2023年8月，NASA联合IBM在HuggingFace开源了遥感AI模型Prithvi，一举打破行业固有认知。这款模型的训练基底，是全球完全免费公开的Landsat、Sentinel卫星影像，无任何数据权限壁垒，任何国家、企业、个人都可自由下载使用。
但就是这套人人可得的公开数据，被AI彻底盘活价值。在洪水检测任务中，Prithvi将传统人工数周级别的处理周期，压缩至短短数小时。NASA耗费40年时间、投入数十亿美元搭建的遥感数据基础设施，最终仅靠一个开源AI模型，就在数月内完成了海量数据价值的二次释放与普惠落地。
这也揭开了遥感AI革命最反直觉、最核心的真相：这场技术变革的核心燃料，是全球最公开、最普惠的遥感数据；而能否将公共数据转化为核心价值的AI工程能力，已然成为当下遥感行业最大的竞争壁垒。数据不再稀缺，算力、模型、算法的提炼能力，才是新时代的胜负手。
2025年7月，Google DeepMind发布的AlphaEarth Foundations模型，更是将这套逻辑推向极致。官方首次提出“虚拟卫星”概念：无需实体卫星、不占用太空轨道资源，仅依靠AI算力与算法，就能完整复刻、模拟卫星的全域观测与解析能力。这早已超越“AI辅助识图”的传统范畴，本质是用人工智能，重新定义了卫星遥感的行业底层逻辑。
从NASA&IBM的Prithvi，到Google的AlphaEarth，从开源社区探索到商业巨头布局，遥感行业正在发生一场颠覆性变革。行业规则彻底改写：谁拥有卫星、谁掌控数据不再重要，谁拥有从海量公开数据中萃取价值、解读信息的能力，谁就能掌控行业话语权。这一逻辑，正在全面颠覆延续数十年的遥感商业体系。
一、Prithvi的颠覆性启示：NASA四十年积淀，开源模型一夜变现
Prithvi的出圈，始于NASA一次极具前瞻性的开放决策。2008年以前，Landsat卫星影像实行按景收费模式，单景影像收费高达数百美元，高昂的成本极大限制了遥感数据的落地应用。2008年，NASA全面开放Landsat所有影像数据，免费向全球公开。政策放开后，全球数据使用量从每年数万景，暴涨至数百万景，全面赋能全球农业、林业、城市规划、灾害监测等领域的科研与应用。
但数据免费，并未立刻带来行业普惠。在Prithvi问世前，海量公开遥感数据始终处于“可获取、难利用”的困境，核心痛点在于数据处理成本极高、效率极低。传统模式下，一名专业解译员完成单景Landsat影像的土地利用分类勾绘，需要耗时一周；一支专业团队完成一次区域性洪水风险评估，往往需要三个月时间。数据获取成本降至零点，但人力、技术、时间成本居高不下，海量公共数据的价值长期被闲置。
Prithvi彻底打破了传统成本曲线，重构了遥感数据的利用效率。该模型初始版本拥有13亿参数，2.0版本迭代为轻量化6亿参数高效架构，依托HLS统一融合的Landsat-Sentinel公开数据集完成预训练，在洪水检测任务中IoU交并比超90%，精度达到行业顶尖水平。更关键的是，它实现了全维度开源：模型权重、训练代码、微调教程全部公开，零门槛向全球开放。
这意味着行业门槛被彻底重构：哪怕是资源有限的非洲水利部门、小型区域研究机构，只要配备一名掌握Python基础的技术人员，就能依托免费数据与开源模型，搭建专属的高精度洪水监测系统。而这套能力，在五年前需要百万美元级别的预算、专业遥感团队才能实现。
Prithvi的深层价值，不在于单一任务的技术突破，而在于验证了全新的行业逻辑：遥感AI的能力上限，从不取决于数据的私有性与稀缺性，而取决于模型工程的打磨能力。全球所有人共享同等质量、同等规模的公开遥感数据，但能高效挖掘数据价值、落地实用功能的团队，寥寥无几。
正如一位遥感算法工程师的评价：“Prithvi最震撼我的不是它的技术指标，而是它用所有人都能下载的数据，做到了只有少数机构才能做到的事情。这就像所有人都拿到了同样的画布和颜料，但只有少数人能画出蒙娜丽莎。”
当然，Prithvi存在天然短板，也为行业留下了新的突破空间：其训练基底为30米分辨率的Landsat光学影像，仅能满足大范围、宏观场景监测，无法识别车辆、建筑细微形变等精细化场景，精细解译能力存在天然瓶颈。
二、AlphaEarth：谷歌“虚拟卫星”，重构行业话语权
如果说Prithvi证明了“公开数据能训练出顶尖遥感模型”，那么Google DeepMind推出的AlphaEarth Foundations，则证明了顶级算力与多模态算法，能彻底碾压传统遥感模式，实现降维打击。
作为2025年重磅落地的地理空间基础模型，AlphaEarth与Prithvi有着本质区别。它不再局限于单一光学影像识别，而是实现全模态融合推理，同步整合卫星光学影像、航拍图像、矢量地图、地理元数据等多维度信号。它的核心能力不再是“看图识物”，而是全方位、立体化地“理解地球”，读懂地表的动态变化、空间关联与演化规律。
在覆盖17个国家的实测验证中，AlphaEarth对人口分布、树冠覆盖、夜间灯光、海拔地貌等核心地理指标的预测R²评分均超0.85，精度稳居行业第一梯队。相较于技术指标，其产品化、商业化布局更具颠覆性。
谷歌并未将AlphaEarth局限于实验室科研项目，而是深度绑定面向数十亿用户的Google Earth AI生态，完成技术与场景的无缝落地。未来用户点击Google Earth任意点位，AI可自动输出区域动态变化数据：三年人口增减比例、植被覆盖率变化、建筑密度波动等关键信息。这些精准的洞察数据，无需依托任何官方统计渠道，完全由AI解析海量卫星影像自主推演生成。
这是一场悄无声息的地球理解权争夺战。谷歌没有研发、发射任何一颗遥感卫星，不占用太空轨道、不承担卫星运维成本，却凭借全球顶级的AI算力集群、研发团队与C端产品生态，掌握了遥感数据的最高价值出口。
“虚拟卫星”的杀伤力，对传统遥感运营商是结构性、颠覆性的打击。传统卫星企业耗费数年时间、数亿资金，搭建数十颗卫星的观测星座，最终只能向客户输出原始影像素材；而谷歌无需任何硬件投入，依托AI即可输出远超原始影像价值的精准洞察、趋势预测、动态分析。卖“图片”的传统模式，在卖“答案”的AI模式面前，毫无竞争力。
三、Clay：开源模型的理想与无解困境
在Prithvi的轻量化开源探索与AlphaEarth的闭源巨头生态之间，Clay Foundation Model成为行业重要的中间探索者。由Development Seed、NASA、微软联合打造的Clay模型，在技术路线上实现了进一步升级，突破单一光学数据局限，可融合SAR雷达数据、高程地形数据、气象时序数据，实现多模态遥感数据的统一解析。
Clay借鉴CLIP对比学习范式，让模型自主建立不同传感器、不同模态数据的关联逻辑，实现跨场景智能匹配：输入SAR雷达影像，可自动匹配对应光学影像地理位置；输入自然语言描述“高植被覆盖区域”，可精准定位影像中匹配场景，打通了遥感影像与语义理解的壁垒。
但这款开源模型，也暴露了整个开源遥感赛道的终极困境：在顶级AI资源竞争中，开源模型永远难以追上闭源巨头的迭代速度与能力上限。这一剧本早已在NLP领域得到验证，GPT、Claude等闭源大模型的能力，始终碾压所有开源模型；而如今，同样的差距正在遥感AI领域快速复刻。
若AlphaEarth最终走向闭源付费模式，全球开源遥感模型将陷入“永远差一步”的被动局面。这直接关乎遥感AI的全球访问公平性：发展中国家灾害应急部门、中小型农业保险机构、基层科研团队，无力承担谷歌高端付费API服务，最终会形成“巨头垄断高端遥感智能服务，全球中小主体只能使用次一级开源能力”的行业分层格局。
四、隐形赛道：SAR+AI，被低估的行业暗线
当前主流遥感AI模型，大多依托光学影像训练，优势在于晴天高清成像、视觉直观易懂，但存在致命短板——云层遮挡、阴雨天气完全失效，无法实现全天候监测。而合成孔径雷达（SAR）可穿透云层、实现昼夜不间断成像，是遥感领域的核心补充。但传统SAR影像解译门槛极高，需要深厚的物理遥感专业功底，长期难以普及。
AI的介入，彻底激活了SAR技术的商业价值，这也是本轮遥感AI革命中最被低估的核心暗线。光学遥感AI是“优化已有成熟能力”，而SAR+AI是“将专业壁垒极高的小众技术，转化为普惠可用的智能产品”，商业潜力与落地价值更为广阔。
芬兰ICEYE、美国Capella Space是全球商业SAR+AI赛道的标杆企业。ICEYE依托AI算法解析SAR影像相位差，实现毫米级地表形变检测，可精准识别建筑物10毫米级微小位移，广泛应用于城市沉降监测、矿区塌陷预警、大坝安全防控等高危场景。在AI赋能前，这类高精度监测需要搭建昂贵的地面GPS监测网络、依托人工复杂解译，如今仅靠SAR卫星+AI即可全自动完成。
Capella Space则将深度学习深度嵌入SAR数据处理全管线，在高分辨率SAR影像上，自动完成船舶识别、吨位估算、航向判断，不受天气、昼夜环境限制，完美适配海上缉私、渔业监管、港口运维等场景，相比光学遥感具备不可替代的优势。
不过SAR+AI赛道存在天然瓶颈——标注数据稀缺。光学影像门槛低，普通人即可完成标注分类；而SAR影像存在特殊噪声与几何畸变，标注难度大、成本高，导致行业SAR标注数据规模仅为光学数据的十分之一。目前ICEYE、Capella的主流解决方案是：仿真数据大规模预训练+少量真实数据微调，用技术折中方式突破数据瓶颈，虽可行但仍存在精度上限。
五、传统遥感巨头的夹心困境：沦为AI的“数据管道”？
当AI重构遥感价值逻辑，真正拥有实体卫星、掌控硬件资源的传统遥感企业，陷入了前所未有的尴尬困境。Planet Labs、Maxar、Satellogic等行业老牌巨头，曾是遥感行业的绝对王者：Planet手握全球最大的商业遥感星座，拥有约200颗Dove卫星，可实现全球每日全覆盖；Maxar拥有30厘米级超高分辨率商业卫星，硬件优势无可替代。
但在AI时代，它们的核心优势正在快速消解，陷入上下挤压的夹心困境。
一方面，数据红利彻底消退。Landsat、Sentinel公开数据覆盖10-30米中低分辨率场景，基本满足通用监测需求；商业亚米级遥感数据价格持续下行，数据商品化趋势不可逆，传统卫星企业的核心数据护城河持续弱化。
另一方面，AI能力存在代差。传统卫星企业深耕硬件、数据采集领域多年，但在AI模型、算力、算法迭代上，完全无法与谷歌、微软、IBM等科技巨头抗衡。Maxar打造的GBDX数据AI平台，相较于微软整合80PB遥感数据的智能平台，无明显技术优势；Planet收购AI企业补强技术，但在AlphaEarth的算力与算法体量面前，仍属于小规模布局。
行业格局已然清晰：上游科技巨头凭借AI能力抢占价值高地，下游客户需求从“采购卫星图片”全面升级为“获取智能分析答案”。传统卫星运营商若无法快速完成AI能力跃迁，最终只会沦为AI巨头的低成本数据管道，困在利润最薄、价值最低的硬件采集环节，丧失行业话语权。
正如行业从业者的精准预判：“卫星运营商的终极恐惧，从来不是同行竞争，而是未来客户不再需要采购卫星影像，谷歌AI就能给出全部答案。”
六、未来新变量：AI上天，在轨推理重构遥感效率逻辑
当前所有遥感AI应用，均遵循“卫星拍照-数据下传-地面AI处理”的固定流程。而ESA欧洲空间局推出的Φsat-2卫星，开启了全新的“星上AI”时代，彻底重构遥感数据处理的效率逻辑。
2024年发射的Φsat-2，搭载Intel星上AI加速芯片，在500公里高空直接运行深度学习模型，实现在轨实时处理：自动云检测、筛选有效影像、船舶智能识别、图像超分重建，仅向下传输高价值有效数据。经ESA实测，星上AI处理可将卫星下传数据量压缩70%以上。
这解决了巨型遥感星座的核心痛点——地面带宽瓶颈。卫星数量可无限增加，但地面通信站资源有限，海量原始数据无差别下传，极易造成带宽拥堵、资源浪费。在轨AI实现了“天上筛选、地上精析”，只传输有效信息，成为遥感行业最被低估的效率杠杆。
但星上AI也存在天然争议与风险。核心矛盾在于：在轨处理是一次性决策，卫星升空后，AI的筛选标准、识别逻辑已固定。若AI在轨误判，丢弃了看似无效、实则具备潜在价值的影像数据，这类损失不可逆、无法补救。而传统地面处理模式虽效率偏低，但完整保留原始数据，可支撑反复迭代分析。
行业争议尚无标准答案，但趋势已然确定：随着星上算力提升、模型轻量化技术成熟，未来在轨AI处理的占比将持续攀升。数年之后，无星上AI能力、全量下传原始数据的卫星，将被视为浪费带宽、效率落后的过时设计。
结语：遥感AI时代，算力与算法定义话语权
回望本轮遥感AI革命，最终的价值分配逻辑已然清晰。NASA是公共数据的提供者，却无法捕获数据二次释放的商业价值；传统卫星运营商手握硬件资源，却被困在数据商品化的低利润赛道；开源社区怀揣普惠理想，却受限于算力资源，难以追赶闭源巨头。
本轮变革的最大赢家，是以谷歌为代表的AI巨头。无需发射卫星、无需运维硬件，仅凭顶级算力、先进算法与用户产品生态，就掌控了遥感行业的最高价值环节。AlphaEarth+Google Earth AI的组合，印证了新时代的终极规则：遥感AI时代，拥有卫星硬件，远不如拥有看懂卫星数据的能力。
数据已然公开、红利普惠众生，但提炼价值的能力，成为新的垄断壁垒。
这场轰轰烈烈的遥感AI革命，究竟是多大的商业赛道？谁在真正盈利、谁在持续烧钱？谷歌“虚拟卫星”能否实现商业化落地？传统卫星巨头的AI转型能否破局？下一篇，我们将用真实行业数据，拆解遥感AI的完整经济账单。