大会前沿对话现场 人工智能(AI)大模型实现了大数据的快速分析和挖掘,并展现出前所未有的理解与创造能力。大模型如何赋能地理空间数据高效采集、处理、分析,地学大模型又如何赋能国土空间科学定策、决策和施策? 6月27日,在似火的骄阳中,2023地理信息软件技术大会在北京国家会议中心拉开帷幕,容纳3000人的主会场座无虚席,来自政府机构、科研院所、高等院校、企业的代表围绕“空间智能 因融至慧”展开了一场头脑风暴。与会专家在解析空间智能技术内涵的同时,探究人工智能大模型时代,地理空间智能面临的机遇和挑战。 融合:人工智能让地理空间更智能 当前,我国正处在数字化转型的关键期。中国测绘学会理事长宋超智在大会致辞中表示,3S技术与人工智能、大数据、物联网等技术的进一步深度融合,让地理智慧走向空间智能,更加高效地从海量数据中发现深层次的有价值的信息,达成最佳策略提供决策支撑。他认为,人工智能技术与测绘关系最为密切。未来,测绘对于人工智能技术的依赖或将进一步加深。 谈及与人工智能的融合,自然资源部地理信息系统技术创新中心主任、超图软件集团董事长宋关福表示,将人工智能技术用到GIS数据生产、管理、分析等方面,进一步提升了GIS的智能化水平。超图软件集团作为GIS领域的龙头企业,早在5年前就开始了人工智能与GIS的融合研究。新发布的SuperMap GIS 2023,更是具有了遥感GIS一体化、软件跨平台化、处理智能化、计算高性能的特点。 人工智能GIS是超图软件集团研发的SuperMap GIS的五大技术体系之一,在服务端增强影像智能解译能力,在桌面端增强视频AI能力,在组件端支持遥感影像智能解译模型训练、推理、评估等功能,在移动端支持AI目标检测与分类。“融合AI技术,尤其是AI大模型,我们的目的是进一步创新和提升空间智能的能力。虽然目前还没有达到通用人工智能AGI水平,但我们今后会不断投入,积极拥抱新技术,并不断融合创新。”宋关福告诉记者。 超图软件集团首席品牌官刘宏恺介绍,超图研究院除了软件公司常设的研发部门、质控部门,还特别在上游设立了一个前瞻性探索机构——未来GIS实验室。在AI大模型方面,超图研究院的未来GIS实验室也在进行紧密跟踪和技术落地探索,在包括AI大模型遥感语义分割、生成式AI、类GPT知识问答等方面都在积极开展技术探索。“我们相信AI技术作为空间智能的重要驱动力,未来在地理空间领域的数据处理、管理、分析以及可视化等各领域都会发挥重要价值。” 赋能:人工智能助推空间数据快速处理分析 算法、算力和数据被认为是人工智能发展的三驾马车。当前,人工智能技术快速发展,数据不断丰富,算力不断增强。在算法层面,大模型的出现,赋能地理空间数据采集、处理和分析,这也为自然资源管理工作向智能化转变提供了抓手。 在自然资源部信息中心学术委员会主任李晓波看来,以大模型为支撑的人工智能技术,对提高自然资源信息化、推进智慧国土建设能发挥多方面的作用。比如为非结构化数据的管理和应用提供了很好的技术手段;通过模型对空间数据进行深度分析,从而为决策者提供服务;依靠大模型对遥感影像、视频数据进行快速处理、分析,从而实现对自然资源实时调查监测和国土空间用途管制。“而这些方面,正是原来我们工作中的薄弱环节。”他表示,希望能构建起一个自然资源行业大模型,从数据采集到数据处理、分析和应用都能全面赋能,从而整体提升自然资源管理工作的数字化水平。 卫星遥感影像处理能不能乘上AI的东风,实现自动化、智能化的处理?武汉大学遥感信息工程学院院长张永军在大会上所作的《AI+遥感融合的多模态卫星影像几何语义一体化智能处理》报告给出了肯定的回答。他介绍了研究团队采用人工智能辅助技术处理遥感影像取得的相关关键技术的突破,并表示在智能化的测绘时代,大模型、知识图谱等人工智能技术,将在遥感影像处理中发挥更大的支撑作用。 挑战:地理空间异质性制约了大模型泛化性 如今常见的AI大模型有具备超强语言理解能力及对话生成、文学创作等能力的自然语言处理大模型,比如ChatGPT、百度文心一言;还有可广泛应用于对海量商品图片进行识别的CV计算机视觉大模型;跨模态大模型,则可实现横跨文字、图像等多模态数据的搜索,以及用文本生成图像和视频;科学计算大模型,可以帮助科学家更高效地从海量数据中发现规律,大幅提高科研效率。 不断创新的大模型,表现出越来越强大的涌现能力。这为地理空间智能带来哪些机遇和挑战? 在本届大会特设的“前沿对话”环节,国际欧亚科学院院士、南京大学教授李满春,中国工程院院士、深圳大学智慧城市研究院院长郭仁忠,中国国土勘测规划院院长冯文利,武汉大学遥感信息工程学院院长张永军,美国威斯康星大学长聘副教授、国际华人地理信息科学协会理事会主席高松,阿里云智能副总裁曾震宇,超图软件集团创始人、欧亚系统科学研究会理事长钟耳顺,就此展开热烈探讨。 专家们纷纷表达了对未来将多模态、多元的地理空间大数据更好地融合起来进行训练的期待。冯文利提出,当前针对实现精准和高效的国土空间管控,不仅需要对空间数据的快速处理,还需要精准分析,希望能借助人工智能技术,实现以人工智能为主、实地调查为辅的工作模式的转型。 但是由于地理现象在空间上异质性,地学大模型的泛化能力和迁移能力面临挑战。 高松解释说,在一个区域特定时段训练的模型,被迁移到世界上另外的一个区域和新的时间阶段,现有的研究结果发现,一般来说具有地理空间相似性的区域的模型表现是比较好的,但是如果其环境影响因子不相似,其表现就比较差。如果用海量的,比如说全球尺度的数据训练的地学空间大模型,也许才能解决空间异质性的问题。 钟耳顺指出,尽管人工智能对语言、图像等的识别非常成功,但对于识别构成复杂、非线性的地理信息,构建大模型还面临巨大挑战。郭仁忠院士认为,这需要两个领域的专家相向而行,进一步深化地理信息和人工智能领域等知识的深度融合。 面向未来,要真正实现融合人工智能的地理空间智能,注定还有很长的一段路要走。但相信随着人工智能技术的发展,地理信息产业将拥有更坚实的技术底座、更便捷的开发工具。我们共同期待步入地理空间智能时代的那一天,共享地理空间智能带来的美好生活。 作者:高慧丽 原标题:《AI时代,地理空间智能新挑战》