非营利研究机构 Ai2 发布 OlmoEarth 平台——一套从微调、评估到大规模推理的地理空间基础设施。它能在约 24 小时内完成洲际级卫星图像推理，处理数十 TB 数据，单平方公里成本仅不到一美分。首批应用已落地森林砍伐监测、食品安全与野火风险评估。
这不是一份纸面架构图。Ai2 此前已运营 Skylight 与 EarthRanger 等平台十余年，供全球用户日常依赖。这段经历教会他们一件事：模型必须在正确的时间与地点、以可承受的成本运行，原始输出必须转化为可执行洞察，并验证这些输出确实驱动了合作方想要的结果。
有应用场景（保护、粮食、气候），但缺基础设施与工程团队，无法独立管理标注、微调、大规模推理的全生命周期。
把地理空间模型从微调、评估一路推到大规模推理，封装成即用基础设施，让环境团队专注应用而非运维。
地球观测推理与普通 ML 任务量级完全不同：单次微调可搬运 TB 级数据、运行数小时；输入跨多光谱波段、多传感器、多时间步；输出是地图，每个预测必须与相邻区域的投影和坐标网格精确对齐。
核心做法是按硬件档位拆分流水线，让最贵的 GPU 只做它该做的事：
多进程数据加载器持续喂数据给 GPU，输出直接流式写入对象存储，避免 GPU 空等 I/O。
OlmoEarth Run 执行层把地理区域切成分区，再细分为窗口——每个窗口独立做一次前向推理，互不等待。一个州级区域约切出上百个分区，洲际级可切出数千个。相邻分区略有重叠，拼接时消除接缝。
注：并行度并非无上限，受云配额约束；输出分辨率、模型大小、原始影像缓存均可按任务与预算逐项调节。
一次大推理可瞬间生成数千条元数据查询，远超 ESA、Microsoft Planetary Computer 等公共 STAC API 的承受力。平台因此自建元数据索引：对 AWS Open Data 数据集订阅 SNS 通知，无变更流则每隔几分钟轮询上游索引。对外部服务的请求节奏跟随新影像发布节奏，而非推理任务的突发洪峰。
每条索引项存储场景元数据与所有可用像素位置的指针。运行时仅对 COG / Zarr 等云优化格式做窗口化读取，只取分区所需字节，不下载整幅影像。
本文源自 Ai2 官方技术博客，属单方披露，文中的 155× 加速、24 小时洲际推理等性能数据未见第三方独立复测。读者宜将其视为工程能力展示而非基准评测结论——关注其架构取舍（按硬件档位拆流水线、自建元数据索引避免冲击公共 API、任务幂等容错），而非单一数字。
当基础模型趋同，"把模型在正确时间、正确地点、以可承受成本跑起来"的工程层，正在成为地球观测 AI 落地的真正护城河。
OlmoEarth 模型与平台面向政府、NGO 等任务驱动型组织开放适配；具备工程能力的团队可直接获取开源模型自行部署。
Hugging Face · Ai2 模型主页 → 获取 OlmoEarth