Ai2 เปิดตัว OlmoEarth V1.3 พร้อมเวกเตอร์ฝังตัวจากดาวเทียมทั่วโลก ความละเอียด 10 เมตร

เมื่อวันที่ 22 ตุลาคม 2026 Allen Institute for AI เปิดตัว OlmoEarth v1.3 ซึ่งเป็นโมเดลเวกเตอร์ฝังตัวจากดาวเทียมแบบเปิด พร้อมเวกเตอร์ฝังตัวรายปีที่คำนวณไว้ล่วงหน้าสำหรับทั่วทั้งโลกด้วยความละเอียด 10 เมตร และ OlmoEarth Embeddings Explorer ที่ใช้งานผ่านเบราว์เซอร์ได้โดยไม่ต้องลงชื่อเข้าใช้

การเปิดตัวครั้งนี้ประกอบด้วยโมเดล OlmoEarth v1.3 Base, เวกเตอร์ฝังตัวทั่วโลกที่คำนวณไว้ล่วงหน้าในขนาด 128 และ 64 มิติ, Explorer และรายงานทางเทคนิค โดยทั้งหมดอยู่ภายใต้ OlmoEarth Artifact License เช่นเดียวกับที่ใช้กับ OlmoEarth v1 และ v1.2 ก่อนหน้านี้ การใช้งาน OlmoEarth ต้องปรับแต่งโมเดลด้วยข้อมูลเฉพาะผ่าน OlmoEarth Studio ซึ่งจำเป็นต้องเข้าถึง GPU และจัดเก็บภาพถ่ายในเครื่อง ส่วนโมเดลเวกเตอร์ฝังตัวจะบีบอัดข้อมูลดาวเทียมให้เป็นคุณลักษณะที่พร้อมใช้งานและนำกลับไปใช้กับงานต่าง ๆ ได้

ตามข้อมูลใน เอกสารข้อมูลโมเดล OlmoEarth-v1_3-Base เป็นโมเดลพื้นฐาน ViT-Base สำหรับการสำรวจระยะไกล มีพารามิเตอร์ 128 ล้านตัว และรองรับภาพหรือชุดข้อมูลภาพตามช่วงเวลาจาก Sentinel-1, Sentinel-2 และ Landsat นอกจากนี้ยังประกอบด้วย Perceiver ที่มีพารามิเตอร์ 14.3 ล้านตัว และโมเดลเชิงเส้นขนาดเล็กที่มีพารามิเตอร์ 0.1 ล้านตัว ซึ่งแปลงโทเคนขนาด 768 มิติให้เป็น 128 มิติ เอกสารระบุว่าโมเดลนี้ซึ่งรวมโมเดลขนาดเล็กดังกล่าวไว้ด้วย เป็นตัวสร้างเวกเตอร์ฝังตัวรายปีทั่วโลกของ OlmoEarth

โมเดลสร้างเวกเตอร์ฝังตัวได้อย่างไร

OlmoEarth v1.3 ประมวลผลข้อมูลเรดาร์ Sentinel-1 และชุดข้อมูลหลายช่วงเวลาจาก Sentinel-2 และ Landsat เป็นเวลาหนึ่งปี แล้วสร้างเวกเตอร์ขนาด 128 มิติสำหรับทุกพิกเซลบนโลกที่มีขนาด 10 เมตร โดย 64 มิติแรกยังใช้แยกเป็นเวกเตอร์ฝังตัวขนาดเล็กได้ด้วย วิชันทรานส์ฟอร์เมอร์จะอ่านข้อมูลดาวเทียม จากนั้น Attention Pooler จะรวมโทเคนผลลัพธ์ให้เป็นเวกเตอร์หนึ่งชุดต่อพื้นที่ดินแต่ละส่วน และชั้นเชิงเส้นจะลดเวกเตอร์นั้นให้เหลือ 128 ค่า รายงานทางเทคนิคอธิบายการกลั่นความรู้แบบ Matryoshka ซึ่งใช้โมเดลขนาดเล็กที่เป็นชั้นเชิงเส้นเพียงชั้นเดียว และฝึกร่วมกับโครงข่ายหลักในการส่งข้อมูลไปข้างหน้ารอบเดียว รายงานระบุว่าวิธีนี้ทำให้การกลั่นความรู้แทบไม่มีต้นทุนเพิ่มเติม

รายงานระบุว่า การประมวลผลด้วยวิชันทรานส์ฟอร์เมอร์และ Attention Pooler ที่ความละเอียดตัวเข้ารหัส 20 เมตร แต่ให้ผลลัพธ์ความละเอียด 10 เมตร มีต้นทุนต่ำกว่าการประมวลผลด้วยทรานส์ฟอร์เมอร์ที่ความละเอียด 10 เมตร 7.7 เท่า โดยใช้การคำนวณ 308 เทียบกับ 2,378 GMACs ต่อหน้าต่าง การฝึกใช้ข้อมูลและสูตรการฝึกเดียวกับ OlmoEarth v1.2 ได้แก่ ข้อมูลสังเกตการณ์จาก Sentinel-1, Sentinel-2 และ Landsat-8 โดยมีข้อมูลแผนที่เป็นเป้าหมาย เช่น WorldCover, WorldCereal, SRTM และ OpenStreetMap ใช้ตัวปรับเหมาะ AdamW ขนาดแบตช์ 512 และฝึก 667,200 ขั้น

ผลการทดสอบมาตรฐานและชุดข้อมูล PLANTEUR

Ai2 รายงานว่าได้ประเมินเวกเตอร์ฝังตัวของ v1.3 เทียบกับ AlphaEarth Foundations และ Tessera v2 ในการประเมิน 27 รายการ ครอบคลุม 6 ทวีป โดยเวกเตอร์ฝังตัวขนาด 128 มิติได้คะแนนสูงสุด 20 จาก 27 รายการ ส่วนรุ่น 64 มิติทำคะแนนนำใน 18 จาก 27 รายการ รายงานทางเทคนิคระบุว่าเวกเตอร์ฝังตัวขนาด 128 มิติทำผลงานเหนือกว่าทั้งสองรุ่นที่ใช้เปรียบเทียบในชุดข้อมูล AEF 7 จาก 8 ชุด (ยกเว้นเอธิโอเปีย ซึ่ง Tessera v2 ทำผลงานเหนือ OlmoEarth v1.3) และทำผลงานเหนือ Tessera v2 เล็กน้อยในชุดข้อมูลจำแนกชนิดพืช PASTIS โดยมีค่า mIoU 58.6 เทียบกับ 58.3

พร้อมกับการเปิดตัว Ai2 ได้แนะนำ PLANTEUR ซึ่งเป็นชุดทดสอบมาตรฐานสำหรับจำแนกชนิดพืชในการทำเกษตรเขตร้อน สร้างจากป้ายกำกับในดินแดนโพ้นทะเลของฝรั่งเศส ได้แก่ มาร์ตินีก เรอูนียง เฟรนช์เกียนา กวาเดอลูป และมายอต การทดสอบแบบเว้นเกาะหนึ่งแห่งออกไปจะวัดประสิทธิภาพบนเกาะแห่งหนึ่ง ขณะที่ฝึกตัวจำแนกประเภทด้วยข้อมูลจากเกาะอื่น ๆ และ Ai2 ระบุว่าเวกเตอร์ฝังตัวของ v1.3 สามารถใช้ได้ดีที่สุดกับพื้นที่ที่ตัวจำแนกประเภทไม่เคยพบมาก่อน รายงานระบุค่า mIoU 24.9 สำหรับเวกเตอร์ฝังตัวขนาด 128 มิติในการวัดแบบเว้นเกาะหนึ่งแห่งออกไป เทียบกับ 19.1 สำหรับ Tessera v2 และ 15.8 สำหรับ AlphaEarth Foundations

Ai2 ยังระบุด้วยว่า v1.3 เป็นโมเดลสำหรับปรับแต่งด้วยข้อมูลเฉพาะที่มีประสิทธิภาพสูง โดยทำผลงานได้เทียบเท่า v1.2 ทั้งกับป้ายกำกับจากงานวิจัยและจากพันธมิตร รายงานให้ v1.3 มีอันดับเฉลี่ยด้านการปรับแต่งด้วยข้อมูลเฉพาะที่ 4.34 เมื่อพิจารณาโมเดลและงานทั้งหมดที่ประเมิน ซึ่งเป็นรอง OlmoEarth v1.2 Base ที่ 4.02 และเหนือกว่า OlmoEarth v1 Base ที่ 4.74

ต้นทุนการฝึกและผลกระทบต่อสิ่งแวดล้อม

Ai2 ระบุว่า OlmoEarth v1.3 เป็นโมเดล OlmoEarth ที่มีต้นทุนการฝึกต่ำที่สุด โดยใช้เวลาประมวลผล 53% ของ v1.2 และ 18% ของ v1 รวมถึงปล่อยก๊าซคาร์บอน 50% และ 22% ตามลำดับ Ai2 ประเมินว่าการฝึก OlmoEarth v1.3 Base ล่วงหน้าให้ได้ผลเหมือนเดิมจะมีค่าใช้จ่ายราว 2,720 ดอลลาร์ สำหรับการเช่าเวลาใช้งาน H100 ในการรันครั้งสุดท้าย

ตารางผลกระทบต่อสิ่งแวดล้อมในรายงานระบุว่า การฝึก OlmoEarth v1.3 Base ล่วงหน้าใช้เวลา GPU H100 539 ชั่วโมง ใช้พลังงาน 161 kWh และปล่อยก๊าซ 0.07 tCO2eq เทียบกับ v1.2 Base ที่ใช้เวลา GPU 1,012 ชั่วโมงและปล่อยก๊าซ 0.14 tCO2eq และ v1 Base ที่ใช้เวลา GPU 2,989 ชั่วโมงและปล่อยก๊าซ 0.32 tCO2eq ส่วนการคำนวณเวกเตอร์ฝังตัวเองใช้ทรัพยากรมากกว่ามาก โดยรายงานประเมินว่าการสร้างเวกเตอร์ฝังตัวทั่วโลกสำหรับหนึ่งปีใช้เวลา H100 ประมาณ 14,000 ชั่วโมง หรือราว 26 เท่าของต้นทุนการฝึกโมเดลล่วงหน้า

คลังข้อมูลทั่วโลก, Explorer และการอนุญาตให้ใช้งาน

คลังข้อมูลเบื้องหลัง Explorer จัดเก็บเวกเตอร์ฝังตัวที่ความละเอียด 10 เมตร มีขนาดประมาณ 150 TB ต่อปี ครอบคลุมทั้งพื้นดินและน่านน้ำชายฝั่งที่อยู่ติดกัน เมื่อเปิดตัว ข้อมูลปี 2025, 2024 และ 2023 ครอบคลุมทั่วโลก ส่วนข้อมูลปี 2017 ถึง 2022 ครอบคลุมบางประเทศ และกำลังเพิ่มพื้นที่ครอบคลุม รายงานระบุว่าชุดข้อมูลทั้งหมดตั้งแต่ปี 2017 ถึง 2025 มีขนาดมากกว่า 1 เพตะไบต์อย่างมาก ครอบคลุมตั้งแต่ละติจูด 59.5 องศาใต้ถึง 83.6 องศาเหนือ โดยไม่รวมทวีปแอนตาร์กติกา และระบุว่าการอนุมานของ Searchlight ช่วยขจัดสิ่งแปลกปลอมจากการแบ่งภาพเป็นส่วน ๆ ในเวกเตอร์ฝังตัวที่เผยแพร่แล้ว

ชุดเอ็มเบดดิงโฮสต์อยู่บน Source Cooperative ในรูปแบบคลังข้อมูล Zarr ซึ่งอ่านได้โดยตรงจากที่เก็บข้อมูลแบบออบเจ็กต์ด้วยไคลเอนต์ Zarr ใดก็ได้ โดยไม่ต้องใช้คีย์ API หรือเซิร์ฟเวอร์ไทล์ ตารางข้อมูลแหล่งที่มาแบบเปิดที่เผยแพร่ในรูปแบบ GeoParquet ระบุภาพจาก Sentinel-1, Sentinel-2 และ Landsat ที่ใช้สร้างไทล์ขนาด 20 กิโลเมตรในแต่ละปี ส่วนข้อมูลปี 2025 ในรายงานระบุว่ามีหน้าต่างข้อมูลประมาณ 450,000 รายการ ระเบียนโมเสก 21 ล้านรายการ และภาพถ่าย 730,000 ภาพ

Explorer แสดงชุดเอ็มเบดดิงเป็นแผนที่โลกแบบสีเทียม ผู้ใช้สามารถสลับดูข้อมูลระหว่างปี เรียกดูภาพ Sentinel-2 ต้นฉบับ คลิกตำแหน่งเพื่อค้นหาพื้นที่ที่คล้ายกัน ฝึกตัวจำแนกขนาดเล็กจากจุดข้อมูลที่ติดป้ายกำกับไว้เพียงไม่กี่จุด และส่งออกผลลัพธ์เป็นไฟล์ GeoTIFF ได้โดยไม่ต้องมีบัญชี ประกาศของ Ai2 ยกตัวอย่างแนวทางนี้ด้วยกรณีการทำเหมืองทองคำผิดกฎหมายในภูมิภาค Madre de Dios ของเปรู โดยระบุว่าเหมืองแถบ La Pampa ขยายตัวถึงจุดสูงสุดในปี 2017 และ 2018 และปฏิบัติการ Operation Mercurio ของเปรูได้ยุติกิจกรรมส่วนใหญ่ในเดือนกุมภาพันธ์ 2019 อีกทั้งการเปรียบเทียบเอ็มเบดดิงระหว่างช่วงปี 2017–2020 กับ 2020–2025 ยังแสดงให้เห็นการขยายตัวในช่วงแรกและการเปลี่ยนแปลงที่ดำเนินต่อเนื่องในเขตเหมืองเก่า ประกาศยังระบุเพิ่มเติมว่าเปรูส่งหน่วยลาดตระเวนทางเรือกลับเข้าไปในเขตอนุรักษ์เมื่อเดือนสิงหาคม 2026 หลังอัยการพบว่าการทำเหมืองได้รุกล้ำเข้าไปในเขต Tambopata ด้วย

สำหรับงานที่ต้องใช้ช่วงเวลาเฉพาะ OlmoEarth Studio จะประมวลผลวันที่ โมดัลลิตี และความละเอียดที่ผู้ใช้เลือกด้วยโมเดลเดียวกัน และมีบทแนะนำสาธิตวิธีสร้างเอ็มเบดดิงบนทรัพยากรประมวลผลของผู้ใช้เอง รายงานทางเทคนิคระบุว่า OlmoEarth Artifact License จำกัดการใช้งานในงานด้านการทหาร งานที่เกี่ยวข้องกับการป้องกันประเทศ และการประยุกต์ใช้ในอุตสาหกรรมสกัดทรัพยากร ส่วนการ์ดข้อมูลโมเดลระบุเพิ่มเติมว่า โมเดลนี้มีวัตถุประสงค์ให้ใช้งานตาม Responsible Use Guidelines ของ Ai2