Engine比较，但两者当前解决的问题并不完全相同。Earth Engine更像遥感数据目录和云端地理计算环境，OlmoEarth则把模型推理与可复用表示放在更核心的位置。

| 产品或模型 | 主要定位 | 核心优势 | 典型使用方式 | 当前局限 | |---|---|---|---|---| | OlmoEarth Platform | 行星级地理空间模型推理平台 | 大范围批处理、模型特征生产、空间结果管理 | 为全球或区域任务生成嵌入、预测图层 | 官方公开材料尚未给出完整价格、端到端延迟和统一跑分 | | Google Earth Engine | 云端遥感数据与地理计算平台 | 数据目录成熟，传统栅格与时序分析工具丰富 | 编写地理计算流程、分析公开卫星数据 | AI模型推理并非所有工作流的默认核心 | | Prithvi | 地球观测基础模型 | 开放权重，适合研究和定制微调 | 下载模型后面向具体遥感任务训练 | 全球部署和结果服务仍需用户自建工程系统 | | Clay | 地理空间基础模型 | 强调多传感器、位置与时间信息建模 | 生成区域表示或微调下游任务 | 生产级全球推理依赖额外基础设施 | | TerraMind | 多模态地球观测基础模型 | 面向多种地球观测模态的联合表示与生成 | 遥感理解、跨模态任务和研究实验 | 模型能力不等于现成的全球处理平台 |

这张表也说明，OlmoEarth当前最直接的竞争对象未必是另一个模型，而是企业和研究机构内部已经运行多年的遥感流水线。它必须证明统一平台在成本、稳定性和复用效率上，确实优于各团队各自维护脚本和集群。

Ai2这次没有回答的几个问题同样重要

OlmoEarth目前更像一次基础设施能力发布，而不是一份完整的商业产品说明书。官方文章没有把公开价格、固定服务等级、标准化端到端延迟或完整任务跑分放在核心位置，因此外界暂时还不能精确计算它与现有云端遥感流程的单位面积成本差异。

| 关键指标 | 截至2026年7月28日的公开状态 | 为什么重要 | |---|---|---| | 模型参数规模 | 官方基础设施文章未以此作为核心指标 | 参数量不能直接代表地理空间任务效果 | | 全球任务总耗时 | 未披露可统一对比的固定数字 | 决定灾害响应和高频监测能否落地 | | 单平方公里推理成本 | 未披露标准价格 | 决定全国或全球项目的经济可行性 | | 下游任务统一跑分 | 基础设施文章未提供完整榜单 | 决定平台是否兼具规模与精度优势 | | 数据更新频率 | 取决于上游影像和具体工作流 | 平台上线不等于获得实时地球数据 | | 输出与部署许可 | 应以具体模型、数据集和组件页面为准 | 商业使用必须分别核对模型与数据授权 |

缺少这些数字不意味着平台没有价值，但意味着“行星级”目前首先是一项系统能力主张，而不是可以直接换算成业务ROI的标准产品指标。对于准备采用它的团队，最现实的测试不是截几张效果图，而是选取一个跨区域、跨季节的数据集，测量吞吐量、失败率、单位面积成本和跨域精度。

地理空间模型最怕的不是不会识别，而是换地方就失效

地理空间AI的核心风险是区域分布偏移。一个在美国中西部农田上训练良好的分类器，迁移到中国东北、东南亚或非洲后，可能因为作物品种、耕作制度、云量和传感器条件不同而明显掉点。

全球推理会把这个问题放大。模型不仅要面对纬度变化，还要面对城市密度、季节周期、地貌、成像角度和数据缺失模式的变化；如果训练与测试样本在空间上相邻，随机切分还可能造成空间泄漏，让跑分高估真实泛化能力。

严肃的OlmoEarth评估至少应包含三类留出测试：未见过的地理区域、未见过的时间段和未见过的传感器条件。只有在这些测试中保持稳定，平台生成的全球特征才有资格成为通用底座。

规模也不会自动修复数据偏差。某些地区卫星覆盖更密集、标注更丰富，另一些地区则长期被云层遮挡或缺乏高质量地面真值；平台可以统一计算流程，却不能凭空补齐真实世界的观测缺口。

最先受益的不会是普通地图用户

OlmoEarth短期内更适合拥有明确空间任务的研究机构、政府部门和产业团队，而不是直接面向个人用户。普通用户不会因为平台上线就立即获得一张更清晰的地图，但专业团队可以减少搭建大规模推理系统的重复工作。

潜在应用主要集中在以下方向：

• **农业监测：**识别作物类型、估算种植面积，并结合多时相数据判断生长阶段；
• **灾害响应：**比较灾前与灾后影像，定位洪水、山火、滑坡或建筑损毁区域；
• **生态保护：**监测森林损失、湿地变化、海岸线迁移和栖息地破碎化；
• **基础设施制图：**提取道路、建筑、光伏设施和输电走廊等地表对象；
• **气候适应：**为热岛、干旱、积雪和地表水变化分析提供统一空间特征；
• **数据筛选：**在海量影像中先找出疑似变化区域，再交给人工或更昂贵的模型复核。

这些应用仍然需要领域标注、误差校准和人工审核。OlmoEarth能够降低从原始影像到模型结果的工程门槛，但不能替代测绘规范、统计抽样、现场调查和行业责任判断。

OlmoEarth的重要性不在于“又一个地球大模型”

OlmoEarth是一项比模型演示更务实的发布。过去两年，地球观测基础模型越来越多，但真正制约应用的往往不是缺少权重，而是团队无法经济、稳定地把模型跑到足够大的区域。

Ai2这次给出的答案，是把全球数据切片、批量推理、失败恢复、特征复用和结果管理做成统一平台。这个方向是对的，因为地理空间AI的竞争已经从“谁能识别一张卫星图”，转向“谁能持续处理整个国家乃至全球，并知道每个结果从哪里来”。

OlmoEarth距离成为行业通用底座仍有两道关。第一道是公开可验证的经济性，包括每平方公里成本、吞吐量和更新周期；第二道是跨区域可靠性，包括模型在低资源地区、不同季节和不同传感器上的误差表现。

如果后续数据证明OlmoEarth能在这两道关上站稳，它的意义会超过一次模型上新：地球观测AI将不再以零散项目为基本单位，而会逐渐变成一种持续运行、按空间查询的基础设施。模型看到的不再是一张图，而是一颗不断更新的行星。

参考来源

• The OlmoEarth Platform: Geospatial inference at planetary scale：Ai2发布的OlmoEarth平台基础设施介绍，重点解释大规模地理空间推理的系统设计与工程目标。