Planet AI 上线：一句话搜索十年卫星影像，GIS 开始变成对话框

Planet 在 11 月 5 日正式上线 Planet AI，把超过十年的全球卫星影像档案、视觉检索、大语言模型和分析智能体装进了一个“地图 + 聊天”界面。

用户不再需要先掌握图层、坐标系、波段组合和空间查询语法，而是可以直接问：“过去五年，这片森林哪里出现了新增砍伐？”“帮我找出佛罗里达州最近出现的大型建筑工地。”“这个工业园附近有哪些河流和新增设施？”

Planet AI 会理解问题，在全球地图中寻找匹配区域，再调取历史影像生成前后对比、变化时间线或延时画面。产品目前处于免费开放阶段，可通过 ai.planet.com 使用；Planet 已明确表示，免费政策可能随着未来商业化方案而调整。(planet.com)

Planet AI 是一个用自然语言搜索、比较和分析卫星影像的对话式地理空间 AI 应用。

这不是给传统地图加一个聊天机器人，而是试图把遥感分析最昂贵的一步——“从海量影像中找到值得分析的位置”——交给 AI。

从“我知道位置”变成“我描述现象”

Planet AI 最有价值的变化，是用户可以不知道目标的具体经纬度，只需要描述自己想找的地表特征。

传统 GIS 和遥感工具通常从一个明确的“感兴趣区域”开始。分析人员需要先知道去哪里找，再选择数据源、时间范围、云量条件和处理方法。这个流程适合验证一个已有假设，却不适合回答开放问题，例如“哪些地方最近出现了新的露天采掘活动”。

Planet AI 将这个过程反了过来：用户先描述现象，系统再寻找地点。

根据 Planet 公布的技术路径，大语言模型首先负责解释自然语言请求，把“新增工地”“森林变成裸地”或“靠近水道的工业设施”转换为可执行的视觉与空间条件；随后，系统查询一个由月度卫星影像拼图构建的可搜索矢量地图。这里的“矢量”不是传统道路或行政区边界，而是 AI 从影像视觉特征中提取的语义表示。(planet.com)

地理空间向量检索是把卫星影像转换成可比较的数字特征，再按照语义相似度寻找地点的技术。

可以把它理解成“以图搜图”的全球版本。普通以图搜图是在图库中寻找相似图片，Planet AI 则是在地球表面寻找符合文字描述的区域，而且搜索对象不只是当前影像，还包括跨越十年以上的历史记录。

这意味着，用户输入的不是精确查询指令，而是一个可能并不完整的调查意图。系统需要自行判断应该搜索什么视觉特征、查看哪些时间点，以及是否调用更多分析工具。

三项能力，真正重要的是第三项

Planet 将 Planet AI 的核心功能分成搜索地球、探究变化和深度分析三部分。

| 核心能力 | Planet AI 的处理方式 | 传统流程中的主要工作 | 更适合的场景 | |---|---|---|---| | 搜索地球 | 用自然语言描述目标，由 AI 在大范围影像中定位 | 人工圈定区域、逐块浏览影像或运行分类模型 | 寻找新工地、采矿区、裸地、设施和疑似侵占区域 | | 探究变化 | 回溯超过十年的影像，生成并排对比或延时画面 | 下载多期影像、配准、筛选云量并执行变化检测 | 森林砍伐、城市扩张、灾害损毁和水体变化 | | 深度分析 | 调用 AI 智能体，结合文件、公开信息和空间工具完成任务 | GIS 分析师在多个软件和数据源之间手动操作 | 合规排查、资产监控、调查研究和周期性报告 |

“搜索地球”解决的是找不到，“探究变化”解决的是看不清，而“深度分析”才决定 Planet AI 能不能进入真实业务。

地理空间 AI 智能体是能够自行选择数据、工具和分析步骤，完成多阶段地理任务的软件代理。

Planet AI 的深度分析模式允许用户上传图片、CSV 等外部资料，让系统把企业资产清单、调查地点或现场照片与卫星影像结合起来。它还支持趋势跟踪和定时报告，这使产品不再只是一次性的影像问答工具，而有机会变成持续运行的监测系统。(planet.com)

例如，一家能源企业可以上传设施坐标表，要求系统每月检查周边是否出现新增施工、道路中断或水体变化；环保组织可以让系统持续追踪保护区边缘的裸地扩张；保险团队则可以在洪水或山火后，先用影像筛选高风险区域，再决定是否派出现场人员。

这类任务过去不是做不了，而是成本太高。分析人员需要在 GIS 软件、影像平台、公开数据库和报告工具之间来回切换，很多时间耗在找数据、对齐日期和制作可视化上。Planet 声称，过去需要数天人工扫描的工作，现在可以在数分钟内给出优先检查目标。这个数字仍是厂商提供的场景描述，并非经过独立测试的通用性能结论。(planet.com)

它不是“会看卫星图的 ChatGPT”

Planet AI 与通用聊天机器人的关键差别，是回答必须落到具体影像和地理位置上。

大语言模型可以解释森林砍伐的成因，却无法仅凭互联网文本判断某块森林上周有没有消失。Planet AI 的目标，是让语言模型负责理解意图和组织分析，让卫星影像负责提供物理世界证据。

Planet 强调，每项发现都会关联到用户可以查看的原始影像。用户能够打开目标区域，检查不同时期的画面，而不是只能相信一段模型生成的文字。这种“先给结论，再给影像证据”的产品结构，确实比单纯用视觉模型生成描述更可靠。(planet.com)

但“有影像依据”不等于“结论一定正确”。

卫星图像中的季节变化、阴影、云层、积雪、农作物轮作和拍摄角度差异，都可能被误判成真实地表变化。即使系统正确找到了变化区域，它也未必能仅凭影像判断变化的原因。例如，一块裸地可能是非法砍伐，也可能是合法采伐、火灾或季节性农业活动。

因此，Planet AI 更适合扮演调查入口和证据筛选器，而不是最终裁判。它可以把“人工查看一万平方公里”压缩成“重点核查二十个位置”，但高风险决策仍然需要专业人员结合更高分辨率影像、许可文件和现场数据验证。

Planet 的真正护城河不是大模型

Planet AI 的核心壁垒不是聊天界面，也不是接入了哪一家大语言模型，而是 Planet 自己长期积累的高频地球观测数据。

Planet 运营由大量小型卫星组成的观测网络，其 PlanetScope 体系能够以约 3 米级分辨率、高频覆盖全球大部分陆地区域。与单张分辨率更高但重访周期更长的影像相比，Planet 的优势是持续性：它更容易回答“什么时候发生变化”，而不只是“这里有什么”。

时间分辨率是卫星对同一地点重复成像的频率，决定了系统捕捉变化的及时程度。

对于建设进度、森林损失、农作物生长或灾后恢复而言，一张非常清晰但一年只有几次的照片，未必比每天或近乎每天的一系列中等分辨率照片更有用。Planet AI 正在把这种时间密度转化为自然语言可调用的产品能力。

| 产品或方案 | 主要数据基础 | 自然语言交互 | 长时间序列分析 | 使用门槛 | 更突出的优势 | |---|---|---:|---:|---:|---| | Planet AI | Planet 自有全球卫星影像档案 | 是 | 超过十年 | 低 | 高频商业影像、语义搜索和智能体工作流 | | 传统桌面 GIS | 用户自行准备影像和矢量数据 | 通常不支持 | 取决于数据 | 高 | 分析步骤透明、参数控制精细、适合专业制图 | | 云端遥感平台 | Landsat、Sentinel 等公开数据及云计算能力 | 部分支持 | 通常可追溯数十年 | 中到高 | 数据类型丰富、可编程性强、适合科研与大规模计算 | | 通用视觉聊天模型 | 用户上传的单张或少量图片 | 是 | 较弱 | 低 | 图片解释方便，但缺少全球地理索引和持续影像档案 |

这也解释了为什么大型模型公司很难只靠通用多模态模型复制 Planet AI。模型可以识别图像，但如果没有经过配准、按地点索引、持续更新的全球影像档案，它就无法稳定回答跨地域、跨年份的问题。

换句话说，Planet AI 把大模型放在了正确的位置：大模型是调度层和交互层，卫星数据才是底座。

目前最大的短板：指标、价格和边界都不够透明

Planet AI 已经公开上线，但它距离成熟的企业分析产品还有几道关需要过。

第一，Planet 尚未公开检索准确率、变化检测精度、响应延迟等系统性指标。官方资料展示了应用场景和工作流程，却没有提供类似 Top-K 召回率、误报率或不同地貌下的测试结果。对于生态执法、保险理赔和基础设施管理，这些数字比演示视频更重要。(planet.com)

第二，目前的免费访问更像获客期安排，而不是长期定价承诺。登录页将产品描述为免费测试，并明确提示功能会继续变化，未来将准备付费商业方案。Planet Insights 账号可能成为高级能力和企业数据权限的入口，但截至 2026 年 11 月 7 日，官方尚未公布完整价格表。(app.ai.planet.com)

第三，自然语言降低了操作门槛，却可能隐藏分析参数。专业用户通常关心使用了哪一期影像、云量阈值是多少、变化检测如何定义、模型置信度多高，以及结果是否可以稳定复现。如果对话层只给出一个看似确定的答案，却不暴露这些条件，就会把复杂度从界面转移到黑箱里。

第四，3 米级影像适合观察地块、道路、建筑群和大面积植被变化，却不适合所有精细目标。真实用户的早期反馈已经提到，太阳能板等较小特征可能受到影像分辨率限制；移动端聊天界面也仍有改进空间。(reddit.com)

第五，数据治理将成为企业采购时绕不开的问题。Planet 的隐私政策显示，Planet AI 当前会将用户输入及相关上下文发送给为产品提供大语言模型能力的 Anthropic 和 Google。企业上传设施清单、调查对象或敏感位置数据之前，需要确认数据保留、训练使用和组织权限策略。(planet.com)

为什么它可能比“AI 生成地图”更实用

Planet AI 的意义不是让地图看起来更智能，而是把地理分析的起点从专业软件操作变成业务问题。

过去，业务人员通常先把需求交给 GIS 团队，再由 GIS 团队把问题翻译成数据处理流程。Planet AI 试图让保护人员、保险调查员、记者、城市规划人员和基础设施团队直接开始探索，再把少量高价值结果交给专家复核。

这种变化不会消灭 GIS 工程师，反而可能让专业人员从大量低价值检索工作中释放出来。就像电子表格没有消灭财务分析，低代码工具也没有消灭软件工程一样，对话式地理工具减少的是重复操作，而不是专业判断。

更值得关注的是，它改变了哪些问题“值得被问”。当搜索一片沙漠需要人工拖动地图数小时，很多潜在线索根本不会进入调查阶段；当搜索成本降低到输入一句话，过去因为太麻烦而被放弃的问题就可能重新出现。

Planet 在 2026 年夏季邀请数百名用户测试该产品后发现，用户尤其喜欢在调查初期使用它：不是让 AI 替自己完成最终结论，而是帮助确定“应该先看哪里”。(planet.com)

这可能是 Planet AI 当前最准确的定位——它不是自动化地理专家，而是一台全球尺度的线索发现机器。

从遥感软件到“行星智能”

Planet 将 Planet AI 放在更大的“行星智能”战略中。

行星智能是把高频地球观测、历史影像档案和 AI 分析结合起来，近实时理解地表变化的技术体系。

这套战略的终点，不只是让用户查询过去十年发生了什么，而是让系统持续观察全球变化，区分正常波动和异常事件，再主动把风险推送给需要行动的人。

如果 Planet 能继续提高影像覆盖、变化识别准确率和分析可解释性，农业、灾害响应、保险、基础设施、城市治理和供应链监控都会是直接受益场景。但真正决定产品价值的，不是聊天体验有多顺滑，而是它能否稳定地少漏报、少误报，并让每个结论都能回到清晰、可追溯的影像证据。

Planet AI 已经把卫星影像从“专家打开软件寻找答案”，推进到了“普通业务人员直接向地球提问”。这一步足够重要，但它仍只是入口。

接下来更难的问题是：当所有人都能提出问题时，系统给出的答案是否足以让人据此采取行动。

参考来源

• IT之家：Planet AI 邀你“向地球提问”：介绍 Planet AI 的发布时间、免费访问方式、三项主要能力与典型应用场景。
• Reddit：Planet AI 早期用户讨论：用户分享实际体验，并讨论移动端交互、数据中心建设和小型目标识别等问题。