地球上的 AGI，路径、可能性以及如何评估处理地球观测数据的模型的智能？.pdfVIP

地球上的AGI，路径、可能性以及如何评估

处理地球观测数据的模型的智能？

MojtabaValipour,KellyZheng,JamesLowman,SpencerSzabados,MikeGartner,andBobbyBraswell

HUM.AI

{mojtaba,kelly}@hum.ai

摘要—通用人工智能（AGI）比以往任何时候都更接近成迄今为止，大多数通用人工智能研究工作主要集

为现实，这在研究社区中引发了对收集和处理各种模态（包括文中在诸如文本[5,6]等模态上，这在很大程度上是由

本、图像、视频和音频）的广泛热情。尽管有近期的努力，卫星3

CommonCrawl等大量公开可用的数据集推动的。

光谱影像作为另一种模态，尚未得到应有的关注。这一领域提出

人类语言仅涵盖了我们可以编码观察、事件及其相

了独特的挑战，但也为推动AGI理解自然世界的能力提供了巨

大的潜力。本文阐述了为什么地球观测数据对智能模型有用，并互关系以及基本上任何可以文字描述的概念的一种智

本回顾了现有的基准测试及其在评估该领域的基础模型泛化能力能维度。

译方面的局限性。本文强调需要一个更全面的基准来评估地球观测当前大型语言模型（LLMs）的创新在于其能够出

模型。为了促进这一点，我们提出了一套全面的任务，这些任务色地推理超出训练数据范围的广泛概念和任务；也就是

中应该包含在一个基准中，以有效评估模型理解和交互地球观测数

说，这些模型因其在各种任务上的强大泛化性能而引人

1据的能力。1

v注目。最近，其他模态如音频[7]、图像[8]和视频[9,10]

7IndexTerms—AGI,自然智能,基准测试,数据集,地球也越来越受到关注，在这些领域中数据集的多样性至关

5观测数据

0重要[4]。

6

0有许多原因表明地球观测（EO）可能对AGI有益

8.I.介绍甚至必要。简单来说，语言仅限于那些已被写下来的内

0容[11]。书面知识与大量EO数据所表示内容之间存在

5人工智能通用性（AGI）代表了人工智能演进的下

2关系，它们重叠的部分应当基本一致。例如，人们已经

:一个前沿，旨在跨多个领域复制类似人类的认知能力

v写了关于种植单一作物时土壤会发生什么变化。然而，

i[1,2]。与擅长特定任务但缺乏适应性的狭义AI不同，

x并没有人记录下地球每一平方米如何以独特的方式处

rAGI力求拥有执行任何人类可以完成的知识任务的灵

a理物质和能量。可以说，“在这些条件下，热带土壤会

活性和理解力。随着世界面临越来越复杂的挑战，从气

做X”，但要使对地球系统行为的理解具有预测性，则

2

候变化和环境退化到自然灾害和资源管理，AGI处理

必须具备地理空间和时间上的具体性。此外，一些新兴

大量数据[3]并做出明智决策的能力变得日