“太空与网络”重磅推出《AI+商业航天》系列专题

本文是“AI看地球”子专题的第三篇

数据不开放，就没有遥感基础模型

中国有全球第二大的遥感卫星星座，但中国没有一个世界级的遥感基础模型。不是因为没人才、没算力——而是因为数据太贵、流程太复杂、开放程度太低。这是一个政策问题，不是技术问题。

文 | 老谭

2025年，NASA+Hubble发布了Prithvi-EO 2.0的升级版，AlphaEarth Foundations在持续迭代，开源社区仍在蓬勃发展。但如果你问"中国有没有一个可以拿来就用、经过充分预训练的遥感基础模型"——答案是没有。

这不是因为中国没有遥感卫星——高分系列、资源系列、环境系列、商业遥感星座……据公开资料，中国在轨遥感卫星数量超过100颗，位居全球第二。这不是因为没有AI人才——中国有全球最多的AI论文和顶尖AI人才。甚至不是因为没有算力——中国有全世界最快的E级超算。

真正的原因只有一个：用于训练遥感基础模型的数据，在中国不开放。

Prithvi之所以能成功，是因为Landsat和Sentinel的数据完全免费公开。任何有网络连接的人都能下载。AlphaEarth的训练数据也依赖这些公开数据源。开源模型Clay同样使用NASA和ESA的免费数据。但在中国，高分卫星等遥感数据的获取成本高、审批流程复杂、使用限制严格。一个高校课题组想用高分数据训练AI模型，据业内反映，可能需要数月以上的申请周期和数万元的数据购买费用。这对AI模型训练来说是致命的——AI模型开发需要快速迭代、低成本试错、大量数据反复训练。数据获取的高成本和高延迟，直接扼杀了中国遥感基础模型的可能性。

所以本文的第一个结论是刺耳但真实的：中国在遥感AI赛道面临的最大风险不是技术追赶，而是"数据封闭"。如果这个根本问题不解决，再多的人才和算力都将是空中楼阁。

一、三个必须面对的战略判断判断一：数据封闭是中国遥感AI的结构性短板

这不是一个"没意识到"的问题，而是一个"意识到了但改不了"的问题。中国遥感数据的管理机制由来已久——主管部门有安全审查的正当理由，数据脱敏和分级开放的流程仍在完善中。但现实是：欧美在"开源数据+AI模型"的飞轮上已经跑了两年，中国还在体制内部讨论数据开放的政策可行性。据业内判断，两年时间在AI领域可能是"数代模型代差"。

解决方案不能是"一步到位完全开放"——这不现实。但可以采取渐进路径：先开放10米以上分辨率的数据用于科研，再逐步向商业用户开放。一个可行的模式是：设立"遥感AI共享数据集"，由主管部门统一管理，定期更新标注数据，面向高校和企业开放免费/低成本使用权。这不是技术问题，这是一个管理体制的改革。

"欧美遥感AI基础模型的成功，与其说是技术胜利，不如说是数据治理能力的胜利。Landsat开放政策的远见，在20年后被AI技术兑现了。中国需要类似的政策远见——现在就开始。"—— 一位遥感政策研究者的观点

判断二：中国有能力在特定场景实现"弯道超车"

在通用遥感基础模型上追赶欧美注定艰难——差距不仅存在，而且在扩大。但在特定垂直场景上，中国有独特的优势：

农业遥感——中国作为农业大国，有全球最丰富的农作物监测需求。水稻、小麦、玉米、大豆、棉花——几乎每个主要作物都有规模化种植区和产量估算需求。结合中国的农业大数据（地块信息、产量统计、气象数据），场景驱动AI模型的精度可能反超通用模型。

灾害应急——中国是自然灾害多发的国家，洪涝、地震、滑坡、森林火灾——几乎每种灾害类型中国都有高频次案例。这意味着中国有全球最丰富的事后响应数据和真实场景测试机会。在"AI快速灾害评估"这个细分赛道上，中国有条件成为全球最佳实践的创造者。

判断三：基础模型商业化需要"国家队+企业"双引擎

欧美的路径有两条：政府主导的开源模型（Prithvi，NASA+IBM模式）和商业巨头的闭源模型（AlphaEarth，Google模式）。中国两条路径都有可行性，但需要明确的协同机制。

国家队路径：由中科院空天信息创新研究院、国家卫星气象中心等机构牵头，联合高校开发一个开源遥感基础模型。参考Prithvi模式，用国内公开的遥感数据（资源系列、环境系列）训练一个基础版本，开源发布。这不是为了商业盈利，而是为了避免"中国没有自主遥感基础模型"的战略短板。

企业路径：鼓励商业航天公司与AI企业联合开发场景化大模型。利用企业的数据获取能力和AI公司的模型能力，在细分场景上实现突破。

两条路径不能互相取代——基础研究需要国家队的长周期投入，商业落地需要企业的灵活性和产品化能力。

二、分角色行动框架

🎯 政府部门

近期（1-2年）：制定低分辨率遥感数据（≥10米）的开放路线图，设立"遥感AI训练数据集"专项。简化科研用户的审批流程，将数据获取周期从数月缩短到数天。

中期（2-3年）：建立遥感数据的分级授权机制——按分辨率、场景、用户类型细分开放策略，平衡安全需求和发展需求。设立国家级遥感AI基础模型专项基金（参考Prithvi模式）。

🎯 学术与科研

近期：联合申请遥感AI基础模型研发项目。利用国际公开数据（Landsat、Sentinel）先行训练原型模型，跑通技术路线。

中期：在农业、灾害应急、城市监测三个场景上构建专用模型，积累技术储备。建立中国自己的遥感AI基准测试集（类似SAM-Eval）——不能连测试标准都用别人的。

长期：形成"公开数据→基础模型→场景微调→商业落地"的完整链条。目标是5年内发布中国的Pythvi级开源遥感基础模型。

🎯 商业航天企业

近期：评估现有数据的AI变现路径。建立与AI公司的合作开发机制——不一定要自己搭AI团队，但要知道自己的数据在AI时代值什么价。

中期：向"卖分析"和"卖决策"转型。参考Orbital Insight的商业模式——不做卫星的"AI公司"正在赚走最多的利润，拥有卫星的运营商不应坐视。

关键认知：卫星运营商在AI时代要么成为"数据管道"，要么成为"智能平台"。据估算，智能平台的毛利率可能是数据管道的约3-4倍。

🎯 投资机构

关键信号：关注那些"不拥有卫星但拥有AI能力"的团队——他们的毛利率最高、资产最轻、增长最快。如果中国还没有这样的团队，那这就是一个投资空白。

避免的陷阱：不要用"卫星发射数量"衡量一家遥感公司的竞争力。在AI时代，数据获取能力≠数据变现能力。后者才是最需要融资的地方。

三、三阶段路线图

① 破冰期（2025-2026）

· 低分辨率遥感数据（≥10米）开放路线图出台

· 至少1-2个国产遥感基础模型项目启动（国家队+企业双路径）

· 利用国际公开数据训练原型模型，跑通技术路线

· 关键标志：中国在HuggingFace或Gitee上发布第一个遥感基础模型权重

② 筑底期（2027-2028）

· 国产遥感基础模型在农业、灾害应急场景上与Prithvi对标

· 商业航天企业AI收入占比从较低水平（约5%以下）提升至较高水平（约20%以上）

· 3-5个"不拥有卫星"的纯AI遥感初创公司涌现

· 关键标志：中国遥感基础模型在国际测试集上达到一流水平

③ 超越期（2029-2030）

· 至少一个国产遥感基础模型进入全球前三

· 中国在应急减灾、农业两个场景上形成"中国方案"并输出海外

· 商业遥感AI企业估值据预测可能达到10亿美元级别

· 关键标志：国际市场上有"中国遥感AI"的品牌认知

四、最大的风险是什么

上述路线图面临几个真实的风险。

风险一：数据开放无法突破。如果相关部门在数据开放上无法取得实质性进展，整个路线图从起点就是空的。再多的AI投入、再强的算力——没有高质量训练数据，一切都是摆拍。这是最核心的风险，没有之一。

风险二：追赶型节奏导致"永远差一代"。欧美的遥感基础模型在以每年1-2个版本的节奏迭代。如果中国在"追"而不是"并跑"，差距可能不会缩小。唯一的破局路径是：在特定场景（农业、灾害应急）上建立差异化优势，而非在通用遥感模型上硬拼。

风险三：人才流失。做遥感AI需要同时懂遥感物理、深度学习、系统工程——这是极其复合的跨学科能力。中国培养的遥感AI人才如果发现国内无法做出世界级成果（原因：数据不开放、项目立项周期长、采购流程复杂），可能会流向欧美或选择其他赛道。

⚠︎ 风险警示

最糟糕的情形：3年后，Prithvi 4.0和AlphaEarth 3.0已经商业化运营，全球政府和企业开始付费使用它们的API。而中国的遥感行业还在使用人工解译+传统方法——不是因为技术不行，是因为没有自己的基础模型，而用别人的模型受到数据安全和合规限制。这将造成一个尴尬的局面：在遥感这个"看得见"的领域，中国成为全球价值链中"被服务"的一方。

结语：开放的悖论

回到本文最核心的论点：

遥感AI的竞争，在表层是模型和算力的竞争，在深层是数据治理机制的竞争。Landsat的开放政策是40年前制定的——那时还没有深度学习，没有AI，没有"基础模型"这个概念。但正是40年前的一个明智决策，让美国在今天的遥感AI竞赛中拿到了最关键的入场券。

中国现在也需要做出一个类似的决策——不是盲目照搬"全面开放"，而是在安全和发展之间找到一个可行的平衡点。这个决策越早越好。因遥感AI的迭代速度不会等人——2026年、2027年、2028年……每一年过去，差距都在变大。

数据不开放，就没有遥感基础模型。没有遥感基础模型，就会在下一个十年的遥感应用中沦为"被服务者"。这不是危言耸听，这是第一篇和第二篇中所有数据和案例指向的同一个结论。

子专题【2】到此结束。但"AI改变航天"的故事远不止于此。子专题【3】将聚焦一个更隐秘但同样重要的主题：AI怎么管好天上的上万颗卫星？

本专题系列： ❶ 国外在干什么 → ❷ 产业逻辑 → ❸ 中国启示 （本篇）

关联系列：

子系列《AI看地球》— 国外案例 / 产业逻辑 / 中国启示