OlmoEarth平台：实现全球尺度地理空间推理

OlmoEarth 平台：让地球观测 AI 真正落地，从模型到地图只需一天 7月28日，AI2（艾伦人工智能研究所）正式发布了 OlmoEarth 平台，这是一套专为大规模地理空间推理设计的基础设施。该平台的核心能力是：在一天之内完成对大陆级区域的卫星影像推理，处理数十TB数据，成本仅为每平方公里几分钱人民币。这意味着，过去只有大型科技公司和政府机构才能负担的卫星图像分析能力，现在有望被更多环保组织、农业公司和应急管理部门实际使用。 OlmoEarth 平台的出现，源于一个现实困境：AI2 此前已经训练了 OlmoEarth 系列地球观测基础模型，这些模型在森林砍伐监测、粮食安全评估、野火风险预测等任务上表现优异。但 AI2 团队发现，真正需要这些模型的组织——比如环保NGO、地方农业部门——往往没有足够的技术团队和计算基础设施来完成从数据标注、模型微调到大规模推理的完整流程。这些组织需要的是“开箱即用”的解决方案，而不是一个需要自己搭建全套工程架构的开放模型。为此，AI2 花了超过十年时间运营 Skylight 和 EarthRanger 等平台，积累了让地理空间软件每天稳定运行的经验，最终将这些经验整合成了 OlmoEarth 平台。 地理空间推理的工程挑战远超普通AI应用。大多数机器学习模型处理的是几兆字节的数据，在不到一秒内给出结果——比如大语言模型处理一段文字，或计算机视觉模型分析一张手机照片。但地球观测推理的规模完全不同：一次微调任务可能移动TB级数据，运行数小时。输入数据可能来自多个卫星供应商，每个供应商使用不同的投影坐标系和分辨率，还可能包含被云层遮挡的观测值。输出结果本身是一张地图，每个预测点都必须与周围区域保持精确的坐标对齐。更棘手的是，数据获取往往比模型运行本身更耗时——推理任务花在下载和预处理影像上的时间，常常超过运行模型的时间。 为了解决这些问题，OlmoEarth 平台采用了分阶段硬件匹配策略。它将每个推理任务拆分为三个阶段，每个阶段使用最适合的硬件：数据获取和预处理阶段使用高I/O能力的CPU，负责获取、重投影、对齐和归一化影像，然后写入一种专为快速加载优化的格式；模型推理阶段使用GPU，执行核心的深度学习计算；后处理和地图拼接阶段再次回到CPU，负责将分散的预测结果拼接成地理上一致的完整地图，同时处理分布式计算中常见的故障恢复。这种设计避免了让昂贵的GPU去做数据搬运这类CPU更擅长的工作，大幅降低了整体计算成本。 对于中国跨境电商卖家和AI从业者来说，OlmoEarth 平台的意义在于：它展示了如何将前沿AI模型转化为可落地的商业服务。无论是监测海外仓储所在区域的洪涝风险、评估农产品产地的气候状况，还是分析新兴市场的城市化进程，地理空间AI都有巨大的应用潜力。而 OlmoEarth 平台证明，当模型能力与工程基础设施相匹配时，大规模地理空间推理的成本可以降到足够低，让中小企业也能负担得起。