“太空與網絡”重磅推出《AI+商業航天》系列專題

本文是“AI看地球”子專題的第三篇

數據不開放，就沒有遙感基礎模型

中國有全球第二大的遙感衛星星座，但中國沒有一個世界級的遙感基礎模型。不是因為沒人才、沒算力——而是因為數據太貴、流程太復雜、開放程度太低。這是一個政策問題，不是技術問題。

文 | 老譚

2025年，NASA+Hubble發布了Prithvi-EO 2.0的升級版，AlphaEarth Foundations在持續迭代，開源社區仍在蓬勃發展。但如果你問"中國有沒有一個可以拿來就用、經過充分預訓練的遙感基礎模型"——答案是沒有。

這不是因為中國沒有遙感衛星——高分系列、資源系列、環境系列、商業遙感星座……據公開資料，中國在軌遙感衛星數量超過100顆，位居全球第二。這不是因為沒有AI人才——中國有全球最多的AI論文和頂尖AI人才。甚至不是因為沒有算力——中國有全世界最快的E級超算。

真正的原因只有一個：用于訓練遙感基礎模型的數據，在中國不開放。

Prithvi之所以能成功，是因為Landsat和Sentinel的數據完全免費公開。任何有網絡連接的人都能下載。AlphaEarth的訓練數據也依賴這些公開數據源。開源模型Clay同樣使用NASA和ESA的免費數據。但在中國，高分衛星等遙感數據的獲取成本高、審批流程復雜、使用限制嚴格。一個高校課題組想用高分數據訓練AI模型，據業內反映，可能需要數月以上的申請周期和數萬元的數據購買費用。這對AI模型訓練來說是致命的——AI模型開發需要快速迭代、低成本試錯、大量數據反復訓練。數據獲取的高成本和高延遲，直接扼殺了中國遙感基礎模型的可能性。

所以本文的第一個結論是刺耳但真實的：中國在遙感AI賽道面臨的最大風險不是技術追趕，而是"數據封閉"。如果這個根本問題不解決，再多的人才和算力都將是空中樓閣。

一、三個必須面對的戰略判斷判斷一：數據封閉是中國遙感AI的結構性短板

這不是一個"沒意識到"的問題，而是一個"意識到了但改不了"的問題。中國遙感數據的管理機制由來已久——主管部門有安全審查的正當理由，數據脫敏和分級開放的流程仍在完善中。但現實是：歐美在"開源數據+AI模型"的飛輪上已經跑了兩年，中國還在體制內部討論數據開放的政策可行性。據業內判斷，兩年時間在AI領域可能是"數代模型代差"。

解決方案不能是"一步到位完全開放"——這不現實。但可以采取漸進路徑：先開放10米以上分辨率的數據用于科研，再逐步向商業用戶開放。一個可行的模式是：設立"遙感AI共享數據集"，由主管部門統一管理，定期更新標注數據，面向高校和企業開放免費/低成本使用權。這不是技術問題，這是一個管理體制的改革。

"歐美遙感AI基礎模型的成功，與其說是技術勝利，不如說是數據治理能力的勝利。Landsat開放政策的遠見，在20年后被AI技術兌現了。中國需要類似的政策遠見——現在就開始。"—— 一位遙感政策研究者的觀點

判斷二：中國有能力在特定場景實現"彎道超車"

在通用遙感基礎模型上追趕歐美注定艱難——差距不僅存在，而且在擴大。但在特定垂直場景上，中國有獨特的優勢：

農業遙感——中國作為農業大國，有全球最豐富的農作物監測需求。水稻、小麥、玉米、大豆、棉花——幾乎每個主要作物都有規模化種植區和產量估算需求。結合中國的農業大數據（地塊信息、產量統計、氣象數據），場景驅動AI模型的精度可能反超通用模型。

災害應急——中國是自然災害多發的國家，洪澇、地震、滑坡、森林火災——幾乎每種災害類型中國都有高頻次案例。這意味著中國有全球最豐富的事后響應數據和真實場景測試機會。在"AI快速災害評估"這個細分賽道上，中國有條件成為全球最佳實踐的創造者。

城市擴張監測——中國的城市化速度全球罕見。用AI遙感監測城市邊界擴張、違章建筑識別、綠地覆蓋率變化——這些場景的"數據密集度"和"價值密度"比任何國家都高。AI模型在中國城市上的訓練效果，反過來可以輸出到非洲、東南亞、拉丁美洲等正在城市化的地區。

判斷三：基礎模型商業化需要"國家隊+企業"雙引擎

歐美的路徑有兩條：政府主導的開源模型（Prithvi，NASA+IBM模式）和商業巨頭的閉源模型（AlphaEarth，Google模式）。中國兩條路徑都有可行性，但需要明確的協同機制。

國家隊路徑：由中科院空天信息創新研究院、國家衛星氣象中心等機構牽頭，聯合高校開發一個開源遙感基礎模型。參考Prithvi模式，用國內公開的遙感數據（資源系列、環境系列）訓練一個基礎版本，開源發布。這不是為了商業盈利，而是為了避免"中國沒有自主遙感基礎模型"的戰略短板。

企業路徑：鼓勵商業航天公司與AI企業聯合開發場景化大模型。利用企業的數據獲取能力和AI公司的模型能力，在細分場景上實現突破。

兩條路徑不能互相取代——基礎研究需要國家隊的長周期投入，商業落地需要企業的靈活性和產品化能力。

二、分角色行動框架

政府部門

近期（1-2年）：制定低分辨率遙感數據（≥10米）的開放路線圖，設立"遙感AI訓練數據集"專項。簡化科研用戶的審批流程，將數據獲取周期從數月縮短到數天。
中期（2-3年）：建立遙感數據的分級授權機制——按分辨率、場景、用戶類型細分開放策略，平衡安全需求和發展需求。設立國家級遙感AI基礎模型專項基金（參考Prithvi模式）。

學術與科研

近期：聯合申請遙感AI基礎模型研發項目。利用國際公開數據（Landsat、Sentinel）先行訓練原型模型，跑通技術路線。
中期：在農業、災害應急、城市監測三個場景上構建專用模型，積累技術儲備。建立中國自己的遙感AI基準測試集（類似SAM-Eval）——不能連測試標準都用別人的。
長期：形成"公開數據→基礎模型→場景微調→商業落地"的完整鏈條。目標是5年內發布中國的Pythvi級開源遙感基礎模型。

商業航天企業

近期：評估現有數據的AI變現路徑。建立與AI公司的合作開發機制——不一定要自己搭AI團隊，但要知道自己的數據在AI時代值什么價。
中期：向"賣分析"和"賣決策"轉型。參考Orbital Insight的商業模式——不做衛星的"AI公司"正在賺走最多的利潤，擁有衛星的運營商不應坐視。
關鍵認知：衛星運營商在AI時代要么成為"數據管道"，要么成為"智能平臺"。據估算，智能平臺的毛利率可能是數據管道的約3-4倍。

投資機構

關鍵信號：關注那些"不擁有衛星但擁有AI能力"的團隊——他們的毛利率最高、資產最輕、增長最快。如果中國還沒有這樣的團隊，那這就是一個投資空白。
避免的陷阱：不要用"衛星發射數量"衡量一家遙感公司的競爭力。在AI時代，數據獲取能力≠數據變現能力。后者才是最需要融資的地方。

三、三階段路線圖

① 破冰期（2025-2026）

· 低分辨率遙感數據（≥10米）開放路線圖出臺
· 至少1-2個國產遙感基礎模型項目啟動（國家隊+企業雙路徑）
· 利用國際公開數據訓練原型模型，跑通技術路線
· 關鍵標志：中國在HuggingFace或Gitee上發布第一個遙感基礎模型權重

② 筑底期（2027-2028）

· 國產遙感基礎模型在農業、災害應急場景上與Prithvi對標
· 商業航天企業AI收入占比從較低水平（約5%以下）提升至較高水平（約20%以上）
· 3-5個"不擁有衛星"的純AI遙感初創公司涌現
· 關鍵標志：中國遙感基礎模型在國際測試集上達到一流水平

③ 超越期（2029-2030）

· 至少一個國產遙感基礎模型進入全球前三
· 中國在應急減災、農業兩個場景上形成"中國方案"并輸出海外
· 商業遙感AI企業估值據預測可能達到10億美元級別
· 關鍵標志：國際市場上有"中國遙感AI"的品牌認知

四、最大的風險是什么

上述路線圖面臨幾個真實的風險。

風險一：數據開放無法突破。如果相關部門在數據開放上無法取得實質性進展，整個路線圖從起點就是空的。再多的AI投入、再強的算力——沒有高質量訓練數據，一切都是擺拍。這是最核心的風險，沒有之一。

風險二：追趕型節奏導致"永遠差一代"。歐美的遙感基礎模型在以每年1-2個版本的節奏迭代。如果中國在"追"而不是"并跑"，差距可能不會縮小。唯一的破局路徑是：在特定場景（農業、災害應急）上建立差異化優勢，而非在通用遙感模型上硬拼。

風險三：人才流失。做遙感AI需要同時懂遙感物理、深度學習、系統工程——這是極其復合的跨學科能力。中國培養的遙感AI人才如果發現國內無法做出世界級成果（原因：數據不開放、項目立項周期長、采購流程復雜），可能會流向歐美或選擇其他賽道。

?? 風險警示

最糟糕的情形：3年后，Prithvi 4.0和AlphaEarth 3.0已經商業化運營，全球政府和企業開始付費使用它們的API。而中國的遙感行業還在使用人工解譯+傳統方法——不是因為技術不行，是因為沒有自己的基礎模型，而用別人的模型受到數據安全和合規限制。這將造成一個尷尬的局面：在遙感這個"看得見"的領域，中國成為全球價值鏈中"被服務"的一方。

結語：開放的悖論

回到本文最核心的論點：

遙感AI的競爭，在表層是模型和算力的競爭，在深層是數據治理機制的競爭。Landsat的開放政策是40年前制定的——那時還沒有深度學習，沒有AI，沒有"基礎模型"這個概念。但正是40年前的一個明智決策，讓美國在今天的遙感AI競賽中拿到了最關鍵的入場券。

中國現在也需要做出一個類似的決策——不是盲目照搬"全面開放"，而是在安全和發展之間找到一個可行的平衡點。這個決策越早越好。因遙感AI的迭代速度不會等人——2026年、2027年、2028年……每一年過去，差距都在變大。

數據不開放，就沒有遙感基礎模型。沒有遙感基礎模型，就會在下一個十年的遙感應用中淪為"被服務者"。這不是危言聳聽，這是第一篇和第二篇中所有數據和案例指向的同一個結論。

子專題【2】到此結束。但"AI改變航天"的故事遠不止于此。子專題【3】將聚焦一個更隱秘但同樣重要的主題：AI怎么管好天上的上萬顆衛星？

本專題系列：? 國外在干什么→ ? 產業邏輯 →? 中國啟示（本篇）

關聯系列：

主系列《AI+商業航天》— / /

子系列《星上AI芯片》— / /

子系列《AI看地球》— 國外案例 / 產業邏輯 / 中國啟示

>End

本文系“太空與網絡”公眾號原創，轉載全文及引用核心觀點至微信公眾號或其它新媒體平臺、及網站，請注明出處、公眾號ID及作者。感謝支持有態度的媒體！

未按照規范轉載及引用者，我們保留追究相應責任的權利

部分圖片難以找到原始出處，故文中未加以標注，如若侵犯了您的權益，請第一時間聯系我們。

HISTORY/往期推薦

充滿激情的新時代，

充滿挑戰的新疆域，

與踔厲奮發的引領者，

卓爾不群的企業家，

一起開拓，

一起體驗，

一起感悟，

共同打造更真品質，

共同實現更高價值，

共同見證商業航天更大的跨越！

——《太空與網絡》，觀察，記錄，傳播，引領。

·《衛星與網絡》創始人：劉雨菲

·《衛星與網絡》副社長：王俊峰

·微信公眾號（ID：satnetdy）團隊

編輯：艷玲、哈玫，周泳、邱莉、黃榕、娜娜

主筆記者：李剛、魏興、張雪松、霍劍、樂瑜、稻子、趙棟

策劃部：楊艷、若?、李真子

視覺總監：董濘

專業攝影：馮小京、宋偉

設計部：顧錳、潘希峎、楊小明

行政部：姜河、林紫

業務部：王錦熙、瑾怡

原創文章轉載授權、轉載文章侵權、投稿等事宜，請加微信：15910858067

商務合作；展覽展廳設計、企業VI/CI及室內設計、企業文化建設及品牌推廣；企業口碑傳播及整體營銷傳播等，請加微信：13811260603

雜志訂閱，請加微信：wangxiaoyu9960

·衛星與網絡各分部：

成都分部負責人：沈淮

長沙分部負責人：賓鴻浦

西安分部負責人：郭朝暉

青島分部負責人：江偉

·衛星與網絡總部負責人：農燕

·會議活動部負責人：喬顥益、許克新、董今福

· 投融資及戰略層面合作：劉雨菲

·本平臺簽約設計公司：一畫開天（北京）文化創意設計有限公司

· 航天加（深圳）股權投資基金管理負責人：楊艷