Table of Contents
背景
地球观测（Earth Observation, EO）是人工智能最具社会影响力的应用领域之一。从跟踪红树林变化、分类森林砍伐驱动因素，到在数天内生成国家级作物类型地图，AI模型正在帮助科学家和决策者以前所未有的尺度理解地球。然而，当模型需要处理数十万平方公里的卫星图像时，计算成本成为最大的瓶颈。
2025年11月，Allen AI发布了OlmoEarth v1，一套基于Transformer的遥感基础模型。短短半年内，合作伙伴已将其广泛应用。但团队很快意识到：模型的效率直接影响着技术普惠的可能性。更高的计算成本意味着更少组织能够负担得起，尤其是在全球南方的发展中国家。
2026年5月19日，Allen AI正式发布OlmoEarth v1.1，这是一个全新的模型家族，核心改进是在保持v1性能不变的前提下，将计算成本降低了最多3倍。这一突破通过优化模型设计——特别是重新定义token表示方式——实现，为地球观测AI的规模化部署铺平了道路。
核心内容分析
效率瓶颈：序列长度的二次方代价
OlmoEarth模型基于Transformer架构。在遥感数据处理中，模型首先将卫星影像转换为一系列token。Transformer的计算复杂度与token序列长度的平方成正比，这意味着即使是微小的长度缩减，也能带来显著的效率提升。
OlmoEarth v1的设计采用了分辨率驱动的分块策略（resolution-based patches）。以哨兵2号（Sentinel-2）卫星影像为例，输入是一个包含高度（H）、宽度（W）、时间（T）和12个光谱通道的张量。v1将这些数据分割成固定空间大小的patch。但问题在于，这种处理方式需要大量token来表示大面积区域，导致计算成本快速攀升。
v1.1的创新：重新定义“token”
OlmoEarth v1.1的核心思考是：对于遥感图像，什么才是token的最佳表示？ 团队没有简单增加模型尺寸，而是从根源上优化token序列长度。他们设计了一种新的token化方法，大幅减少了每张图像所需的token数量。尽管原文未公布具体实现细节，但效果清晰：在相同的输入覆盖范围内，v1.1的token序列长度显著缩短，从而将前向传播所需的MACs（乘加运算）降低至原来的1/3。
更重要的是，这种效率提升不是以牺牲性能为代价。在混合了研究基准和合作伙伴任务的多项评估中，v1.1的表现与v1持平。这意味着用户可以直接替换模型——通过更低的成本获得相同质量的结果。
灵活模型家族与可扩展性
Allen AI继续提供不同尺寸的模型家族（从参数规模较小的版本到大型旗舰），让用户可根据自身计算预算灵活选择。而v1.1的新token化策略对所有尺寸模型都有效，进一步扩大了选择的范围。对于运行在OlmoEarth平台上的合作伙伴，效率提升意味着平台可以支持更多并发项目；对于自托管用户，则意味着更快的推理速度和更低的硬件要求。
行业影响/专业点评
OlmoEarth v1.1的发布对地球观测领域具有深远意义。首先，它证明了在Transformer时代，模型效率优化仍有巨大空间。许多团队倾向于通过堆叠参数或引入新架构来提升效果，但OlmoEarth表明，仔细审视数据表示方式可以带来“免费的午餐”——以1/3的计算成本获得相同质量。
其次，这一工作直接服务于AI4Good的使命。卫星遥感数据分析是联合国可持续发展目标（SDGs）的关键支撑，包括灾害监测、农业规划、环境保护等。成本和门槛的降低将使更多非营利组织、研究机构和地方政府能够部署先进的AI模型。Allen AI在博文中特意提到“brings us closer to our mission”，这不仅是技术公告，更是一种价值观声明。
最后，对于AI社区而言，OlmoEarth v1.1提供了一个有益的范式：当模型架构趋于成熟时，数据工程与token设计可能成为新的效率前沿。这一思路可迁移到其他领域，例如视频理解、3D点云处理等，为大规模高效AI探索提供了启发。
