الذكاء الاصطناعي
Ai2 يقلص تكاليف معالجة صور الأقمار الصناعية بنسبة 3 مرات بفضل حيلة ذكية للرموز
يخفض أولموإيرث v1.1 تكاليف الحوسبة بنسبة تصل إلى 3 أضعاف مقارنة بالإصدار v1، مما يتيح تحديثات خرائط واسعة النطاق بتكلفة أقل. الابتكار الرئيسي هو دمج الرموز المستندة إلى الدقة لصور Sentinel-2، مما يقلل عدد الرموز بعامل ثلاثة مع الحفاظ على الأداء من خلال تعديل التدريب المسبق.
أصدر معهد ألين للذكاء الاصطناعي (Ai2) أولموإيرث v1.1، عائلة نماذج محسنة للاستشعار عن بعد تخفض تكاليف الحوسبة بنسبة تصل إلى ثلاثة أضعاف مع مطابقة أداء أولموإيرث v1 الأصلي. يركز التحديث، الذي تم توضيحه في تقرير فني، على كيفية توليد رموز صور الأقمار الصناعية، مع معالجة مشكلة التوسع التربيعي التي تعاني منها النماذج القائمة على المحولات. ai2-releases-olmo-eval-an-open-evaluation-workbench-for-active-llm-development
مكاسب الكفاءة من خلال إعادة تصميم الرموز
عند معالجة صور الأقمار الصناعية عبر عشرات إلى مئات الآلاف من الكيلومترات المربعة، فإن الحوسبة هي أكبر بند تكلفة في دورة الحياة بأكملها، بدءًا من تصدير البيانات والمعالجة المسبقة وحتى الاستدلال والمعالجة اللاحقة. نظرًا لأن نماذج أولموإيرث مبنية على المحولات، فإن تكاليف الحوسبة تنمو بشكل تربيعي مع طول تسلسل الرموز. وهذا يعني أن حتى التخفيضات الصغيرة في عدد الرموز يمكن أن تحدث فرقًا كبيرًا في النفقات. kog-laneformer-2b-the-latency-first-model-that-redefines-small-scale-inference
بالنسبة لصور Sentinel-2، وهي صورة شائعة الاستخدام، يتم تمثيل كل صورة كمصفوفة ذات أبعاد: الارتفاع (H) والعرض (W) والبعد الزمني (T) و12 قناة طيفية. قسم الإصدار الأصلي أولموإيرث v1 هذه البيانات إلى رقع مكانية بحجم p x p، ثم أنشأ رمزًا لكل خطوة زمنية وكل دقة (10م، 20م، و60م). هذا يعني أن إدخال Sentinel-2 مع خطوتين زمنيتين ينتج 6 رموز لكل رقعة (2 خطوة زمنية × 3 دقات).
يقلص أولموإيرث v1.1 هذه الرموز الثلاثة الخاصة بكل دقة إلى رمز واحد لكل رقعة وكل خطوة زمنية، مما يقلل عدد الرموز بعامل ثلاثة. وكتب فريق Ai2: "نظرًا لأن أعداد الرموز تتضاعف بشكل ضربي، فإن دمج الدقات في رمز واحد يؤدي إلى ثلاثة أضعاف عدد الرموز وتوفير مادي عبر التدريب المسبق والضبط الدقيق والاستدلال". fast-lewm-parallel-action-prefix-prediction-slashes-latent-world-model-planning-costs
لم يكن ذلك إصلاحًا بسيطًا، رغم ذلك. أدى دمج الرموز بطريقة ساذجة إلى انخفاض كبير في الأداء، بما في ذلك انخفاض بنسبة 10 نقاط مئوية على معيار m-eurosat kNN. يعتقد الباحثون أن فصل نطاقات Sentinel-2 إلى رموز مختلفة جعل من الأسهل للنموذج تعلم العلاقات المهمة بين النطاقات. للتغلب على ذلك، قاموا بتعديل نظام التدريب المسبق، مع تفاصيل التغييرات المذكورة في الورقة البحثية المرفقة.
تأثير على المطورين والباحثين
بالنسبة للمطورين، يعمل أولموإيرث v1.1 بتكلفة أقل تصل إلى ثلاثة أضعاف مقارنة بالإصدار v1، مما يجعل تحديثات الخرائط المتكررة على نطاق الكوكب أكثر تكلفة. تأتي عائلة النماذج الجديدة بأحجام Base وTiny وNano. تشير Ai2 إلى أنه على الرغم من أن أولموإيرث v1.1 يحقق أداءً مماثلاً للإصدار v1 بثلث التكلفة الحاسوبية، فقد تم رصد بعض الانحدارات، ويحتوي التقرير الفني على التفصيل الكامل.
بالنسبة للباحثين، يقدم التحديث مقارنة واضحة بين ما قبل وما بعد. كتب الفريق: "ندرب أولموإيرث v1.1 على نفس مجموعة البيانات مثل أولموإيرث v1، لذا فإن أي اختلافات بين الاثنين تعزل تأثير التغييرات المنهجية". وهذا يمنح الباحثين نافذة واضحة على كيفية تأثير تغييرات الترميز والتدريب المسبق على أداء الاستشعار عن بعد. microsoft-research-introduces-generative-causal-testing-to-turn-black-box-ai-brain-models-into-readable-theories
الخلفية والمهمة
أصدرت Ai2 أولموإيرث v1 في نوفمبر 2025. منذ ذلك الحين، استخدم الشركاء النموذج لتتبع تغيرات أشجار المانغروف، وتصنيف أسباب فقدان الغابات، وإنتاج خرائط للمحاصيل على نطاق دولي في غضون أيام. كل إصدار يقرب المعهد من مهمته: وضع الذكاء الاصطناعي المتطور في أيدي المنظمات العاملة لحماية الكوكب. open-by-design-ai2-brings-fully-open-ai-infrastructure-online-with-nsf-omai
أوزان أولموإيرث v1.1 ورمز التدريب متاحان الآن على موقع المشروع.