现在，你有一个机会，打开上帝视角看地球。

最近谷歌 DeepMind 发布了一个新 AI ——AlphaEarth Foundations，它能展现完整的地球画面，有 64 个维度，分辨率达到 10 米级，能让你 " 在任何时间看清任何地点 "。

浓缩的海量数据｜deepmind.google

这不是就跟谷歌地图差不多，甚至 "10 米级的分辨率 " 还不如谷歌地图吗？但 AlphaEarth Foundations 可不只是地图那么简单，它的 64 个维度里包含了气候、生态、农业、自然资源等信息，是一个能 " 理解地球 " 的大模型。

把海量数据拼成完整画面

此时此刻，有数百颗卫星正在太空中围绕地球运转，它们就像无数只不眠不休的眼睛，每天拍摄着地球——光学相机捕捉可见光影像，雷达穿透云层探测地表，激光扫描仪测量地形高度，气象卫星监测温度变化……每一秒钟，都有海量的数据从太空传回地面。

问题就来了，数据那么多、那么杂乱，我们怎么利用呢？这就像你有一万张拼图碎片，每一片都来自不同的拼图盒，有的碎片是彩色的，有的是黑白的，有的甚至是三维的。更糟糕的是，这些碎片每天都在数以 TB 计的速度增加。

如果有一个 AI 系统，能够理解所有这些不同类型的数据，并把它们整合成一幅完整、清晰的地球画面，我们是不是就能从更多维度看到一个完整的地球？

于是，拼图高手 AlphaEarth Foundations 诞生了。

AlphaEarth Foundations 主要解决 2 个挑战：数据过载和信息不一致。它会 " 阅读 " 来自几十个不同来源的数据——光学卫星图像告诉它地表的颜色，雷达数据穿透云层显示地形，3D 激光测绘提供精确高度，气候模拟预测天气变化。然后，它把这些信息整合编织在一起，以 10 米 × 10 米的清晰度分析地球，并持续更新数据，跟踪地球随时间发生的变化。

全局嵌入被分解为单个嵌入的过程。每个嵌入包含 64 个分量，这些分量映射到 64 维球面上的坐标点｜deepmind.google

为了让这些数据能真正被用上，研究团队还为每一个 10 米 × 10 米的网格创建了高度浓缩的核心信息。相比他们测试过的其他 AI，数据摘要将所需的存储空间压缩为原来的 1/16，大降低了进行全球范围分析的成本。

这一突破让科学家能够完成迄今为止不可能完成的事情：按需创建一个详细、一致的世界地图——不管是想要监测作物健康状况、跟踪森林砍伐还是了解水资源变化，科学家都可以 " 一键 " 获得全地球范围的信息。研究团队表示，平均而言，在测试中，AlphaEarth Foundations 的错误率比其他模型低 24%。

AlphaEarth Foundations 的工作原理：它不会处理每一帧图像，而是聪明地挑选一些关键画面，用这些画面来还原某个地点在不同时间的样子。这样既能省资源，又能把时间轴上的变化看得更清楚，也方便分析各种数据｜deepmind.google

生成自定义地图

AlphaEarth Foundations 把全球的卫星图像 " 翻译 " 成了机器能理解的语言，也就是一串数字，叫作 "embedding"（嵌入），用来表示某个地方的样子和变化。

在 AlphaEarth Foundations 的技术支持下，Google 推出了一个叫 Satellite Embedding（卫星嵌入）的大型数据集，每年记录超过1.4 万亿个地理信息点。

现在，这个数据集已经被整合进 Google Earth Engine ——这是谷歌提供的一个平台，可以用来查看、分析各种地理空间数据，面向研究、教学和公益免费开放。

图为 Satellite Embedding。AlphaEarth Foundations 就像一个超级复杂的 " 工厂 "，负责生产 " 地球信息零件 "；而 Google Earth Engine 是一个开放的 " 便利商店 "，把这些零件摆出来，让科研人员更方便地拿去组装和使用｜developers.google

在 Satellite Embedding 的数据被整合进来之后，世界各地的组织，包括联合国粮食及农业组织、哈佛森林、地球观测组织、MapBiomas、俄勒冈州立大学等，已经利用它创造各种自定义地图。

例如，地球观测组织（地球观测领域里目前国际上最大的政府间合作组织）过去几年一直在收集各国的生态系统数据，计划创建 " 全球生态系统图集 "，这将是世界上第一个全面的生态地图系统。这项工作并不容易，哪怕现在，我们对地球生态系统的了解依然存在大片空白。

" 全球生态系统图集 " 的负责人表示："Satellite Embedding 数据集正在革新我们的工作，帮助各国绘制未知生态系统的地图——这对于确定保护重点至关重要。" 通过 AlphaEarth Foundations，他们能够识别出沿海灌木林、超干旱沙漠等不同类型的生态系统，为各国的生物多样性保护提供科学依据。

在巴西，MapBiomas 组织正在用这项技术监测亚马逊雨林的变化。亚马逊每年都有大片森林消失，而传统的监测方法往往滞后。MapBiomas 的创始人认为，在 Satellite Embedding 的帮助下，人们可以快速制作精准的地图，实时追踪森林砍伐的进程，甚至能预测哪些地区可能成为下一个目标。这些信息对于制定保护策略至关重要。

AlphaEarth Foundations 的 64 个维度里，有 3 个维度被分别分配了红色、绿色和蓝色，将细节可视化。向左滑动查看更多图片。在厄瓜多尔，AI 能穿透云层，详细说明处于不同开发阶段的农田（图一）；它绘制出南极洲的一个复杂地表，该地区是出了名的难成像（图二）；它揭示了加拿大农业土地利用中不可见的差异（图三）。｜deepmind.google

AlphaEarth Foundations 的研究团队还声明，这个 AI 模型每年生成的数据集将开放给用户，用于追踪长期的环境变化趋势。团队表示，只要用户具备 " 一定的基础编程能力 "，就能用这些数据制作更加高级的自定义地图。

面对隐私泄漏的担忧，谷歌特别强调，AlphaEarth Foundations 无法识别或捕捉任何个体人、物体或面部特征，因此用户无需担心隐私泄露的问题。

AI，看地球的另一双眼

除了 AlphaEarth Foundations，还有不少 AI 已经在地球科学和气候变化等方面展现出了巨大的潜力。

在天气预报领域，DeepMind 在 2024 年推出了 GenCast。

GenCast 可以发布 15 天以内的天气预报，而且比传统的天气预报方法更准确。在未来 15 天内所有时间和各种天气要素的预测中，GenCast 的准确率达到了 97.2%。在超过 36 小时的预报中，准确率达 99.8%。通过对大量历史数据的学习，GenCast 能更早识别异常信号，预测暴雨、热浪、干旱、飓风等极端天气。

GenCast 能更好地预测极端天气，可以及时采取更有成本效益的预防措施｜deempind.google

在能源领域，AI 也能通过各种方式来减少碳排放。国际能源署（IEA）指出了多个 AI 减排的途径：利用卫星或无人机拍摄的图像，AI 可以通过机器学习，自动识别石油和天然气作业中的甲烷泄漏，以便尽快维修；利用优化算法，AI 可以寻找 " 最省能源 " 的策略或途径，用于发电厂的能效提升、工业生产的减排和设计更合理的交通运输线路等。

IEA 预测，在能源领域，采用 AI 可能有助于在 2035 年减少 1400 吨二氧化碳排放量，这还不包括未来十年 AI 可能出现的任何突破性发现。

AI 如今成了我们看地球的另一双眼睛，帮助我们 " 读懂 " 地球。它们不仅让科研人员看得更远、算得更准，也为各种保护行动、灾害应对提供了新工具。当然，AI 并不能代替人类的选择和责任。面对快速变化的地球，我们需要的不只是更聪明的模型，还有人与人之间的理解与合作。

参考文献

[ 1 ] https://deepmind.google/discover/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/

[ 2 ] https://www.wired.com/story/googles-newest-ai-model-acts-like-a-satellite-to-track-climate-change/

[ 3 ] https://www.nature.com/articles/d41586-025-02412-1

[ 4 ] https://deepmind.google/discover/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/

[ 5 ] https://www.iea.org/reports/energy-and-ai/ai-and-climate-change

作者：黄线狭鳕