Google DeepMind在亚太启动“AI for the Planet”：16个项目瞄准生态、农业与碳治理

Google DeepMind在亚太启动“AI for the Planet”加速器，选出16个初创、研究与非营利组织，聚焦生物多样性监测、可持续农业、城市能源优化与碳治理等方向。项目将通过线下训练营与为期三个月的定制支持，提供AI工具、专家指导与云资源，帮助团队把AI嵌入实际环境治理流程，但成效仍需后续独立评估。

Google DeepMind选出16个来自亚太地区的组织，参加首届“AI for the Planet”加速器。入选者包括初创公司、非营利组织和研究团队，项目覆盖生物多样性监测、卫星遥感、可持续农业、城市能源优化以及碳移除验证等领域。

这项计划于2026年9月7日公布。Google表示，首届项目本周在新加坡启动为期一周的线下训练营，随后进入为期三个月的定制化支持阶段。参与者将获得Google人工智能工具、专家指导和技术支持，部分项目还可能根据资格获得Google Cloud或研究云额度。

16个项目如何使用人工智能

Google把入选项目分为三类。

第一类聚焦自然保护和气候韧性。新西兰的800 Trust和Listening Lab使用生物声学监测生物多样性；新加坡的Kumi Analytics把遥感与深度学习用于保护项目的环境基线；韩国TelePIX利用卫星数据进行红树林监测；新西兰的Wildlife.ai则开发开源人工智能摄像系统，用于野生动物保护。来自印度尼西亚的Yayasan Ekosistem Lestari试图建立预测平台，把环境退化与灾害风险联系起来。

第二类面向可持续农业。印度尼西亚的Edufarmers通过日常通讯应用向小农户提供接近实时的病虫害和天气建议；泰国的Living Roots利用数据和人工智能设计适配不同作物需求的生物肥料；新加坡的SIGMA使用卫星人工智能模型估算作物产量；印度的Terrastack将卫星数据与农艺数据结合，为小农户提供地块级土地信息；澳大利亚的X-Centric则把便携式人工智能X射线硬件用于土壤地球化学分析。

第三类与气候和碳解决方案有关。日本的Archeda利用卫星数据，让基于自然的碳信用更容易被测量和核验；新加坡的City Syntax Lab开发面向城市街区的智能体人工智能平台，以优化能源和碳排放；印度的Climitra Carbon使用地理空间人工智能核验入侵物种清除，并将其转化为生物炭；Farmers for Forests和Varaha Climate则分别把小农户农林复合经营、再生农业与碳移除项目连接起来。

这些项目的具体效果，目前主要仍是Google对入选组织及其方案的介绍，并不等于已经获得独立评估。Google公布的名单显示了应用方向，但没有披露每个项目的统一性能指标、融资规模或商业化进展。

加速器提供的不是单一模型

Google DeepMind称，参与者将接触包括AnthroKrishi、ForestCast、AlphaEarth Foundations、SpeciesNet和Perch在内的人工智能模型和工具。它们分别覆盖农业建议、森林风险预测、地球观测、生物多样性识别和生态声学等方向。

这意味着该项目的重点并不是推出一个新的通用模型，而是帮助已经拥有原型或技术基础的团队，把人工智能嵌入具体环境工作流。根据Google DeepMind的项目介绍，该加速器面向总部位于亚太地区、已经具备原型或最小可行产品，并拥有内部人工智能或机器学习团队的初创公司、研究团队和非营利组织。项目提供无股权支持，参与者还需要由至少两至三名创始人、高管或核心技术负责人持续参与。

这种设计反映出环境人工智能项目面临的现实：模型本身只是起点。卫星、天气站、摄像机和声学传感器产生的数据往往格式不一，许多地区还存在观测稀疏、云层遮挡和基础设施不足等问题。要让预测结果进入农业、保护区管理或灾害应对流程，团队还必须处理数据获取、模型部署、误差解释和机构协同。

AIFlux此前报道的Ai2 OlmoEarth地理空间推理平台也显示，地球观测人工智能的瓶颈往往不只在模型精度，还在于能否把跨传感器数据、并行推理和结果拼接做成稳定的生产系统。

亚太地区的环境问题具有明显地域差异

亚太地区并不是一个单一的环境市场。岛屿国家可能更关注海岸线、红树林和生物多样性，农业人口较多的地区则更需要低成本的病虫害、天气和土壤分析工具。与此同时，快速城市化和极端天气也使城市能源、洪水风险和灾害预警成为共同议题。

这一背景解释了入选项目为何横跨卫星、无人机、生物声学、土壤硬件和城市能源平台。它们并不都在追求相同的模型能力，而是在尝试把人工智能放进不同的地方性数据和决策体系中。

Google近年来也在把人工智能用于天气和灾害响应。其最新的WeatherNext 3提高了全球天气预测的空间分辨率和更新频率，但Google同时强调，模型输出不能替代当地气象机构发布的正式预警。AIFlux此前关于人工智能提升灾害预警与应急响应的报道也指出，全球模型只有与本地观测数据、政府部门和救援机构结合，才可能形成有效的预警体系。

绿色人工智能也面临验证问题

环境人工智能项目的价值，最终并不取决于它们是否使用了更先进的模型，而取决于结果是否能改善实际决策。例如，生物声学系统能否在复杂森林环境中稳定识别物种，卫星模型能否在不同季节和地形下保持可靠，碳信用项目能否经得起第三方核验，都会影响项目能否从试点走向长期运行。

这也使得Google的三个月支持计划更像一次技术和产品验证过程，而不是单纯的创业展示。入选团队需要在训练营中明确项目范围和目标，之后接受一对一指导，并在项目结束时向投资者、产业伙伴和Google团队展示成果。

Google DeepMind没有公布这16个项目的资金投入、预期减排量或统一的成功标准。因此，现阶段能够确认的是：这些团队获得了进入Google加速器网络和技术支持体系的机会；至于人工智能是否真的改善了生态保护、农户收入、城市能源效率或碳项目可信度，还需要后续部署数据和独立评估来回答。

如果这些项目能够在不同国家和地区持续运行，它们将为人工智能进入环境治理提供一组更具体的案例。对亚太地区而言，关键问题可能不是能否获得更大的模型，而是能否把有限的观测数据、地方知识和计算资源，转化为一线机构可以使用、验证和承担责任的工具。

来源： Google官方公告：Backing 16 green AI projects in Asia-Pacific、Google DeepMind AI for the Planet项目页。