Google DeepMind AlphaEarth：每一個衛星像素，都能成為 AI 洞察的起點

在第 56 屆地球日（2026 年 4 月 22 日），Google 選擇以一套真正能重塑人類理解地球方式的 AI 系統作為獻禮。AlphaEarth Foundations 由 Google DeepMind 開發，本次同步更新至 2025 年衛星覆蓋數據，是一個以 PB 等級（Petabyte）多源地球觀測資料訓練而成的地理空間基礎模型（geospatial foundation model）。

這不是一場公關活動。地理空間 AI 正在經歷一場類似 2019 至 2022 年自然語言處理領域的基礎模型革命，而 AlphaEarth 是這場革命迄今最具代表性的成果。

AlphaEarth 究竟做了什麼？

傳統衛星影像分析的邏輯是：一個任務，一個模型。偵測森林濫伐要訓練一個模型、監控藻華（algae bloom）要訓練另一個模型，每個任務都需要大量人工標記的訓練資料，往往耗費數年。

AlphaEarth Foundations 徹底打破這個範式。類比大型語言模型學習文字的通用表徵，AlphaEarth 學習的是地球表面的通用表徵——Google 稱之為「衛星嵌入向量」（satellite embeddings）。

模型針對地球上每一塊 10×10 公尺的陸地和沿岸淺水區域，生成一個 64 維的向量，編碼該區域的光譜特性、時間變化和空間上下文。這些嵌入向量可以作為幾乎任何地理空間任務的起點，只需少量額外訓練資料即可微調。

換句話說：一家自來水公司不再需要從頭訓練藻華偵測模型，只要基於 AlphaEarth 的嵌入向量微調，用極少的標記數據就能達到可用的準確率。一個政府單位要監控非法開墾，可以複用同一套基礎；城市規劃部門要追蹤不透水面積擴張，也不需要重新建模。

Google 報告指出，AlphaEarth 在標準基準測試中比同類地理空間模型錯誤率低 24%——這個差距在實際業務中，往往是一套監控工具「可用」與「誤報太多無法使用」的分水嶺。

2025 年數據更新與地球日的選擇

地球日當天，Google Earth 宣布 AlphaEarth 衛星嵌入向量資料集已完成 2025 年覆蓋更新，現已透過 Earth Engine Data Catalog 和 Google Cloud Storage 公開提供，覆蓋全球陸地表面及沿岸淺水區域。

2025 年更新的意義遠超過定期刷新數據。它讓一個地理空間領域幾十年來追求的能力成為現實：全球尺度的變化偵測（change detection）。透過比對 2024 年與 2025 年的嵌入向量，分析師可以在不標記任何一張影像的情況下，找出地表變化的位置——新建道路、城鎮擴張、冰川萎縮、河道改道——由模型的學習表徵完成初步篩選。

對氣候監測而言，這是關鍵突破。追蹤全球植樹造林計畫的進度、監測永久凍土解凍範圍擴張、識別保護區內的非法開墾，過去都需要龐大的人工標記成本或昂貴的商業衛星分析合約。AlphaEarth 讓具備一定技術能力但資源有限的組織，也能以合理成本進行這些分析。

地理空間推理：讓 AI 成為地球分析師

除了 AlphaEarth Foundations，Google 也發布了「地理空間推理」（Geospatial Reasoning）框架——將 AlphaEarth 嵌入向量與 Gemini 的語言和推理能力整合，讓複雜的空間分析查詢可以用自然語言完成。

過去要分析「美國東南部哪些河流出現藻華」，需要一名 GIS 專家花幾個小時手動篩選衛星波段、設定閾值、輸出地圖。Geospatial Reasoning 讓用戶直接輸入這樣的查詢，系統自動選擇衛星層、套用 AlphaEarth 嵌入、在地圖上標示結果，並附上文字說明。

這個能力將透過 Google Cloud Platform 的 API 開放給開發者和企業，方便將地理空間推理整合進監控儀表板、環境合規系統和基礎設施規劃工具。

對台灣開發者而言，值得關注的是 AlphaEarth 的嵌入向量資料集已可在 Google Cloud Storage 直接取用，搭配台灣本地的農業、林業或災防數據進行微調，有潛力開發出高價值的在地化應用，例如山坡地崩塌風險監測、農業用地分類或颱風後損失評估。

已在生產環境部署的 50 多個合作夥伴

AlphaEarth 不是研究原型。過去一年，已有超過 50 個組織將它用於實際業務，2025 年數據更新進一步擴展了可用場景：

聯合國糧農組織（FAO） 使用 AlphaEarth 追蹤糧食不安全地區的農地轉換情況，強化糧食危機預警模型的準確度。

哈佛森林（Harvard Forest） 和 奧勒岡州立大學 將嵌入向量用於森林組成和生物量變化偵測，成果用於碳信用計量和政策制定。

MapBiomas（巴西土地分類聯盟）使用 AlphaEarth 加速亞馬遜、塞拉多（Cerrado）和大西洋森林的年度土地覆蓋分類，這些數據是巴西國家森林砍伐報告的基礎。

史丹佛大學 地理空間研究團隊整合 AlphaEarth 研究全球南方城市的熱島效應動態。

地球觀測組（Group on Earth Observations） 擁有 113 個成員國，已將 AlphaEarth 列為其全球地球觀測系統（GEOSS）數據基礎設施的核心工具。

同步更新的 Earth 平台新功能

除了 AlphaEarth 本身，Google 也為 Google Earth 平台宣布多項具體更新：

影像搜尋（Imagery Search）： 新的實驗性功能，讓用戶直接用自然語言描述視覺特徵搜尋衛星與航空影像，無需了解衛星波段組合或指數閾值。

全球等高線： 20 公尺和 40 公尺間距的等高線首次在全球範圍提供，讓各地的基地規劃、洪水風險評估和農業排水分析都能取得地形背景資料。

向量數據表格（Data Tables）： 允許用戶直接在 Google Earth 中以表格形式查看向量數據，簡化了過去必須匯出至 Excel 才能進行的數據分析流程。

為什麼這比地球日更重要

AlphaEarth 在地球日宣布，時機是刻意安排的，但它的意義遠超環境議題。Google 實質上建構了一個物理世界的通用表徵層——AI 系統可以用它來回答關於地理、基礎設施、生態系統和人類聚落的問題，以前所未有的規模和速度。

對 AI 研究社群而言，AlphaEarth 展示了基礎模型範式並不局限於文字、程式碼或一般影像。地球觀測數據——高維度、多時態、多光譜、本質上空間化——是機器學習中最複雜的模態之一。成功地將基礎模型技術應用於它，為海洋學、大氣科學和地下地質學的類似嘗試打開了大門。

對地理空間產業而言，AlphaEarth 是一個競爭格局的轉折點：建立在窄域特定任務模型上的商業衛星公司、GIS 軟體供應商和環境顧問機構，都需要重新評估自己的護城河。

而對那些默默從事森林監測、水質追蹤和土地使用製圖的機構而言，AlphaEarth 只是讓重要工作變得更快、更易取得的工具。在一個環境變化監測能力與需求之間差距以年計算的世界，這本身就意義重大。