Google DeepMindが2025年7月30日、地球観測のあり方を根底から覆す可能性を秘めた新しいAI基盤モデル「AlphaEarth Foundations」を発表した。このモデルは「仮想衛星」として機能し、地球上のあらゆる陸地と沿岸水域を前例のない解像度と精度でマッピングする能力を持つ。これは、気候変動、食料安全保障、生物多様性の損失といった人類が直面する喫緊の課題に対し、強力な武器となるかもしれない。

AD

「仮想衛星」AlphaEarthとは何か？ — 膨大なデータを知識に変える新次元AI

日々、無数の衛星が地球の周回軌道を巡り、私たちの惑星の膨大な画像を撮影し続けている。そのデータ量はペタバイト（1ペタバイトは1000テラバイト）級に達し、まさに情報の洪水だ。しかし、これらのデータは異なる衛星、異なるセンサー、異なる時間に撮影された「断片」の集まりに過ぎなかった。雲に遮られたり、観測タイミングがずれたり、データ形式が異なったりと、それらを統合して一貫した「知識」として活用することは、これまで科学者たちにとって大きな壁となっていた。

この根本的な課題に、Google DeepMindは「AlphaEarth Foundations（以下、AlphaEarth）」という一つの答えを提示した。AlphaEarthは、単一の衛星の「目」に頼るのではなく、多種多様な地球観測データをAIの力で統合・解析し、統一されたデジタル表現を生成する。Google DeepMindはこれを「仮想衛星（virtual satellite）」と表現する。

この仮想衛星は、地球上の陸地と沿岸水域を、わずか10メートル四方の驚異的な解像度で描き出す。これは、都市の一区画や小さな農地、森林の一角を個別に識別できるレベルの細かさだ。光学衛星（人間の目に近い）の画像だけでなく、雲を透過して地表を観測できるレーダー、森林の高さなどを計測する3Dレーザーマッピング、さらには気候シミュレーションデータまで、あらゆる情報を編み合わせることで、これまで見えなかった地球の姿を浮かび上がらせるのである。

技術的ブレークスルーの核心 — 「埋め込みフィールド」と「時空間精度」

AlphaEarthの能力は、単なるデータ量の暴力ではない。その核心には、地球科学とAI研究の最先端が融合した、いくつかの重要な技術的ブレークスルーが存在する。

多様な「目」の統合：光学、レーダーから気候モデル、そして「言葉」まで

AlphaEarthが統合するデータソースは、驚くほど多岐にわたる。公式に発表された論文「AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data」によれば、そのインプットは以下の通りだ。

  • 光学衛星: Sentinel-2、Landsat 8/9（可視光、近赤外線、熱赤外線など）
  • レーダー衛星: Sentinel-1 (Cバンド)、PALSAR-2 (Lバンド)
  • LiDAR（ライダー）: GEDI（森林の樹高などを3次元計測）
  • 気候・環境データ: ERA5-Land（気候再解析データ）、GRACE（重力場観測）
  • 地形データ: GLO-30（全球標高モデル）
  • テキストデータ: Wikipedia、GBIF（全球生物多様性情報機構）の生物種観測記録

ここで特筆すべきは、レーダーやテキストデータまで統合している点だ。例えば、熱帯雨林のように常に厚い雲に覆われている地域は、光学衛星だけでは観測が困難だった。しかし、雲を透過するレーダーデータを組み合わせることで、年間を通じて安定した観測が可能になる。さらに、特定の地域に関するWikipediaの記事や、その場所に生息する生物の記録といった「言葉」のデータまで学習することで、AIは画像だけでは得られない文脈、つまり「意味」を理解し始める。これは、単なる画像認識を超えた、真の地理空間理解への大きな一歩と言えるだろう。

64次元のデジタル指紋：「埋め込み」がもたらす効率革命

AlphaEarthのもう一つの核心技術が、「埋め込み（Embedding）」だ。これは、AIが学習を通じて、複雑で高次元な情報を、はるかにコンパクトで扱いやすい数値ベクトルに変換する技術である。

左から右へ、大域的埋め込み場を単一の埋め込みに分解した図。各埋め込みは64個の要素から成り、64次元球面上の座標にマッピングされる。

AlphaEarthは、地球上のあらゆる10メートル四方の地点の情報を、わずか64次元のベクトル（64個の数値の組）に「埋め込む」。これを「埋め込みフィールド（Embedding field）」と呼ぶ。これは、地球上のあらゆる地点に、固有のID番号や「デジタル指紋」を割り当てるようなものだと考えれば分かりやすいかもしれない。この64個の数字の組み合わせを見れば、その地点が森林なのか、都市なのか、農地なのか、そしてどのような特性を持つのかが分かる。

この技術がもたらすインパクトは絶大だ。Google DeepMindによれば、AlphaEarthが生成する埋め込みデータは、他のAIシステムと比較して16分の1のストレージ容量しか必要としない。にもかかわらず、その性能は他のモデルを凌駕し、平均してエラー率を約24%も低減させることに成功した。これは、惑星規模の巨大なデータを分析する際の計算コストを劇的に削減し、これまで一部の研究機関でしか不可能だった高度な分析を、より多くの研究者や組織に開放することを意味する。

時間の壁を超える「Space Time Precision (STP)」アーキテクチャ

そして、最も革新的と言えるのが、時間軸の扱いだ。従来の衛星データ分析では、雲や観測タイミングの問題が常に付きまとった。しかし、AlphaEarthは「Space Time Precision（STP）」と名付けられた独自のAIアーキテクチャによってこの壁を突破した。

STPアーキテクチャは、ある地点の時系列衛星画像を、まるで一本の「ビデオ」のフレームのように扱う。そして、AIは空間（Space）、時間（Time）、そして解像度（Precision）の3つの軸を同時に学習する。これにより、データが欠損している期間（例えば雲に覆われていた日）の情報を、その前後のデータから高い精度で「補間」することが可能になった。

衛星埋め込みデータセットを用いた年次比較の例。米国中央カリフォルニアの例。2020年と2024年の埋め込みレイヤーを比較している (Source: Earth Engineコードエディタスクリプト)

さらに、学習プロセスには「Teacher-Studentモデル」という巧妙な手法が取り入れられている。これは、全ての情報にアクセスできる「Teacher」モデルと、意図的に一部の情報（例えば特定の衛星データや期間）を隠された「Student」モデルを同時に学習させる方法だ。Studentモデルは、不完全な情報からでもTeacherモデルと同じ結論を導き出せるよう努力するため、AIはノイズやデータ欠損に対して非常に頑強（ロバスト）になる。

この結果、AlphaEarthは特定の瞬間のスナップショットではなく、時間の流れを含んだ動的な地球の姿を捉えることができるようになった。これは、単に「そこにあるもの」をマッピングするだけでなく、「そこで何が起きているか」を理解するための基盤となる。

AD

すでに世界を変え始めている — 50以上の組織が実証するその実力

AlphaEarthは、まだ研究室の中だけの技術ではない。発表時点で、すでに国連食糧農業機関（FAO）、ハーバード大学、スタンフォード大学をはじめとする50以上の組織が、この技術を現実世界の課題解決のためにテストしている。その成果は、この技術のポテンシャルを雄弁に物語っている。

アマゾンの森から南極の氷床まで：世界の現場からの報告

  • ブラジル（MapBiomas）: ブラジルの環境NPOであるMapBiomasは、AlphaEarthのデータセットを利用して、アマゾンの森林破壊や農業利用の変化を追跡している。創設者のタッソ・アゼベド氏は、「これまで不可能だったレベルで、より正確、精密、かつ迅速に地図を作成できるようになった」と、その変革的な影響力を語る。
  • 世界（Global Ecosystems Atlas）: この国際的イニシアチブは、AlphaEarthを用いて世界初の包括的な生態系マップの作成に取り組んでいる。これにより、各国は「沿岸低木林」や「超乾燥砂漠」といったこれまで地図化されていなかった生態系を分類し、保全活動の優先順位を科学的根拠に基づいて決定できるようになる。
  • エクアドル、南極: DeepMindが公開した事例では、常に雲に覆われ観測が困難だったエクアドルの農地を詳細に描き出し、作物の生育段階まで識別している。また、衛星観測が不規則でマッピングが極めて困難だった南極大陸の複雑な地表も、驚くほど鮮明に可視化している。

専門家でなくとも恩恵を：Google Earth Engineでのデータ公開

この革命的な技術の恩恵は、一部の専門家だけのものではない。Googleは、AlphaEarthによって生成された年間1.4兆にも及ぶ埋め込みデータを「Satellite Embedding dataset」として、同社の地理空間分析プラットフォーム「Google Earth Engine」で公開した。

これは極めて重要な意味を持つ。研究者や開発者は、複雑な前処理（大気補正、雲除去、ノイズフィルタリングなど）を一切行うことなく、AIによって「分析可能な状態」にされた最高品質のデータに直接アクセスできるのだ。Google Earth Engineのブログで紹介されているように、ユーザーは以下のような高度な分析を、比較的簡単な操作で実行できる。

  • 類似性検索: ある地点（例えば特定の種類の森林）を選ぶと、世界中の類似した環境を瞬時に検索し、地図上に表示する。
  • 変化検出: 異なる年のデータを比較するだけで、都市の拡大、山火事からの植生回復、貯水池の水位変動などを簡単に追跡できる。
  • 自動クラスタリング: 事前知識なしで、AIが自動的に土地を類似したグループに分類し、景観に隠されたパターンを発見する。
  • 高効率な分類: 従来よりもはるかに少ない教師データ（正解ラベル）で、高精度な土地被覆マップ（例：作物の種類を分類した地図）を作成できる。

AlphaEarthの真価と未来

AlphaEarthの登場は、単なる高性能なマッピングツールの発表に留まらない。これは、私たちが地球という惑星を理解する方法論そのものを変える、パラダイムシフトの始まりである。

「スパースデータ」問題への解答：AIは地球科学の何を変えるのか

AlphaEarthの論文が示す最も重要な貢献は、地球科学における長年の課題であった「スパースデータ（sparse data、疎なデータ）」問題に対する強力な解決策を提示したことだ。地球は広大であり、あらゆる場所で詳細な地上調査（ラベル付け）を行うことは物理的に不可能である。その結果、私たちの持つ「正解データ」は常にまばらで、偏在していた。

AlphaEarthは、この疎なラベルデータを、多種多様な衛星データという「文脈」と組み合わせることで、ラベルのない場所の状態までも高精度に推定することを可能にした。これは、データ収集に多大な労力を要するフィールド科学から、強力なモデルによってデータを補完・生成する「モデル駆動型科学」への移行を加速させるだろう。

Geminiとの融合、そして「Google Earth AI」構そう

GoogleはAlphaEarthを、同社の「Google Earth AI」構想の一部と位置付けている。これは、気象予測モデル「GraphCast」や洪水・山火事予測システムと並び、地球のデジタルツインを構築しようという壮大な計画の一環だ。

さらに注目すべきは、AlphaEarthが将来的に「Gemini」のような汎用推論AIエージェントと結合される可能性だ。そうなれば、単に「どこで森林が減少したか」をマッピングするだけでなく、「なぜ減少したのか」という原因を推論し、「このままでは将来どうなるか」という未来を予測することさえ可能になるかもしれない。これは、科学的発見だけでなく、政策決定のあり方をも変革するポテンシャルを秘めている。

プライバシーと倫理的配慮

もちろん、これほどの技術には倫理的な配慮が不可欠だ。Googleは、AlphaEarthの解像度を10メートルに設定したことについて、これは環境モニタリングには十分だが、個々の人間や顔、車両などを識別するには不十分なレベルであり、プライバシー保護とのバランスを意図した設計上の選択であると明言している。技術が進化するほど、こうした倫理的なガードレールを社会全体で議論し、構築していくことがますます重要になるだろう。

AlphaEarth Foundationsは、地球という複雑なシステムを理解するための、新しい「共通言語」を生み出したと言える。AIによって翻訳されたこの言語を通じて、私たちはこれまで聞くことのできなかった惑星の声に耳を傾け、より賢明な未来を選択することができるようになるのかもしれない。その壮大な物語は、まだ始まったばかりだ。

論文

参考文献