OlmoEarth Platform：把地球观测模型推向洲际规模推理

导语

地球观测 AI 的难点，并不只是训练一个足够强的模型。Ai2 在 Hugging Face 发布的文章中介绍，OlmoEarth Platform 试图补上开放模型与真实应用之间的工程缺口：让政府、NGO 和任务驱动型组织能够把卫星基础模型用于森林砍伐监测、粮食安全、野火风险等场景，而不必自行搭建完整的数据与推理基础设施。

核心要点

• 从模型到平台：OlmoEarth 是一组基于约 10TB 多模态卫星数据预训练的地球观测基础模型。平台则覆盖微调、评估和大规模推理，把模型输出转化为可用地图与分析结果。
• 卫星推理的数据负担更重：一次任务可能跨越多光谱波段、传感器、时间序列和大面积地理区域。影像来自不同提供方，投影、分辨率、云层遮挡和缺失观测都需要处理。
• CPU 与 GPU 分工：平台把流程拆为三段：CPU 负责高 I/O 的数据获取、重投影、对齐和归一化；GPU 专注模型前向推理；CPU 再执行拼接、掩膜、缩放和导出，支持 Zarr、GeoTIFF、GeoJSON 等格式。
• 分块并行是关键：OlmoEarth Run 会把地理区域切成适合工作节点处理的分区，再细分为模型窗口。相邻分区保留少量重叠，最终拼接时消除接缝。
• 避免压垮外部数据服务：平台依赖 STAC 等开放标准，但不会在大任务启动时向外部 API 发起海量突发查询，而是维护自己的元数据索引，并通过通知或轮询持续更新。

意义与影响

这篇文章的价值在于，它把“地理空间 AI 规模化”从模型能力转向系统能力。对许多环境领域机构而言，真正昂贵的是影像检索、格式转换、分布式调度、GPU 利用率和输出校验。Ai2 披露的洲际级运行案例显示，该平台可在约一天量级完成大陆范围推理，并以极低的每平方公里成本处理数十 TB 影像。

更重要的是，OlmoEarth Platform 指向一种开源 AI 落地的新模式：开放模型负责可迁移能力，托管式或平台化基础设施负责可用性、成本和可靠性。对于地球科学、公共治理和气候相关应用，这类工程层可能比单个模型分数更决定实际影响。

来源：Hugging Face Blog