首個AI地理空間基礎模型上天，開源策略立功

太空里的AI又往前邁了一步。澳大利亞阿德萊德大學和SmartSat合作研究中心的研究團隊，把NASA與IBM聯(lián)合開發(fā)的開源模型Prithvi送上了兩顆在軌衛(wèi)星——一顆是南澳政府的Kanyini衛(wèi)星，另一顆是國際空間站上的Thales Alenia Space IMAGIN-e載荷。這是地理空間AI基礎模型首次在太空部署運行。

Prithvi的訓練數(shù)據(jù)覆蓋了13年的衛(wèi)星影像。研究團隊上傳的是壓縮版本，測試重點是洪水檢測和云層識別兩項任務。選擇這個模型，團隊看中的不是單一功能，而是它在各類地球觀測任務中的泛化能力，以及最關鍵的一點：開源。

"如果Prithvi不是開源的，我就得自己從頭訓練一個基礎模型，"項目負責人Andrew Du博士說。他是阿德萊德大學博士后，同時在SmartSat擔任AI工程師。"開源省下了大量時間和精力。"

基礎模型的邏輯在于先用海量無標注數(shù)據(jù)訓練出"通識"，再用少量標注數(shù)據(jù)微調(diào)具體任務。Prithvi基于NASA的Landsat和歐空局Sentinel-2衛(wèi)星數(shù)據(jù)訓練，數(shù)據(jù)源是Harmonized Landsat and Sentinel-2數(shù)據(jù)集，積累了超過十年的全球地理空間信息。下游應用包括繪制洪泛區(qū)、災害監(jiān)測、作物產(chǎn)量預測等。

NASA總部首席科學數(shù)據(jù)官Kevin Murphy的表態(tài)很直接："Prithvi是第一個在軌部署的同類模型，這恰恰說明了我們?yōu)槭裁匆_源。把工具開放給所有想用的人，就是在加速未來的科技發(fā)展和科學進步。"

這次驗證的特殊之處在于"雙平臺"——同一套模型在兩種完全不同的在軌計算環(huán)境中跑通。Kanyini是獨立的政府衛(wèi)星，IMAGIN-e則是空間站的掛載載荷，硬件架構和算力約束差異顯著。能同時適配，說明壓縮后的模型對邊緣計算場景足夠友好。

開源策略在這里的作用被放大了。太空硬件迭代周期長、成本極高，如果每個研究團隊都要從零訓練模型，重復投入難以想象。Prithvi的開放許可讓 Adelaide 團隊可以直接拿現(xiàn)成權重做適配，把精力集中在"怎么在太空跑起來"而不是"怎么訓一個能用的模型"。

對地球觀測行業(yè)來說，在軌AI意味著數(shù)據(jù)不用全部傳回地面處理。衛(wèi)星拍到的原始影像數(shù)據(jù)量巨大，帶寬和存儲都是瓶頸。如果能在太空直接完成篩選、識別、甚至生成初步分析結果，只把關鍵信息下傳，整個鏈路效率會完全不同。洪水和云層檢測正是這類"先篩后傳"場景的典型需求——前者關乎應急響應時效，后者影響影像可用性判斷。

NASA和IBM 2023年發(fā)布Prithvi時，定位就是"為地球科學社區(qū)提供可擴展的基礎工具"。這次上天驗證，算是把"可擴展"的含義從地面服務器延伸到了太空邊緣節(jié)點。Murphy強調(diào)的"加速未來"，眼下看至少包含兩層：技術層面，開源模型降低了太空AI的準入門檻；協(xié)作層面，跨國、跨機構的研究團隊可以基于同一套基座各自探索應用場景。

接下來值得觀察的是，這次驗證的壓縮方案能推廣到多大程度的模型規(guī)模，以及不同衛(wèi)星廠商的硬件差異會不會形成新的碎片化。Prithvi目前的能力邊界已經(jīng)明確：13年數(shù)據(jù)訓練的泛化基礎，加上特定任務的輕量微調(diào)。但更大參數(shù)量的模型能否以類似方式上天，還要看壓縮技術和在軌算力的博弈。