OlmoEarth v1.1: Allen AI تطلق نماذج الأقمار الصناعية برسوم أقل بثلاث مرات

قدّمت Allen AI إصدار OlmoEarth v1.1 — عائلة محدّثة من نماذج المحول (Transformer) لتحليل صور الأقمار الصناعية Sentinel-2. النتيجة الرئيسية: انخفضت تكاليف الحوسبة بمقدار ثلاث مرات، مع الحفاظ الكامل على جودة الأداء مقارنة بالإصدار السابق.

كيف تحسّنت الكفاءة

أطلقت Allen AI OlmoEarth v1 في نوفمبر 2025، فجذبت فوراً انتباه الباحثين والمطورين. كانت النموذج تعمل بشكل جيد: تصنيف دقيق لصور الغابات، وتحديد موثوق لأنواع المحاصيل، وتتبع فعّال لغابات المنغروف. غير أنه كان هناك اختناق واضح — كانت تكاليف الحوسبة للاستدلال تشكل حاجزاً أمام النشر في الدول ذات الميزانيات المحدودة.

يأتي إصدار OlmoEarth v1.1 بثلاث أحجام مختلفة: Base و Tiny و Nano. تمكّنت Allen AI من الحفاظ على مستوى الأداء مع تحقيق تقليل كبير في تكاليف الحوسبة. هذا سيجعل النموذج أكثر سهولة في الوصول للشركات والمجموعات البحثية التي تسعى لتحديث خرائط الأقمار الصناعية بشكل متكرر.

الحل التقني: إعادة صياغة التوكنة

يكمن مفتاح الكفاءة في كيفية ترميز بيانات الأقمار الصناعية إلى رموز (tokens) للمحول. في OlmoEarth v1 الأصلية، كان يتم ترميز كل دقة من الأقمار الصناعية (كان هناك ثلاث: 10م و20م و60م) بشكل منفصل. بيانات Sentinel-2 لها الشكل [H, W, T, D=12]، حيث يمثل H و W الأبعاد المكانية، وT عدد الخطوات الزمنية، و D عدد النطاقات الطيفية. لكل رقعة صورة وكل لحظة زمنية، كانت هناك 3 رموز منفصلة.

أعادت Allen AI صياغة الأسلوب بشكل جذري: تندمج الآن جميع الدقات في رمز واحد لكل رقعة لكل لحظة زمنية. قلّل هذا فوراً حجم الرموز بمقدار ثلاث مرات. وهذا حاسم بالنسبة للمحولات، لأن تكاليف الحوسبة الخاصة بها تنمو تربيعياً مع طول التسلسل — نصف الرموز يعني ربع استهلاك الذاكرة والوقت.

غير أن هناك كان خطر: عندما حاولت الفريق في البداية دمج الرموز ببساطة، انخفضت الجودة بمقدار 10 نقاط مئوية على اختبار m-eurosat (التعرف على أنواع الأراضي). إذ أن الدمج الخام للنطاقات الطيفية المختلفة أفسد الروابط ذات الصلة في البيانات.

حلّت Allen AI المشكلة بإعادة صياغة منهجية التدريب المسبق. تتعلم النموذج الآن على رمز واحد، لكنها تحافظ على فهم الروابط بين النطاقات الطيفية المختلفة رغم دمجها معاً.

ما تحقق عملياً

يعمل الاستدلال على OlmoEarth v1.1 بتكلفة أقل بنسبة 70% وأسرع من الإصدار الأصلي. بالنسبة للمطورين، هذا يعني: دفع أقل لموفري الحوسبة السحابية مقابل GPU، وتحديث الخرائط بسرعة أكبر، وتجريب أرخص للمجموعات البيانية الجديدة.

بالنسبة للباحثين، فالنسخة الجديدة قيّمة لأسباب مختلفة. إنها تجربة محكومة: يتغير شيء واحد فقط — تصميم الرموز، بينما كل شيء آخر (المجموعات البيانية، نهج التدريب، بنية النوى) يبقى دون تغيير. تساعد هذه التجارب على فهم أي المكونات تكون حاسمة فعلاً:

• جوانب بنية المحول التي تؤثر على النتائج
• كيفية تأثير جودة المجموعة البيانية للتدريب المسبق
• أي طرق التدريب المسبق الأكثر فعالية
• كيفية الموازنة بين حجم النموذج والجودة

ما يأتي بعده

تم نشر النماذج بالفعل في مشاريع حقيقية في جميع أنحاء العالم. تستخدم الشركات الشريكة OlmoEarth لتتبع تدهور الغابات في المناطق الاستوائية، ومراقبة التغيّرات في غابات المنغروف، وتحديد أنواع المحاصيل الزراعية. كل واحد من هذه التطبيقات حاسم للحفاظ على الموارد الطبيعية والتخطيط لاستخدام الأراضي.

لم تنشر Allen AI النماذج فقط، بل أطلقت أيضاً الكود المستخدم في تدريب النموذج. هذا يسمح للباحثين بتكرار النتائج، والحصول على فهم كامل لتفاصيل منهجية التدريب المسبق، وتطوير متغيرات بنيتهم الخاصة بناءً على الأسلوب المنشور. تتوفر النماذج بثلاث أحجام (Base و Tiny و Nano)، مما يسمح باختيار أفضل توازن بين الجودة والسرعة لكل مهمة محددة.

ما معنى هذا

ينتقل AI الأقمار الصناعية من مجال بحثي متخصص إلى أداة للاستخدام على نطاق واسع. أرخص = أكثر إمكانية للوصول = نشر أسرع. بالنسبة للشركات التي تبني خدمات على أساس بيانات الأقمار الصناعية، يفتح هذا فئة سعرية جديدة: يمكن معالجة ملايين الصور بكفاءة أكبر وتحديث الخرائط العالمية بتكرار أعلى.

بالنسبة للدول ذات الاقتصادات الناشئة، حيث المراقبة البيئية ضرورية لكن الميزانيات محدودة، قد يكون هذا التطور العامل الحاسم.