Если вы следите за тем, что происходит в сфере Earth Observation (EO) и геопространственном секторе в целом, избежать модных словечек просто невозможно — фундаментальные модели, эмбеддинги, агенты, поиск на естественном языке, большие языковые модели и так далее. Многие из этих понятий стремительно переместились из исследовательских статей и лабораторных проектов в продуктовые анонсы и дорожные карты компаний.

Появление искусственного интеллекта в EO создало несколько странную ситуацию. Машинное обучение используется в EO уже давно, так что это не история о том, как ИИ внезапно появился и радикально разрушил сложившийся статус-кво. Новым здесь является масштаб амбиций.

ИИ фундаментально изменил мышление индустрии: люди отходят от идеи, что каждая новая задача в EO требует собственной уникальной модели, датасета и пайплайна, и движутся к миру, где универсальные модели, обученные на различных типах данных, наборах задач и географиях, могут быть повторно использованы и адаптированы под конкретные нужды.

Если эти модели заработают так, как обещают, они смогут сделать спутниковые снимки более удобными для поиска, анализа и превращения в разведывательную информацию, одновременно сократив большую часть специализированных усилий, необходимых для создания новых EO-продуктов. В зависимости от того, у кого спросить, выясняется, что вам, возможно, не понадобится диплом в области дистанционного зондирования или тратить десятки и сотни тысяч долларов, чтобы воспользоваться тем, что может предложить EO.

Как и с любой технологией, хайп, вероятно, местами опережает доказательства, а рынок всё ещё выясняет, где эти модели действительно полезны, а где существующие подходы могут оставаться лучше.

Что всё это означает для EO-рынка — это то, что меня интересует больше всего, поскольку ИИ может перерисовать карту того, где в индустрии создаётся ценность. Учитывая, что большинство современных моделей обучаются на открытых данных EO, защита от конкурентов (moat) может остаться за теми, кто владеет проприетарными данными, которые модели не могут получить из других источников, и за теми, кто владеет отношениями с конечными пользователями. Произойдёт ли это на самом деле и какой слой захватит ценность — это и есть предмет данной статьи.

Примечание: Весь этот глубокий разбор посвящён EO Foundation Models (EOFMs), построенным на спутниковых снимках и других данных дистанционного зондирования. Модели ИИ для прогноза погоды выходят за рамки этого материала — мы анализировали их в нашем последнем отчёте о состоянии рынка погодных данных.

Прежде чем перейти к анализу, стоит подробнее остановиться на паре концепций, которые мы будем использовать на протяжении всей статьи, а именно EO Foundation Models и EO Embeddings.

EO Foundation Model (EOFM) — это модель, предварительно обученная на больших объёмах спутниковых данных таким образом, чтобы она выучила общие закономерности, которые можно повторно использовать для разных задач. Это важный сдвиг по сравнению с традиционными подходами машинного обучения, где модель обычно строится вокруг одной конкретной проблемы, а иногда даже одной географии.

Знания, полученные в ходе обучения, могут быть применены к новой задаче разными способами. Некоторые задачи могут не требовать почти никакой адаптации (zero-shot), в то время как другие могут потребовать существенной донастройки и дополнительных обучающих данных (fine-tuning).

EOFMs также не являются однородной категорией:

EOFMs могут превращать спутниковые снимки в эмбеддинги — числовые представления, которые захватывают признаки и паттерны, выученные моделью из данных. Схожие признаки порождают схожие эмбеддинги (коды), что делает их полезными для поиска, сравнения и последующего анализа.

Это также означает, что сама модель не обязательно должна доходить до пользователя. Организация может один раз запустить EOFM на очень большом архиве и распространять полученные эмбеддинги вместо этого. Именно это Google выпустил в рамках своего громкого анонса AlphaEarth Foundations embeddings в прошлом году. Пользователь получает доступ к представлениям снимков, сгенерированным моделью, без необходимости запускать, хостить или даже иметь доступ к самой модели.

Что делает эмбеддинги интересными, так это то, что они создали новый потенциальный абстрактный слой в EO. Эмбеддинги являются продуктами в своем собственном праве, а не просто промежуточным результатом внутри пайплайна ИИ.

Это также создает важную зависимость: эмбеддинги не являются нейтральными представлениями Земли. То, что они содержат, зависит от модели, которая их создала, данных, на которых она обучалась, и паттернов, которые она была спроектирована сохранять. На практике это означает, что эмбеддинги, созданные двумя разными EOFMs, скорее всего, нельзя сравнивать или комбинировать, если только это не было предусмотрено дизайном.

Агенты — ещё одно модное слово, которое сейчас на слуху — находятся поверх всего этого. Они могут использовать EOFM или использовать существующие эмбеддинги, но они также могут работать с традиционными моделями, GIS-инструментами и каталогами снимков, и ни одному из перечисленных не нужен агент, чтобы быть полезным. Мы рассмотрим геопространственных агентов в отдельном глубоком разборе в ближайшие месяцы.

Как только EOFM и эмбеддинги становятся переиспользуемыми строительными блоками EO, они начинают менять экономику EO. Кто строит модели, к каким данным они имеют доступ, что коммерциализируется (и как), и в целом, куда смещаются ценность и конкурентные преимущества в EO — обо всём этом дальше. Остальная часть этой статьи рассматривает, как EOFMs изменят EO-рынок.

Статья организована в шесть основных разделов:

Чтобы понять, как EOFM вписываются в существующий технологический ландшафт, полезно представить их как часть стека, где каждый уровень выполняет свою функцию.

Уровень данных — самый нижний. Это спутниковые снимки и другие данные дистанционного зондирования: оптические, SAR, мультиспектральные, гиперспектральные, данные о высоте местности и т.д. На этом уровне происходит сбор, калибровка, атмосферная коррекция и геопривязка.

Уровень моделей — здесь расположены EOFM. Это предварительно обученные фундаментальные модели, которые принимают на вход данные нижнего уровня и выдают либо прямые результаты (классификация, детекция), либо эмбеддинги.

Уровень эмбеддингов — новый слой, который, по сути, является продуктом работы модели. Эмбеддинги могут распространяться как самостоятельный продукт без доступа к самой модели.

Уровень приложений — здесь находятся агенты, приложения для поиска, визуализации, анализа и принятия решений, которые используют либо эмбеддинги, либо напрямую модели.

Уровень пользователей — конечные пользователи: аналитики, исследователи, бизнес-пользователи, государственные структуры.

Этот стек показывает, что EOFM не существуют в вакууме. Они являются частью более крупной экосистемы, и их появление создаёт новые точки интеграции и новые бизнес-модели на каждом уровне.

Когда у вас есть фундаментальная модель, возникает вопрос: как на ней зарабатывать? Рынок уже начинает кристаллизовать три основных пути коммерциализации.

Самый прямолинейный путь. Вы предоставляете доступ к модели через API, клиенты загружают свои снимки или выбирают снимки из вашего каталога, модель их обрабатывает, и клиент получает результат.

Что здесь продаётся: доступ к вычислительной мощности и интеллекту модели, измеряемый в API-запросах, GPU-часах или обработанных квадратных километрах.

Кому это подходит: организациям, которые хотят сохранить контроль над своими данными (не отправлять их на сторону для создания эмбеддингов) и имеют достаточно частые или разнообразные задачи.

Примеры: IBM Watsonx for Geospatial, Microsoft Planetary Computer (отчасти), Picterra.

Вызовы: стоимость инференса — запуск больших моделей дорог; клиенты не любят привязку к одному поставщику.

Вы один раз прогоняете модель по своему архиву или по архиву спутниковых данных, получаете эмбеддинги и продаёте их как готовый продукт. Клиент получает компактное числовое представление снимков, которое можно использовать для поиска, сравнения и построения своих приложений без необходимости иметь доступ к модели.

Что здесь продаётся: предварительно вычисленные эмбеддинги, обычно в привязке к географической сетке (тайлы) и временным меткам.

Кому это подходит: разработчикам, которые хотят строить приложения поверх EO-данных, но не хотят тратить ресурсы на инфраструктуру для запуска моделей; стартапам, которые хотят быстро выйти на рынок.

Примеры: Google AlphaEarth Foundations, потенциально Planet Labs, Radiant Earth Foundation.

Вызовы: эмбеддинги статичны — если модель улучшилась, старые эмбеддинги не обновляются; привязка к вендору — эмбеддинги от разных моделей несовместимы.

Вы вообще не продаёте ни модель, ни эмбеддинги. Вы продаёте готовый ответ на бизнес-вопрос или готовое решение для конкретной отрасли. Модель и эмбеддинги остаются «двигателем» внутри вашего продукта, но клиент видит только результат.

Что здесь продаётся: инсайты, отчёты, дашборды, оповещения, интеграция в бизнес-процессы клиента.

Кому это подходит: компаниям, которым нужны конкретные решения, а не технология; отраслям с высокой ценностью данных (страхование, сельское хозяйство, оборона, нефтегаз).

Примеры: Asterra (утечки воды), Descartes Labs (сельское хозяйство), Orbital Insight (экономические индексы), специализированные решения в России для мониторинга трубопроводов, сельхозполей и строек.

Вызовы: трудно масштабировать — каждый кейс требует предметной экспертизы; вы берёте на себя ответственность за точность и качество результата.

Технология сама по себе не создаёт ценности. Ценность создаётся тем, что она позволяет делать. EOFM открывают несколько принципиально новых возможностей.

Одна из самых захватывающих возможностей — возможность искать на спутниковых снимках по текстовому описанию. Вместо того чтобы знать координаты или просматривать тысячи снимков, вы можете просто спросить: «покажи все логистические центры с большими парковками грузовиков в этом регионе». Модель понимает, что вы имеете в виду, и находит соответствующие объекты.

Если у вас есть образец — один снимок с интересующим объектом, — EOFM может найти все похожие снимки в архиве. Это особенно полезно, когда вы не знаете, как точно сформулировать запрос, но можете показать пример.

Вместо того чтобы собирать тысячи размеченных примеров для новой задачи, вы можете использовать небольшую выборку (few-shot) или вообще обойтись без примеров (zero-shot). Это кардинально снижает стоимость запуска новых EO-продуктов.

Мультимодальные EOFM могут одновременно анализировать оптику, SAR, мультиспектральные данные и временные ряды, давая более полную картину, чем любая отдельная модель.

Самый важный эффект в долгосрочной перспективе. Если раньше для работы с EO нужна была команда специалистов, то теперь во многих сценариях достаточно человека, который умеет задавать правильные вопросы и интерпретировать результаты.

Не все задачи одинаково хорошо ложатся на фундаментальные модели. Важно понимать, где EOFM дают максимальный прирост, а где традиционные подходы остаются вне конкуренции.

Если у вас есть только небольшое количество размеченных примеров, EOFM с few-shot обучением часто даёт результат, сравнимый или лучший, чем модель, обученная с нуля на большем объёме данных.

Когда нужно одновременно анализировать оптику, SAR, временные ряды и, возможно, текстовые метаданные — EOFM справляются легче, чем сборка нескольких специализированных моделей.

Когда нужно запустить новый продукт или пилотный проект в сжатые сроки — использование готовой EOFM намного быстрее, чем создание собственной модели с нуля.

Например, определение концентрации хлорофилла-А в водоёмах с погрешностью 0,1 мг/м³. Здесь физико-статистические модели, построенные на фундаментальных законах оптики и гидробиологии, работают точнее.

Регулируемые отрасли (оборона, финансы, страхование в некоторых юрисдикциях) требуют понимания, почему модель приняла именно такое решение. EOFM — это «чёрные ящики», объяснить их поведение сложно.

Если процесс, который вы анализируете, слабо представлен в обучающих данных (например, редкие геологические явления, специфическая инфраструктура), EOFM может давать нестабильные или произвольные результаты.

В некоторых сценариях (например, в научных исследованиях) важно не просто получить результат, но и понять причинно-следственные связи. Здесь традиционные модели или физико-статистические подходы могут быть предпочтительнее.

Рынок EO традиционно можно было представить как состоящий из нескольких слоёв, каждый из которых добавляет ценность. Появление EOFM меняет эту структуру.

Раньше цепочка создания стоимости в EO выглядела примерно так:

С появлением EOFM и эмбеддингов эти слои перестраиваются. Третий слой — создание специализированных моделей — сжимается, потому что универсальная модель заменяет множество узкоспециализированных моделей. Однако возникает новый слой между обработкой данных и конечной аналитикой:

В новой структуре ценность смещается от слоя 3 (специализированные модели) к слою 3 в новой структуре (эмбеддинги и фундаментальные модели) и к слою 5 (готовая аналитика).

Почему эмбеддинги становятся таким важным слоем? Потому что они создают эффект привязки (lock-in). Если вы построили свою аналитику на эмбеддингах от Google, переключиться на другого провайдера будет сложно и дорого — ваши алгоритмы, поиск, сравнения и приложения завязаны на специфическую структуру именно этих эмбеддингов.

В то же время, модели становятся всё более доступными. Базовые EOFM с открытым исходным кодом (Prithvi, Clay) делают саму модель товаром (commodity). Устойчивое преимущество остаётся у тех, у кого есть либо уникальные данные, либо глубокое понимание бизнеса клиента.

Рынок EOFM можно разделить на три категории игроков в зависимости от того, на каком уровне они создают ценность.

Это компании и организации, которые строят фундаментальные модели с нуля. Они вкладывают значительные ресурсы в исследования, сбор и очистку данных, вычислительную инфраструктуру.

Платформы не обязательно разрабатывают собственные модели с нуля, но они предоставляют среду, где модели можно запускать, дообучать, интегрировать и масштабировать.

Это компании, которые используют EOFM (свои или чужие) как движок, но продают готовые отраслевые решения. Они ближе всего к конечному пользователю и лучше всего понимают его бизнес-проблемы.

Появление EOFM меняет экономику EO-рынка по нескольким направлениям:

Как распространяются EOFM и связанные с ними продукты?

Несмотря на весь энтузиазм, существуют серьёзные барьеры, которые замедляют массовое внедрение EOFM:

На рынке формируются три стратегические группы:

Куда движется рынок EOFM в ближайшие годы?

EOFMs всё больше будут интегрироваться с LLM. Это позволит обрабатывать не только снимки, но и связанные текстовые метаданные (отчёты, новости, соцсети), давая гораздо более богатый контекст. Natural Language Search станет стандартом, а не функцией.

Появятся платформы, где можно купить эмбеддинги от разных провайдеров, разных спутников, разных годов и разных разрешений. Оплата — не за подписку, а за конкретный тайл или за объём. Это сделает эмбеддинги таким же доступным ресурсом, как сегодня облачное хранилище.

Сейчас большинство систем работают в пакетном режиме — архивные снимки обрабатываются с задержкой. Следующий шаг — потоковая обработка, где EOFM анализируют снимки по мере поступления со спутников (или дронов). Это критично для чрезвычайных ситуаций: пожары, наводнения, разливы нефти.

Вместо общих EOFM появятся специализированные «супермодели» для конкретных отраслей: нефтегаз, горная добыча, сельское хозяйство, оборона. Они будут обучаться на комбинации открытых спутниковых данных + проприетарных индустриальных датасетов (например, координаты скважин, данные AIS о судах, наземная истина с IoT-датчиков). Такие модели станут практически недосягаемы для конкурентов.

Крупные облачные провайдеры и традиционные игроки геопространственной отрасли начнут активно покупать успешные EOFM-стартапы. Мелкие игроки без уникальных данных или отраслевой экспертизы будут либо поглощены, либо уйдут в глубокие ниши.

Европейский Союз уже обсуждает правила для цифровых двойников и генеративного ИИ. Вероятны ограничения на использование и экспорт эмбеддингов высокого разрешения в определённые страны. Это изменит глобальную структуру рынка и создаст региональные барьеры.

Поскольку регулирующие требования ужесточаются, а критически важные приложения требуют доверия, появится новый класс инструментов для интерпретации EOFM. Это будут специализированные технологии объяснимого ИИ (XAI), адаптированные для геопространственных данных.

EO Foundation Models — это не просто очередной технологический тренд. Это фундаментальный сдвиг в том, как мы работаем со спутниковыми данными.

Вместо того чтобы строить специализированные модели для каждой задачи, индустрия движется к универсальным моделям, которые можно адаптировать под сотни различных применений. Это снижает барьеры, ускоряет разработку и делает EO более доступным для широкого круга пользователей.

Однако этот сдвиг также меняет экономику отрасли. Модели становятся товаром (commodity). Ценность смещается к тем, кто владеет уникальными данными, и к тем, кто контролирует отношения с конечными пользователями. Появляется новый слой — эмбеддинги — который создаёт свои рыночные возможности и свои риски.

Вопрос для всех участников рынка — от гигантов вроде Google и Microsoft до стартапов и отраслевых специалистов — не в том, будет ли EOFM работать, а в том, как именно они собираются позиционироваться в новой структуре цепочки создания стоимости.

Те, кто сможет быстро адаптироваться и занять правильную позицию — будь то на уровне данных, модели, платформы или конечного решения — получат значительное преимущество. Те, кто попытаются «сражаться» в среднем слое (просто модель) без уникальных данных или отраслевой экспертизы, столкнутся с жёсткой конкуренцией со стороны гигантов с их инфраструктурой.

Поезд EOFM уже отходит от станции. Вопрос в том, будете ли вы на нём и в каком вагоне.