诺得从、谷歌DeepMind首席施行官Demis Hassabis暗示：它将为科学家供给近乎及时的地球不雅测。该模子次要是处理了数据过载和消息不分歧两题。简单来说就是不雅测数据多但高质量标注数据少，给绘制全球地图带来坚苦。AEF就像一个虚拟卫星，整合了光学卫星图像、天气模仿等PB级的海量地球不雅测数据，可以或许操纵多源、离散的数据生成通用的地舆空间暗示，让科学家可以或许按需建立地球地图，毫不吃力实现全球测绘和监测。现实上，不只是科学家，通俗人也能通过AlphaEarth Foundations轻松读懂地球的变化。从大帆海时代到现代，人类花了500年时间绘制地球，而现正在AEF的呈现让每天从头绘制地球成为现实。这让前谷歌地图方面的研究员Bilawal Sidhu惊呼：谷歌朝着建立地球版ChatGPT迈出了主要一步。现正在有卫星、雷达、无人机、景象形象坐等无数设备，每天都正在收集地球的图像、温度、湿度、地形等数据。但分歧国度、机构对于不雅测数据的标注尺度可能纷歧样，而且地球概况随时正在变化（好比丛林被砍伐），但实地标注往往几年才更新一次，导致标注数据和现实环境脱节。简单来说，地球不雅测数据就像“拍了无数张地球的照片”，但晓得“照片里具体是什么”的标注却很少，这间接卡住了全球地图的绘制精度和效率。AEF是一种嵌入场模子，焦点是时空精度编码器（STP），STP通过空间自留意力捕获地舆上的远距离联系关系，通过时间轴自留意力解析时序动态，再连系卷积操做保留局部精细特征。通俗一点说就是把地球概况的复杂消息（如地形、植被、天气等）压缩成一组“数字暗码”（嵌入向量），这些暗码能精准反映地球概况的时空特征，既能看全局又能抓细节。它将不雅测数据的支撑期（数据现实采集的时间范畴）取地图生成的无效期（需要映照的时间范畴）分手，即便正在无效期内没有间接不雅测数据，也能通过插值或外推生成持续的成果。好比，若是只要2018年和2020年的卫星图像，模子能靠得住猜测出2019年某地域的地表形态，这处理了保守模子只能处置固按时间点数据的局限。它能领受光学卫星、雷达、激光雷达、天气数据以至地舆文本等10多种输入，打破了数据类型的壁垒。通过同一的编码体例将这些分歧类型、分歧分辩率的数据为可兼容的特征。例如，光学图像的植被颜色、雷达的地表布局消息、景象形象坐的温度数据，城市被整合到统一个嵌入向量中，这个向量仅64字节。模子的锻炼机制也颇具特色。它采用师生模子和对比进修策略。同时，引入文本对齐锻炼，将地舆文本描述取对应区域的嵌入向量联系关系，进一步丰硕特征的语义消息。最终，AEF生成的嵌入场以10x10米方格形式切确阐发地球陆地和沿海水域，同时为每个方格建立高度紧凑摘要，存储空间需求仅为其他AI系统的十六分之一，降低了阐发成本。而且这些嵌入向量无需从头锻炼就可间接用于各类映照使命，无论是地盘笼盖分类、农做物识别仍是丛林变化检测，都能通过简单的迁徙进修实现高精度成果。取保守方式和其他AI测绘系统比拟，AEF正在分歧时间段施行多种使命时，包罗识别地盘操纵和估算地表属性等，一直连结最高精确性。AEF特别正在标签数据稀缺场景下表示超卓，平均错误率比测试模子低24%，展示出杰出的进修效率。从具体使用场景来看，AEF正在从题映照（如地盘笼盖分类）、生物物理变量估量和变化检测中表示全面。例如，正在年度地盘笼盖变化识别中，它能精准区分丛林、农田、城市等类型，对细微变化的捕获误差远低于保守方式。正在谷歌地球引擎中，由AEF驱动的卫星嵌入数据集是同类规模中最大的数据集之一，每年包含跨越1。4万亿个潜入脚印。目前已正在Earth Engine数据目次发布。这一系列年度嵌入数据已被全球多个组织采用，此中包罗结合国粮食及农业组织、哈佛丛林、地球不雅测组织等。它们借帮该数据集制做功能强大的自定图。例如，“全球生态系统地图集”这一项目旨正在打制首个全面资本，该项目正操纵此数据集帮帮将未测绘的生态系统划分为海岸灌丛、极端干旱戈壁等类别。卫星嵌入数据集正正在完全改变我们的工做，它帮帮绘制未知生态系统的地图——这对于精准定位工做的沉点区域至关主要。巴西MapBiomas团队正正在测试该数据集，以更深切地领会全国范畴内的农业和变化，它为亚马逊雨林等环节生态系统的策略和可持续成长行动供给了主要根据。本文为磅礴号做者或机构正在磅礴旧事上传并发布，仅代表该做者或机构概念，不代表磅礴旧事的概念或立场，申请磅礴号请用电脑拜候。