詳しい解説 · 読了目安 8 分
Ai2、OlmoEarth v1.3の年間埋め込みとブラウザ探索ツールを公開
OlmoEarth v1.3は10メートルの衛星画像特徴を128次元または64次元で再利用可能にする。過去年の網羅性は一様でなく、用途制限付きのライセンスも確認が必要だ。
- 当サイトの公開日
- 原典の公開日
- 出典確認日
Ai2は10月22日の発表で、OlmoEarth v1.3 Base、事前計算した年間衛星埋め込み、Embeddings Explorerを紹介した。地球観測画像を役立つ地図へ変える作業を減らす狙いだが、収録範囲、評価結果、許される用途は分けて読む必要がある。
ニュースを聴く
この記事を読み上げるか、ニュースを続けて聴けます。
読み上げを準備中…
端末の音声
読み上げはブラウザーまたは端末が処理します。AISubHub は文章を音声 API に送りません。利用できる音声やロック画面での再生は端末によって異なります。
再開時に短い部分を繰り返す場合があります。
要点
- Ai2によると、128次元の埋め込みは27評価のうち20、軽量な64次元版は18で首位となった。これは開発元の結果であり、AISubHubの実測ではない。
- 公開時点で2023〜2025年の年間データは全球規模をカバーし、2017〜2022年は選定された国のみを対象とする。表現するのは陸地と隣接する沿岸水域で、あらゆる表面のリアルタイム地図ではない。
- 約2,720米ドルという見積もりは最終の事前学習1回分だけである。全球の年間埋め込み層の生成は別の、はるかに大きな仕事であり、素材のライセンスには特定用途の制限がある。
モデルを繰り返し実行する代わりに特徴を再利用
OlmoEarthはリモートセンシング用モデルであり、会話型の大規模言語モデルではない。Ai2の公開物はBaseモデル、事前計算アーカイブ、ブラウザインターフェースを組み合わせる。年間入力にはSentinel-1のレーダー、Sentinel-2とLandsatのマルチスペクトル画像が含まれる。モデルは10メートルの出力画素ごとに128個の数値からなるベクトルを生成し、先頭64次元だけでも小型の表現として使える。
従来の典型的なStudioの作業では、特定タスク向けにモデルを微調整してから衛星画像を処理していた。共有埋め込みは特徴抽出の多くを前段で済ませ、既存ベクトルの上で小さな分類器を学習できるようにする。手元で試す入口の負担は下げられるが、作物分類や変化評価にするには、ベクトルにラベルや分析手法を組み合わせる必要が残る。
1年分の観測を小さなベクトルへ圧縮する仕組み
技術報告は、時刻やセンサーをまたぐ観測の統合、推論費用の制御、出力の小型化という3つの問題を分けている。Vision Transformerがトークンを生成し、Attention Poolerが学習した位置クエリで場所ごとの観測を集約する。蒸留した線形射影が768次元の位置表現を128次元へ減らす。学習では先頭64次元も有用な入れ子状の接頭部分として扱う。
出力解像度はエンコーダーのパッチサイズから切り離される。配備構成では20メートルのパッチを符号化しつつ10メートル間隔で埋め込みを出せるため、元画像がさらに高精細になったと主張せずに計算を減らせる。モデルカードはViT主幹を1億2,800万パラメーター、Perceiverを1,430万、学生射影を10万と記載する。主幹の数だけを処理系全体の規模とみなすことはできない。
ベンチマークの主張は評価手順とともに読む
Ai2の発表では、AlphaEarth FoundationsとTessera v2に対し、128次元版が27評価中20、64次元版が18で最高得点とされる。評価は6大陸を対象とし、熱帯の作物を扱うPLANTEURベンチマークも紹介されている。この分母は発表で使われた評価集合であり、27個の異なるデータセットすべてが同じ結果を出したという意味ではない。
報告は分類器の選択、タスク部分集合、地理的汎化を検討している。テストには年間埋め込みと実配備の量子化方式を使う。またAttention Poolerの追加で性能が下がる例、特に一部の単時刻・単モダリティのタスクも記録している。当サイトは再利用可能な有望な特徴だと読むが、一つの構成がすべての地図作成タスクに勝ち、現地での検証なしに移せるという証拠とはみなさない。
収録年と色の意味も解釈を左右する
公開時点で2023年、2024年、2025年の年間層は公表された収録範囲内で全球規模をカバーし、2017〜2022年は選定された国のみで、拡張は進行中だ。アーカイブは陸地と隣接する沿岸水域を対象とし、南極を含まない。Ai2によると、10メートル解像度の完全な全球参照年は約150 TBとなる。報告は出自記録によって出力ウィンドウを入力画像や公開画像カタログへ結び付ける方法も説明する。
Ai2はExplorerについて、アカウントやGPU設定なしに年の切り替え、元のSentinel-2画像との比較、類似地点の検索、ラベル付き点からの小型分類器学習、GeoTIFF書き出しが可能だと説明する。これらは当サイトでは独自に試していない。疑似カラー表示は埋め込みの変動の一部を見せるもので、事実が確定した完成地図ではない。年の間の大きな差は表現の変化を示すが、それだけで採掘、植生回復、変化原因は特定できない。年間集約はリアルタイム警報も提供しない。
小さな学習見積もりと全球の総費用は別
発表は、H100を8基備えたレンタルノード上でのv1.3 Baseの最終事前学習1回を約2,720米ドルと見積もる。図は539 GPU時間と2026年10月のアイオワ州のクラウドノード料金を使い、実験、データ準備、保存、エンジニアリングを除外する。Ai2によると学習時間はv1.2の53%、v1の18%、推定排出量はそれぞれ50%と22%だ。これらは以前の総量に対する残りの割合であり、そのまま削減率ではない。
報告は別の費用も示す。全球の年間埋め込み層の生成には約14,000 H100時間を要し、最終事前学習の約26倍という見積もりになる。実際の推論にはH100とA100を混用する。AISubHubの分析では、事前計算は大きな費用を下流の利用者で分担する仕組みであり、消すものではない。示された学習見積もりは現在のクラウド商品でも、全球アーカイブの再現、保存、提供を含む完全な予算でもない。
公開アクセスにもライセンスと検証の境界がある
モデルと関連素材にはOlmoEarth Artifact Licenseが適用される。一定条件の下で使用、改変、配布、派生物の権利を認め、出典表示や下流配布での制限維持を求める。禁止用途には軍事・防衛、諜報目的の情報収集、人間の監視と警察活動、さらに採掘や森林伐採を含む石油、ガス、鉱物の採取を計画・促進する活動が含まれる。無制限の利用と説明したり、MITやApacheライセンスに置き換えたりしてはならない。
契約はデータセット内容に関する第三者の権利をすべて自動的に与えるわけでもなく、素材の正確さや特定目的への適合も保証しない。採用を検討するチームは、モデルのライセンス、入力素材の権利、地域と年間の収録範囲、判断に必要な精度を分けて確認する必要がある。今回の公開はその検討に使う部品を提供するもので、発表やデモだけで特定の出力地図の正しさが独立に証明されることはない。
注目する理由
AISubHubの分析：高コストな特徴抽出を共有アーカイブへ移せば、小さなチームも少ないローカル計算資源で地図作成の問いを試しやすくなる。有用な比較対象は学習費用だけでなく、網羅性、ラベル付け、データ移動、検証を含む作業全体だ。
制約と提供状況
AISubHubは発表、モデルカード、素材ライセンス、技術報告を読み、発表の図と短い埋め込みデモを確認した。モデルやデータセットのダウンロード、Explorerの操作、ベンチマーク再現、書き出しテスト、地上の正解情報との地図照合は行っていない。外部の事例報告やチュートリアルの本文も独自には確認していない。
出典と根拠
原典の公開日: · 出典確認日:
補足資料
出典確認日:
AI を活用した編集記事を、記載した一次情報で確認しています。企業の主張は出典を明示し、掲載は推奨を意味しません。