从雨林到回收厂：NVIDIA AI 保护地球的五大方式

# 从雨林到回收工厂：NVIDIA AI 保护地球的 5 种方式 来源: https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/ 在气候变化、环境保护、灾害监测和回收利用等领域，NVIDIA AI 正在赋能保护地球的应用。 保护地球长期以来是一项缓慢的工作——研究人员在沼泽中跋涉以统计濒危大猩猩的数量，气象预报员 painstakingly 计算天气物理模型，废物分流设施将可回收材料从送往填埋场的垃圾中分拣出来。 AI 和加速计算正在设定新的节奏。 值此地球日之际，NVIDIA 重点介绍了五个推进气候科学和可持续性的项目。阅读以下内容： - 使用 NVIDIA Earth-2 进行气候模拟 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#earth-2) - 用于濒危物种保护的红毛猩猩研究 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#orangutans) - AMP 利用 AI 和机器人技术分拣可回收物 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#amp) - Gordon Bell 奖得主进行的早期海啸预警研究 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#tsunami-warning) - Planet 利用 AI 从地球观测数据中获取洞察 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#planet) --- ## **NVIDIA Earth-2 推进气候模拟🔗 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#earth-2)** NVIDIA 通过 Earth-2 (https://www.nvidia.com/en-us/high-performance-computing/earth-2/) 系列开放 AI 模型、库和框架支持天气和气候理解——这是世界上第一个完全开放、加速的天气 AI 软件栈。 Earth-2 加速了天气预测的所有阶段，从处理初始观测数据到生成 15 天全球预报或局部风暴预报。它包括 Earth-2 Nowcasting (https://research.nvidia.com/publication/2026-01_learning-accurate-storm-scale-evolution-observations) 等模型，该模型利用生成式 AI，在几分钟内将国家规模的预报转化为公里级分辨率的局部风暴和危险天气预测（零至六小时）。 观看 NVIDIA 气候模拟研究主管 Mike Pritchard 在最近召开的 NVIDIA GTC 大会上讨论该技术： 另一个模型 Earth-2 Global Data Assimilation 现在可从 Earth2Studio (https://nvidia.github.io/earth2studio/) 和 Hugging Face (https://huggingface.co/nvidia/healda) 下载。数据同化对于预报员来说是一项巨大的任务：对于美国国家气象局而言，用于预处理原始观测数据的计算量几乎占了进行预测所需计算量的一半。Earth-2 Global Data Assimilation 能够在单张 GPU 上运行，在几分钟内将这些原始数据转化为当前全球大气快照，包括温度、风速、湿度和气压。 Earth-2 Global Data Assimilation 的模型架构 HealDA 是与美国国家海洋和大气管理局 (NOAA) 及 MITRE 合作开发的。以下是来自 MITRE 的视频： --- ## **AI 帮助灵长类动物学家保护极度濒危的红毛猩猩🔗 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#orangutans)** 图片来源：Serge Wich AI 正在将野生动物保护从一项劳动密集、成本高昂的过程转变为高效、自动化的系统，帮助大猩猩生存和繁衍。 最近来自婆罗洲和苏门答腊雨林的两项突破性研究展示了 GPU 加速 AI 如何自动化从航空影像中检测红毛猩猩巢穴，大幅减少了种群监测的时间和成本，从而更好地理解极度濒危红毛猩猩的密度和分布。 传统的红毛猩猩调查需要团队在茂密的森林、泥炭沼泽和多山地形中沿横断面（用于系统调查区域的直线路径）行走，这种方法每小时仅覆盖约 1 公里。 相比之下，基于无人机的调查可以在同一时间段内捕捉 18 公里的影像。然而，瓶颈一直在于人工图像分析——经过训练的专业人士需要大约一分钟来识别每张图像中的巢穴，这意味着一小时的无人机飞行会产生多达 30 小时的繁琐审查工作。 图片来源：Serge Wich GPU 加速深度学习有助于解决这一挑战。 “这些视频中的信噪比非常小。试图找到该信号就像大海捞针——但 GPU 对此有所帮助，”利物浦约翰摩尔斯大学应用人工智能教授 Paul Fergus 表示。“这对大规模视频处理来说是一个变革性的因素。” Fergus 共同撰写了一项发表在《美国灵长类动物学杂志》(https://onlinelibrary.wiley.com/doi/10.1002/ajp.70100) 上的研究，研究人员训练了一个用于自动巢穴检测的 AI 模型，该模型可以在单张 GPU 上在五分钟内处理 1,800 张图像。该模型使用八张 NVIDIA GPU 在包含 800 张高分辨率图像的数据集上进行训练。 同样，研究人员在《PeerJ》(https://peerj.com/articles/20333/) 上发表的研究在 NVIDIA GPU 上训练了四个 AI 模型。其中一个基于 InceptionV3 架构，在分类航空图像是否包含巢穴时，准确率和精确度超过 99%。 您的浏览器不支持 video 标签。 “使用 NVIDIA 支持的深度学习，我们现在可以训练模型，从航空图像中高效地检测和计数红毛猩猩巢穴，”马来西亚沙巴大学热带生物学与保育研究所的计算生态学家 Song-Quan Ong 表示。“这显著减少了监测所需的时间和成本，同时也实现了更广泛和更一致的覆盖范围。” 所有三个红毛猩猩物种都被列为极度濒危，过去 75 年中其种群数量下降了 80% 以上。它们面临的威胁严重且日益加剧：大片森林栖息地被清除用于棕榈油种植园、纸浆造纸业和农业扩张。森林碎片化使种群隔离，降低了遗传多样性，使生存越来越岌岌可危。 野生动物贸易、狩猎以及与农业区域的互动导致的非法猎杀进一步减少了数量。加剧这些压力的是红毛猩猩独特且脆弱的生命周期：雌性每六至九年才生育一次，这是所有哺乳动物中最长的两次生育间隔，意味着种群无法迅速从损失中恢复。 这些挑战使得快速、可扩展的监测对于指导保护干预措施和衡量其有效性至关重要。 “我们需要更快地发现变化发生在哪里，而这确实使这成为可能，”利物浦约翰摩尔斯大学灵长类生物学教授 Serge Wich 表示，他的任务是将这些丰富的数据转化为有意义的实地行动——以及互动。“这将使那些原本花费时间审查图像的人能够实际工作，例如与当地社区合作，试图解决真正的保护问题。” --- ## **更智能的分拣：AMP 利用 NVIDIA 物理 AI 将数十亿磅可回收物从填埋场分流🔗 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#amp)** 您的浏览器不支持 video 标签。视频来源：AMP 回收利用存在成本问题。传统的分拣设施建造成本高达 2500 万美元，但仍会漏掉四分之一的可回收材料。 AMP 是 NVIDIA Inception (https://www.nvidia.com/en-us/startups/) 初创项目“可持续未来”倡议的成员，正在利用 AI 和机器人技术改变这一局面——并帮助地球。 除了其数百个机器人已经在现有回收地点帮助分拣材料外，该公司现在正在从头开始构建原生 AI 回收设施——包括丹佛的一座全自动化工厂和弗吉尼亚州的一个废物分流项目，该项目直接从垃圾中提取可回收物和有机物。 结果是将垃圾变成财富。 迄今为止，AMP 已将超过 20 亿磅材料从填埋场分流，防止了估计 73.9 万吨二氧化碳当量排放——这一数字还考虑了其 AI 技术的培训和运行成本。 AMP 的设施具有成本效益，并实现了 90% 的回收率——即通过回收、堆肥或能源回收成功从填埋场分流的总废物百分比——而传统工厂的回收率约为 75%。 “如果我们肆意使用有限资源，就会损害地球，”AMP 软件总监 Joe Castagneri 表示。“当你不把塑料分流到回收环节时，就会使用源自石油的新塑料。当你不把有机材料从填埋场分流时，它会在无氧条件下分解成甲烷。AI 和自动化提供了高效的方法来梳理、再利用，并最终从我们有限的资源中获得更多价值。” 使用 NVIDIA Hopper GPU (https://www.nvidia.com/en-us/data-center/technologies/hopper-architecture/)，该公司将 AI 推理能耗减半。此外，得益于 AI 和机器人技术使分拣更快、更高效，AMP 使用的传送带数量仅为同等规模传统工厂的约三分之二——这意味着更少的钢材、更少的电力和更小的能源足迹。 您的浏览器不支持 video 标签。视频来源：AMP。 AMP 在 NVIDIA GPU 上训练其 AI 模型，并使用开源 NVIDIA TensorRT (https://developer.nvidia.com/tensorrt) 库和 Triton Inference Server (https://docs.nvidia.com/deeplearning/triton-inference-server/user-guide/docs/index.html) 在边缘端运行推理。该公司还在探索 NVIDIA Isaac Sim (https://developer.nvidia.com/isaac/sim) 框架，以便在现实世界中建造之前在模拟环境中开发和优化其设施。 “在废物行业，AI 和自动化简单地降低了从垃圾中获取有价值物品的成本，”Castagneri 说。“反过来，这增加了我们最初可以提取的垃圾量以及我们可以盈利提取的量。如果你能更有效地利用资源，它有助于环境。” NVIDIA Inception“可持续未来”倡议中的其他公司正在绿色计算、可持续基础设施和野生动物保护等领域进行 pioneering 发展。 --- ## **海浪之前：研究人员开发海啸早期预警系统🔗 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#tsunami-warning)** 您的浏览器不支持 video 标签。SC25 高性能计算艺术展中展示的海底法向速度源数据和声重力模型输出的艺术渲染图。出版物链接: https://doi.org/10.1145/3712285.3771787 视频来源：Stefan Henneking, Sreeram Venkat, Veselin Dobrev, John Camier, Tzanio Kolev, Milinda Fernando, Alice-Agnes Gabriel, and Omar Ghattas。 在太平洋下的某处，沿着一道 1,000 公里的裂缝，胡安·德·富卡板块在此俯冲至北美板块之下，自 1700 年 1 月 26 日——卡斯卡迪亚断层最后一次破裂以来，应变一直在积累。古地震证据表明复发间隔约为 250 年。这个数学结果令人不安。 当它发生时，沿海的俄勒冈州和华盛顿州在高达 30 米的海浪抵达前，最多只有 15 分钟的时间。现有的海啸早期预警系统基于简化的假设，可能导致延迟、虚假或漏报的警告。 更准确的预测可以通过解决所谓的反问题来实现：从海底传感器的压力读数反向推导引起这些读数的海底运动，然后再向前预测海浪将撞击何处以及高度如何。 得克萨斯大学奥斯汀分校的教授 Omar Ghattas 及其合作者 Stefan Henneking 多年来一直在研究这类问题。他们的团队——跨越得克萨斯大学奥斯汀分校、加州大学圣地亚哥分校和劳伦斯利弗莫尔国家实验室——因做得足够快以至于有意义而获得了 ACM Gordon Bell 奖 (https://www.acm.org/media-center/2025/november/gordon-bell-prize-2025)。 解决方案取决于一个安静的数学事实：卡斯卡迪亚破裂的物理规律不随发生时间而改变。这种时间平移不变性使得可以预先计算困难部分——每次为每个传感器运行一次完整的物理波动方程——因此当传感器检测到真实破裂时，只剩下快速计算。在 GPU 上运行，它在不到十分之二秒内完成——比现有方法快一百亿倍 (https://www.acm.org/media-center/2025/november/gordon-bell-prize-2025)——并且不仅返回预测，还返回该预测的不确定性度量。 这使得警告在破裂发生后的几分钟内就交到人们手中，让他们比完全没有时间更接近有 10 分钟的时间到达高地。计算不再是限制因素。 “我们没有 50 年让传统算法解决反问题，”Ghattas 在上个月的 GTC 大会上表示 (https://youtu.be/HwZDFUpx3kE?si=oG2eFkaQ33GBVqT2)。“我们不到 15 分钟。” --- ## **当你看到它时：Planet 将 AI 应用于地球观测🔗 (https://blogs.nvidia.com/blog/earth-day-2026-ai-accelerated-computing/#planet)** 图片来源：Planet Planet 运营着世界上最大的地球观测卫星星座。该公司的使命：每天对全球进行成像，使变化可操作且可见。Planet 团队已成功发射近 650 颗卫星，产生了超过 3000 亿平方公里的影像、50 PB 的地球数据以及为全球客户提供的大量宝贵见解。 然而，许多人可能不知道的是，原始卫星图像实际上并不是图像。它是一个压缩的字节数组，必须解压缩、正射校正——精确地固定到地球表面，并根据传感器的物理特性和轨道几何形状进行校正——然后进行处理。当人类看到它时，图像可能已经过时几个小时了。 Planet 航天器副总裁 Kiruthika Devaraj 在上个月的 NVIDIA GTC 大会 (https://www.nvidia.com/gtc/session-catalog/sessions/gtc26-s81732/?ncid=so-nvsh-262916-vt22) 上这样描述：地球观测一直模仿天文学，其重点在于窥视遥远的过去。她认为，它需要变得更像生物学：将计算的“大脑”移近传感器的“眼睛”，从而加快洞察力的获取，使其更接近收集速度。 会上展示的一项与 NVIDIA 为期三个月的合作，试图缩小这一差距。团队采用原生 GPU 工作流构建了一条流水线，处理原始压缩卫星数据。相比之下，当计算昂贵且存储便宜时构建的传统架构可能需要长 100 到 300 倍的时间来完成同样的工作。 用具体的术语来说：在几秒钟内而不是几小时内提供野火见解。这为第一响应者提供了支持主动管理所需的快速可见性。 *值此地球日，* **收看电视讨论** *Devaraj 关于 Planet 和 NVIDIA 边缘计算可能性的讨论* (https://www.nvidia.com/gtc/session-catalog/sessions/gtc26-s81732/?ncid=so-nvsh-262916-vt22)*。*