ИИ в науке о природе: от карт коралловых рифов до генома

В июле 2025 года Google DeepMind представил AlphaEarth Foundations — модель, которая объединяет спутниковые снимки, радарные данные и оптику в единое «встраивание» (embedding) для каждого участка суши размером 10 на 10 метров. По заявлению компании, годовые снимки всей планеты сжимаются в набор векторов, которые занимают в разы меньше места, чем исходные терабайты изображений, и при этом позволяют классифицировать типы земного покрова точнее прежних подходов. Это не единичный запуск, а часть более широкой волны: экология, климатология и биология всё чаще опираются на большие модели, обученные не на текстах, а на данных о самой природе.

Ниже — что именно вышло, чем эти инструменты отличаются друг от друга и где проходит граница между реальной пользой и маркетингом.

Что вообще происходит

Речь идёт о нескольких разных задачах, которые объединяют под общим ярлыком «ИИ для природы»:

• Картирование поверхности Земли — где лес, где вырубка, где вода, где город. Здесь работают спутниковые foundation-модели вроде AlphaEarth и семейства Prithvi от IBM и NASA.
• Моделирование биологических структур — предсказание формы белков (AlphaFold) и, шире, поведения молекул.
• Распознавание видов по фото, звуку и следам ДНК в воде и почве (eDNA).
• Климатические и погодные прогнозы — GraphCast, GenCast от DeepMind, Aurora от Microsoft.

Это разные модели с разными данными, и путать их не стоит: модель, предсказывающая форму белка, ничего не знает о вырубке амазонского леса, и наоборот.

AlphaEarth Foundations: что нового

Главная идея AlphaEarth — не выдавать готовую карту, а строить универсальное представление местности, поверх которого исследователь обучает уже свою узкую модель на небольшом количестве примеров. Вместо того чтобы размечать миллионы снимков вручную, вы берёте готовые эмбеддинги¹ и добавляете несколько сотен размеченных участков — этого хватает, чтобы отличить, скажем, определённый тип сельхозкультуры.

По данным DeepMind, модель обучалась на снимках за несколько лет и охватывает период примерно с 2017 года, обновляясь ежегодно. Эмбеддинги DeepMind выкладывает в открытый доступ через Google Earth Engine, что важно для университетов и природоохранных НКО без бюджета на собственную инфраструктуру.

Ценность спутниковой foundation-модели не в красивой карте, а в том, что маленькой команде с сотней размеченных примеров становится доступно то, на что раньше уходили месяцы ручной работы.

Где заканчиваются возможности

Разрешение 10 метров означает, что отдельное дерево вы не увидите — только массивы. Для учёта популяции редкого вида или контроля за конкретной делянкой этого мало. Кроме того, любая модель наследует пробелы данных: районы с постоянной облачностью или редкими съёмками покрыты хуже, и модель об этом честно не предупреждает — интерпретировать приходится самому исследователю.

Сравнение с ближайшими аналогами

Прямое сравнение по одной цифре тут некорректно: у моделей разные задачи и разные метрики. Для погодных прогнозов, например, DeepMind публиковала результаты, где GenCast обходил традиционный ансамблевый прогноз ECMWF на большинстве проверяемых переменных — но это сравнение погодных моделей, а не универсальный рейтинг «ИИ для природы».

Кому это пригодится и кому нет

Пригодится:

• Природоохранным НКО и лесным ведомствам: отслеживать вырубку, пожары, изменение береговой линии на больших территориях без покупки коммерческих снимков.
• Агроному и агрохолдингу: классифицировать посевы, оценивать состояние полей по годам, планировать по крупным массивам.
• Исследователям климата: погодные foundation-модели считают прогноз на обычной видеокарте за минуты вместо часов на суперкомпьютере.
• Биоинформатикам: AlphaFold и подобные модели экономят месяцы экспериментальной работы над структурой белка.

Скорее не пригодится:

• Тому, кому нужна съёмка отдельных объектов метрового или сантиметрового разрешения — здесь по-прежнему нужны дроны и коммерческие спутники.
• Полевому биологу, считающему конкретных особей: модель распознавания видов по фото помогает сортировать снимки с фотоловушек, но не заменяет проверку экспертом.
• Тому, кто ждёт от модели «истины»: спутниковая классификация — это вероятностная оценка, её нужно проверять на земле, особенно там, где данных мало.

Что тут спорно

Первое — воспроизводимость. Открытые эмбеддинги и веса — это хорошо, но обучающие данные и полный пайплайн раскрываются не всегда, и независимо перепроверить заявленные метрики удаётся не по каждой модели. Второе — риск ложной уверенности: красивая карта вырубки выглядит убедительно, но ошибка модели в регионе с плохим покрытием данными может привести к неверному управленческому решению. Третье — цена входа. Сами эмбеддинги бесплатны, но их обработка на больших территориях требует вычислений, а коммерческие тарифы облачных платформ меняются, поэтому реальную стоимость проекта считайте под свою задачу и сверяйте на актуальной странице провайдера.

¹ Эмбеддинг (embedding) — числовой вектор, в который модель «сжимает» объект (участок земли, слово, изображение) так, чтобы похожие объекты имели близкие векторы. Работать с таким представлением проще и быстрее, чем с исходными данными.