北美一次野火风险制图,老实用一台机器算,要4737小时——差不多整整197天。Ai2最近公布的一次实测里,这活儿被摊到19600颗CPU和994块GPU上同时跑,30.5小时就出了图,提速155倍。
这不是模型跑分刷出来的成绩。是Ai2新上线的OlmoEarth Platform在验证一件事:把影像索引、算力调度、故障重试这些脏活累活打包成基础设施,能不能把地球观测模型从能用变成好用。
发生了什么,为什么重要
OlmoEarth是Ai2的一族地球观测基础模型,用约10TB多模态卫星数据预训练,主攻毁林监测、粮食安全、野火风险这几类任务。OlmoEarth Platform是配套的运行系统,把微调、评估、大规模推理打通成一条流水线。
官方口径是:能在约一天内处理洲际规模、数十TB级别的卫星影像,成本压到每平方公里不到一美分。这套流水线跑在Google Cloud上,靠的是上万核CPU和近千块GPU的并发调度。
真正会用它的,不是有完整机器学习团队的大厂。是政府机构、NGO、环保组织这类最需要地球观测数据、却常年请不起工程团队的群体。
拆解:算力怎么被喂饱
卫星推理真正的瓶颈,很多时候不在算模型。一个推理任务,花在找影像、下载、对齐上的时间,常常比跑模型本身还长。把这段活儿也丢给GPU,等于让最贵的硬件干最不划算的事。
Ai2的做法是把每个任务拆成三段,各配各的硬件:
卫星推理最贵的从来不是算力,是喂饱算力的那条管道。
找影像本身也是工程活。不同卫星服务商的元数据接口不是为一次几千个查询设计的,直接打爆外部STAC API是常事。
Ai2的解法是自建卫星元数据索引,靠SNS通知和轮询保持更新。推理时只做窗口化读取,只取需要的像素,不整景下载。
规模上来了,故障也是常态:服务商卡顿、某个波段缺失、云层挡住观测、任务直接崩掉。平台把每个任务设计成幂等、可重入,配自动重试、备用数据源,加一个专门盯着卡死机器的监控进程。
北美野火风险图那次,就是这套体系撑起来的:
谁该怎么办,接下来看什么
这套逻辑和电力刚普及那阵子有点像。发电机不难造,难的是把电网铺到每一户人家。
地球观测模型这几年一直在发电机上卷参数、卷精度。真正卡住环保组织的,是那张没人铺的电网——谁来找齐分散在各家云厂商手里的影像,谁来扛住并发任务里必然出现的故障,谁来把一张栅格图变成能直接用的输出格式。
Ai2过去十几年运营Skylight、EarthRanger这类给一线机构用的软件,踩过的坑,换来的是这次平台化的底气。不同对象该怎么看待这套系统,差别不小:
| 对象 | 现状痛点 | 建议动作 |
|---|---|---|
| 政府/NGO/环保机构(没有完整ML团队) | 影像处理靠人力拼凑,自建集群买不起 | 已经在用OlmoEarth模型微调的,可以申请小范围试点,先测自己数据下的时间和成本 |
| 遥感/地理空间云基础设施从业者 | 大规模查询卫星元数据API容易被限流,数据准备常常比推理更耗时 | 关注它自建索引加窗口化读取的做法,判断能不能搬到自己的流水线里 |
| 需要独立验证结果的机构 | 速度和成本目前只有Ai2一家口径,没有第三方复核 | 把这组数字当参考基准,不当可以直接对外引用的定论 |
但这套数字也不能照单全收。19600颗CPU、994块GPU的并发规模,本身就是一道门槛——云配额和预算依然是硬约束,不是所有机构都能申请到这个体量。
"约一天""不到一美分"是Ai2自己的口径,来自2026年7月28日公布的一次北美案例。不同区域、不同分辨率、不同数据源未必能复现同样的速度和成本。
算得快、算得便宜,不等于图画得准。毁林、粮食安全、野火风险这类判断最终要接受现场验证,也要看用它的机构有没有能力把一张风险图变成一次真实的干预行动。
接下来这三件事值得盯:
- 同样的成本和速度,能不能在别的区域、别的任务上复现
- 平台是不是真的对外开放给中小机构,还是只服务少数合作案例
- 精度指标什么时候公布,交给第三方核验
地球观测的瓶颈,从来不是模型够不够聪明,是那套系统扛不扛得住。