OlmoEarth v1.1: Allen AI تطلق نماذج أقمار صناعية أرخص بثلاث مرات

قدّمت Allen AI نموذج OlmoEarth v1.1، وهو عائلة محدّثة من نماذج المحوّلات (Transformer) المخصصة لتحليل صور القمر الصناعي Sentinel-2. والنتيجة الأبرز أن تكاليف الحوسبة انخفضت 3 مرات، فيما بقيت جودة العمل على مستوى النسخة السابقة.

كيف تطورت الكفاءة

صدرت النسخة OlmoEarth v1 في نوفمبر 2025 وجذبت اهتمام الباحثين والمطورين فور إطلاقها. وقدّم النموذج أداءً جيدًا، إذ صنّف صور الغابات بدقة، وحدّد أنواع المحاصيل بموثوقية، وتتبّع غابات المانغروف. غير أن تكلفة الحوسبة اللازمة للاستدلال (inference) شكّلت عائقًا ملحوظًا أمام النشر في الدول ذات الميزانيات المحدودة.

يتوفر OlmoEarth v1.1 بثلاثة أحجام: Base وTiny وNano. ونجحت Allen AI في الحفاظ على الأداء مع خفض كبير في تكاليف الحوسبة. وسيجعل ذلك النموذج أكثر إتاحة للشركات والفرق البحثية التي ترغب في تحديث خرائط الكوكب الفضائية بوتيرة متكررة.

الحل التقني: إعادة تصميم التحويل إلى رموز

يكمن مفتاح الكفاءة في طريقة ترميز بيانات الأقمار الصناعية إلى رموز (توكنات) يتعامل معها المحوّل. ففي النسخة الأصلية OlmoEarth v1 كانت كل دقة مكانية للقمر الصناعي تُرمَّز بشكل منفصل، وهي ثلاث دقات: 10م و20م و60م. وتبلغ أبعاد بيانات Sentinel-2 [H, W, T, D=12]، حيث H وW هما البعدان المكانيان، وT عدد الخطوات الزمنية، وD عدد النطاقات الطيفية. وكان ذلك ينتج 3 رموز منفصلة لكل رقعة (patch) من الصورة ولكل لحظة زمنية.

أعادت Allen AI تصميم النهج جذريًا، فصارت جميع الدقات تُدمج الآن في رمز واحد لكل رقعة ولكل لحظة زمنية. وقد قلّص ذلك عدد الرموز 3 مرات فورًا. وهذا أمر حاسم للمحوّلات، لأن تكاليفها الحسابية تنمو تربيعيًا مع طول التسلسل؛ فنصف عدد الرموز يعني ربع الذاكرة والوقت.

لكن المخاطرة كانت قائمة. فحين دمج الفريق الرموز دمجًا مباشرًا لأول مرة، تراجعت الجودة 10 نقاط مئوية في اختبار m-eurosat (تمييز أنواع الأراضي). فالدمج الخام للنطاقات الطيفية المختلفة أفسد الروابط ذات الصلة في البيانات.

وحلّت Allen AI المشكلة بإعادة تصميم منهجية التدريب المسبق. فالنموذج يتعلم الآن على رمز واحد، لكنه يحتفظ بفهم الروابط بين النطاقات الطيفية المختلفة رغم دمجها.

النتائج عمليًا

يعمل الاستدلال على OlmoEarth v1.1 بتكلفة أقل بنسبة 70% وبسرعة أعلى مقارنة بالنسخة الأصلية. وهذا يعني للمطورين دفع مبالغ أقل لمزودي الخدمات السحابية مقابل وحدات GPU، وتحديث الخرائط بسرعة أكبر، وخفض كلفة التجريب على مجموعات بيانات جديدة.

أما بالنسبة للباحثين، فتكمن قيمة النسخة الجديدة في جانب آخر. فهي تجربة مضبوطة: يتغير عنصر واحد فقط هو تصميم الرموز، بينما يبقى كل شيء آخر دون تغيير، من مجموعات البيانات ونهج التدريب إلى معمارية النواة. وتساعد مثل هذه التجارب على فهم المكونات الحاسمة فعلًا:

• أي جوانب معمارية المحوّل تؤثر في النتيجة
• كيف تؤثر جودة مجموعة بيانات التدريب المسبق
• أي أساليب التدريب المسبق هي الأكثر فاعلية
• كيف يمكن الموازنة بين حجم النموذج وجودته

ما التالي

تعمل النماذج بالفعل في مشاريع حقيقية حول العالم. فالشركات الشريكة تستخدم OlmoEarth لتتبّع تدهور الغابات في المناطق المدارية، ومراقبة التغيرات في غابات المانغروف، وتحديد أنواع المحاصيل الزراعية. وكل تطبيق من هذه التطبيقات بالغ الأهمية لحماية البيئة وتخطيط استخدام الأراضي.

ولم تتح Allen AI النماذج وحدها للاستخدام المفتوح، بل أتاحت أيضًا شيفرة تدريب النموذج. وهذا يمكّن الباحثين من إعادة إنتاج النتائج، وفهم تفاصيل منهجية التدريب المسبق فهمًا كاملًا، وتطوير صيغهم المعمارية الخاصة استنادًا إلى النهج المنشور. وتتوفر النماذج بثلاثة أحجام (Base وTiny وNano)، ما يتيح اختيار الموازنة الأمثل بين الجودة والسرعة لكل مهمة بعينها.

ماذا يعني ذلك

يخرج الذكاء الاصطناعي الفضائي من مجال البحث المتخصص الضيق إلى أداة واسعة الاستخدام. فالأرخص يعني الأكثر إتاحة، وبالتالي نشرًا أسرع. وبالنسبة للشركات التي تبني خدمات قائمة على بيانات الأقمار الصناعية، يفتح ذلك فئة سعرية جديدة: إذ يمكن معالجة ملايين الصور بكلفة أقل وتحديث الخرائط العالمية بوتيرة أعلى. وبالنسبة للدول ذات الاقتصادات النامية، حيث تبرز أهمية المراقبة البيئية بينما تبقى الميزانيات محدودة، قد يكون ذلك عاملًا حاسمًا.