突破数据与算力孤岛：释放遥感基础模型在通用地球观测智能中的潜力

　　为解决遥感数据碎片化与算力孤岛对通用地球观测智能（EO intelligence）发展的制约，研究人员提出基于跨云协作架构的遥感基础模型（RSFMs）协同训练与推理框架。通过联邦学习（federated learning）和分割学习（split learning）技术，实现多源数据隐私保护下的模型优化，并结合云-边-端协同推理提升动态制图与应急响应能力。该研究为突破数据垄断、提升RSFMs可扩展性提供了新范式，发表于《The Innovation》。

　　

随着地球观测（EO）技术的快速发展，遥感数据呈现爆炸式增长，但数据孤岛和算力碎片化问题严重制约了通用地球观测智能的发展。数据因隐私、存储瓶颈和地缘安全等因素分散于不同机构，而云计算架构又面临成本高昂、垄断和扩展性不足的挑战。武汉大学联合蚂蚁集团等团队在《The Innovation》发表研究，提出通过跨云协作架构释放遥感基础模型（RSFMs）的潜力。

研究采用联邦学习和分割学习实现跨云协同训练，避免原始数据传输；通过多智能体强化学习（multi-agent reinforcement learning）优化云-边-端协同推理。关键技术包括：1）自适应异构数据融合方法；2）梯度压缩（如联合稀疏量化）降低通信开销；3）拜占庭鲁棒联邦学习（Byzantine-robust federated learning）保障安全性；4）基于Shapley值的贡献评估提升公平性。

跨云协同训练RSFMs
通过自监督预训练和个性化微调两阶段协作，整合私有与公共数据知识。研究提出三轴统一（架构、预训练目标、任务）缓解异构性，并开发数据-模型-云三级自适应融合方法。实验表明，异步通信和带宽感知调度可减少80%参数传输耗时。

通用EO智能的协同推理
1）跨云协作：多机构分区制图实现全球高分辨率动态监测，突破单云存储与算力限制；
2）云-边协作：无人机在灾害响应中通过视觉-语言导航（vision-and-language navigation）与云端RSFMs交互，实现即时样本提示（few-shot samples）与路径规划；
3）边-边协作：空天地多智能体（如卫星与无人机）通过时空-光谱数据融合提升观测精度，集体智能（collective intelligence）误差降低37%。

挑战与解决方案
研究指出轻量化部署（如SkySense模型的20亿参数需GPU支持）需结合知识蒸馏（knowledge distillation）；对抗攻击防御需差分隐私（differential privacy）和黑盒场景检测技术。

结论强调，协作架构能有效桥接数据与算力孤岛，未来需硬件-软件协同优化。该框架为农业、林业等领域的时空智能服务奠定基础，推动RSFMs向通用EO智能演进。