AI2 lança OlmoEarth, inferência geoespacial em escala planetária

Introdução

A AI2 lançou a OlmoEarth para inferência geoespacial em escala planetária, projetada para executar de ajuste fino a predições massivas de modelos de observação da Terra. O anúncio foi publicado em 28 de julho de 2026 e detalha uma arquitetura capaz de processar dezenas de terabytes e mapear áreas continentais em cerca de um dia, com custos de frações de centavo por quilômetro quadrado.

O tema importa porque organizações que monitoram florestas, agricultura, incêndios e eventos climáticos precisam transformar imagens de satélite em decisões confiáveis, no ritmo em que o planeta muda. A palavra-chave https://huggingface.co/blog/allenai/olmoearth-infrastructure sintetiza o foco, conectando o ecossistema aberto do Hugging Face com a infraestrutura operacional da AI2 para levar modelos geoespaciais à prática.

Este artigo examina o que a OlmoEarth entrega de novo, como a engenharia torna viável a inferência em escala continental, por que padrões abertos como STAC importam, e que aplicações práticas já estão no horizonte segundo AI2 e parceiros.

Por que inferência geoespacial é diferente, e como a OlmoEarth enfrenta o desafio

Modelos de linguagem e visão tradicionais consomem megabytes. Em observação da Terra, um único job de ajuste fino ou inferência pode mover terabytes por horas, com múltiplas bandas espectrais, sensores e janelas temporais, além de nuvens e lacunas nos dados. A saída ainda precisa manter alinhamento geodésico perfeito, caso contrário o mapa final apresenta costuras e deslocamentos.

A OlmoEarth ataca o gargalo onde ele mais dói, dados, não só o modelo. O pipeline divide o trabalho em três estágios, cada um casado com um perfil de hardware específico. Primeiro, aquisição e pré-processamento rodam em CPU com alto I O, reamostrando, reprojetando e normalizando cenas. Depois, a inferência roda em GPU para o forward pass, escrevendo saídas minimamente processadas direto no armazenamento. Por fim, o pós-processamento volta ao CPU para montar janelas, aplicar máscaras e exportar em formatos como Zarr, GeoTIFF ou GeoJSON.

Resultado prático, GPUs permanecem alimentadas continuamente por data loaders multiprocesso, enquanto a plataforma organiza o fluxo dos jobs e a escrita em blob storage. Esse desenho evita o desperdício clássico de rodar obturação e reamostragem pesado em GPU, que é cara e ociosa quando forçada a fazer I O.

Execução distribuída, de um pedido a centenas de trabalhadores

O motor de execução OlmoEarth Run fatia a área geográfica do job em partições do tamanho ideal de instância, e dentro de cada partição, subdivide em janelas independentes processadas em forward passes paralelos. Estados inteiros viram centenas de partições, continentes viram milhares. Partições adjacentes têm sobreposição pequena para impedir costuras visuais, reconciliadas ao recompor o raster final.

Em um caso real citado, a plataforma gerou um mapa de risco de incêndio para toda a América do Norte, chegando a picos de cerca de 19.600 CPUs e 994 GPUs em paralelo, com throughput de rede acima de 168 GB s. A paralelização reduziu um trabalho estimado em 4.737 horas de computação serial para aproximadamente 30,5 horas de relógio, um ganho de 155 vezes. Esses números dão contexto sobre a maturidade operacional da solução.

O fan out é controlado por cotas de nuvem e por trocas como resolução de saída, tamanho do modelo, e caching de cenas brutas. Em termos de estratégia, o operador tem um “knob” de paralelismo e um painel de trade offs para ajustar custo e resultado à missão.

Encontrar os pixels certos, sem derrubar catálogos externos

Antes de inferir, é preciso selecionar cenas que cobrem a região e o período corretos. Óptico como Sentinel 2 pede as cenas menos nubladas. SAR depende de polarizações disponíveis. A AI2 enfatiza padrões abertos e catálogos STAC públicos, como os da ESA e do Microsoft Planetary Computer. Mas um job grande dispara milhares de consultas simultâneas, volume que poucos endpoints suportam.

Para evitar sobrecarga, a OlmoEarth mantém um índice próprio de metadados, atualizado conforme novas imagens são publicadas. Para conjuntos hospedados como AWS Open Data, o pipeline recebe notificações por SNS a cada nova cena. Quando o provedor não emite stream de mudanças, o índice faz polling em poucos minutos. Na execução, a plataforma escolhe a melhor origem e faz leituras por janela diretamente de formatos cloud optimized como COG e Zarr, baixando apenas os bytes necessários.

Esse desenho conversa com a realidade do ecossistema. O Planetary Computer expõe um STAC API completo para busca e filtragem por coleção, tempo e propriedades, com endpoints documentados e bibliotecas para assinatura de URLs e acesso a assets, o que reduz atrito no downstream.

No lado de dados abertos, o registro Landsat no AWS indica a disponibilidade de tópicos SNS por tipo de cena, confirmando o padrão que a AI2 recomenda, notificações em fila quando novas imagens chegam, armazenamento em cloud principal sem limites artificiais e formatos otimizados a leitura por faixa.

Resiliência como requisito, falhas esperadas e recuperáveis

Em escala planetária, falhas não são exceção, são rotina. Provedores ficam lentos, bandas faltam, janelas têm nuvem demais, tarefas caem. Na OlmoEarth, cada tarefa de cada estágio e partição sobe uma VM com um container runner reentrante e idempotente. A plataforma rastreia tarefas, reexecuta quando convém, alterna provedores quando possível, distingue erros transitórios dos fatais e reinicia trabalhos que estagnaram. Essa robustez é o que transforma uma demo bonita em serviço utilizável.

O que já é possível hoje em custo, tempo e escala

Segundo a AI2, a plataforma já executa inferência em áreas de escala continental em aproximadamente um dia, processando dezenas de terabytes com custos de frações de centavo por quilômetro quadrado. Esse recorte de custo, por si, muda o jogo para ONGs, governos e coalizões focadas em desmatamento, segurança alimentar e risco de incêndios, que historicamente operam com orçamentos apertados.

Aplicações práticas se multiplicam com esse perfil, por exemplo, atualização rápida de mapas de risco conforme novas cenas são publicadas ou geração de alertas de mudança que disparam quando a paisagem monitorada se altera. Esse último ponto aparece no roadmap oficial.

Ferramentas, agentes e embeddings, o próximo passo de usabilidade

O plano da AI2 mira automações chave. Agendamento de jobs, detecção de mudança e alertas, ferramentas agentic que baixam a barreira de entrada para usuários sem doutorado em ML, modelos mais eficientes, mais modalidades incluindo dados meteorológicos ERA 5, além de um modelo dedicado de embeddings com pré computação global. A ideia, para muitas tarefas, é consultar embeddings em vez de rodar um forward completo sobre pixels, cortando custo e latência.

Um detalhe prático que chama atenção, o OlmoEarth Run roda com VMs capazes de executar um container Docker e acesso a blob storage, hoje operando em Google Cloud, mas com desenho multi cloud e possibilidade de implantação na conta do parceiro. Isso facilita adoção em ambientes governamentais e privados com requisitos de soberania e custo.

Padrões abertos e formatos, por que isso importa para o seu stack

Na base, STAC e formatos cloud optimized viabilizam a arquitetura. O Planetary Computer documenta como buscar coleções como Sentinel 2 L2A com o STAC API e como assinar assets para leitura segura. Na prática, isso significa orquestrar downloads sob demanda com leitura por janela, reduzindo tráfego e custo.

Do lado europeu, o Copernicus Data Space e documentos técnicos da ESA adotam e recomendam STAC para serviços e produtos, além de práticas voltadas a catálogos e assets, reforçando a convergência do ecossistema. Para quem constrói pipelines, esse alinhamento diminui o retrabalho de integração.

![Mapa de satélite de Jersey por Sentinel 2]

Estudos de caso e impacto setorial

Mapeamento de risco de incêndios, o exemplo citado pela AI2, ilustra um caso de uso que pede atualização frequente. Em períodos de seca e calor, dias valem ouro. Processar um continente em 30,5 horas, com orquestração automática e recomposição de janelas sem costuras, abre espaço para alertas operacionais em prazos úteis, integrados a sistemas de resposta.

Conservação costeira e manguezais, parceiros como Global Mangrove Watch e depoimentos de organizações indicam ganhos de acurácia e redução de dados necessários para treinar e adaptar modelos. Quando infraestrutura e modelos vêm prontos para ajuste fino, retrabalhos de engenharia diminuem e a equipe foca mais no problema do que na cola técnica.

Segurança alimentar, com Sentinel 2 e Landsat em cadência quinzenal ou melhor, predições de produtividade e estresse hídrico podem ser atualizadas em janelas curtas. O fato de o ecossistema adotar STAC, com catálogos pesquisáveis e assets assináveis, torna a automação mais simples e audita, um requisito para quem publica dados para políticas públicas.

![Visual de satélite e Terra vistos do espaço]

Como aplicar no seu time, guia rápido e pragmático

• Comece pela fonte e padrões. Domine o STAC do Planetary Computer, incluindo leitura de coleções Sentinel 2 L2A e assinatura de assets. Documentação e quickstarts encurtam muito a curva.
• Padronize formatos de saída. GeoTIFF, Zarr e GeoJSON se encaixam bem em pipelines analíticos e de visualização, e a OlmoEarth exporta nativamente nesses formatos, reduzindo conversões.
• Estruture jobs para o tripé CPU GPU CPU. Reserve CPU para ingestão, reprojeção e mosaico, e use GPU apenas no forward. Isso otimiza custo.
• Monitore e seja resiliente. Planeje retries, alternância de provedores e detecção de jobs estagnados. Falhas são esperadas em escala.
• Automatize atualizações. Integre streams de mudança, como SNS em datasets abertos, e gatilhe inferências quando novas cenas chegarem.

Reflexões e insights, o que isso sinaliza para os próximos 12 meses

Infraestrutura de inferência planetária reduz drasticamente o custo de uma categoria inteira de problemas, não só mapas, mas também embeddings pré computados que permitem buscas sem passar pelos pixels brutos. Se a AI2 cumprir o plano de embeddings globais e interfaces agentic, o onboarding de equipes ambientais pode pular de semanas para horas.

A convergência em STAC e formatos cloud optimized continua, empurrando a cadeia para serviços mais interoperáveis. Esse alinhamento acelera não só a AI2, mas qualquer equipe que deseje construir insight geoespacial com orçamentos finitos. Documentações atualizadas do Planetary Computer e do Copernicus reforçam essa direção.

Conclusão

A OlmoEarth chega com números operacionais concretos, continente em cerca de um dia, dezenas de terabytes e custos por km² em centavos fracionários, e com escolhas arquiteturais alinhadas ao que o mercado comprovou, CPU para ingestão e mosaico, GPU para inferência, execução distribuída e tolerante a falhas. A plataforma devolve ao usuário controle de custo e velocidade por meio de knobs claros de paralelismo e resolução.

Para o ecossistema, o recado é simples. Adotar padrões como STAC, operar com índices de metadados atualizados e construir resiliência em primeiro lugar reduz atritos que antes barravam a inferência planetária. Com AI2, Hugging Face e provedores como Microsoft e ESA na mesma linguagem técnica, a oportunidade é transformar observação da Terra em ação concreta em prazos úteis.