2025年，NASA+Hubble发布了Prithvi-EO 2.0的升级版，AlphaEarth Foundations在持续迭代，开源社区仍在蓬勃发展。但如果你问""中国有没有一个可以拿来就用、经过充分预训练的遥感基础模型""——答案是没有。

这不是因为中国没有遥感卫星——高分系列、资源系列、环境系列、商业遥感星座……据公开资料，中国在轨遥感卫星数量超过100颗，位居全球第二。这不是因为没有AI人才——中国有全球最多的AI论文和顶尖AI人才。甚至不是因为没有算力——中国有全世界最快的E级超算。

真正的原因只有一个：用于训练遥感基础模型的数据，在中国不开放。

Prithvi之所以能成功，是因为Landsat和Sentinel的数据完全免费公开。任何有网络连接的人都能下载。AlphaEarth的训练数据也依赖这些公开数据源。开源模型Clay同样使用NASA和ESA的免费数据。但在中国，高分卫星等遥感数据的获取成本高、审批流程复杂、使用限制严格。一个高校课题组想用高分数据训练AI模型，据业内反映，可能需要数月以上的申请周期和数万元的数据购买费用。这对AI模型训练来说是致命的——AI模型开发需要快速迭代、低成本试错、大量数据反复训练。数据获取的高成本和高延迟，直接扼杀了中国遥感基础模型的可能性。

所以本文的第一个结论是刺耳但真实的：中国在遥感AI赛道面临的最大风险不是技术追赶，而是""数据封闭""。如果这个根本问题不解决，再多的人才和算力都将是空中楼阁。

一、三个必须面对的战略判断

判断一：数据封闭是中国遥感AI的结构性短板

这不是一个""没意识到""的问题，而是一个""意识到了但改不了""的问题。中国遥感数据的管理机制由来已久——主管部门有安全审查的正当理由，数据脱敏和分级开放的流程仍在完善中。但现实是：欧美在""开源数据+AI模型""的飞轮上已经跑了两年，中国还在体制内部讨论数据开放的政策可行性。据业内判断，两年时间在AI领域可能是""数代模型代差""。

解决方案不能是""一步到位完全开放""——这不现实。但可以采取渐进路径：先开放10米以上分辨率的数据用于科研，再逐步向商业用户开放。一个可行的模式是：设立""遥感AI共享数据集""，由主管部门统一管理，定期更新标注数据，面向高校和企业开放免费/低成本使用权。这不是技术问题，这是一个管理体制的改革。

""欧美遥感AI基础模型的成功，与其说是技术胜利，不如说是数据治理能力的胜利。Landsat开放政策的远见，在20年后被AI技术兑现了。中国需要类似的政策远见——现在就开始。""——一位遥感政策研究者的观点

判断二：中国有能力在特定场景实现""弯道超车""

在通用遥感基础模型上追赶欧美注定艰难——差距不仅存在，而且在扩大。但在特定垂直场景上，中国有独特的优势：

农业遥感——中国作为农业大国，有全球最丰富的农作物监测需求。水稻、小麦、玉米、大豆、棉花——几乎每个主要作物都有规模化种植区和产量估算需求。结合中国的农业大数据（地块信息、产量统计、气象数据），场景驱动AI模型的精度可能反超通用模型。

灾害应急——中国是自然灾害多发的国家，洪涝、地震、滑坡、森林火灾——几乎每种灾害类型中国都有高频次案例。这意味着中国有全球最丰富的事后响应数据和真实场景测试机会。在""AI快速灾害评估""这个细分赛道上，中国有条件成为全球最佳实践的创造者。

城市扩张监测——中国的城市化速度全球罕见。用AI遥感监测城市边界扩张、违章建筑识别、绿地覆盖率变化——这些场景的""数据密集度""和""价值密度""比任何国家都高。AI模型在中国城市上的训练效果，反过来可以输出到非洲、东南亚、拉丁美洲等正在城市化的地区。

判断三：基础模型商业化需要""国家队+企业""双引擎

欧美的路径有两条：政府主导的开源模型（Prithvi，NASA+IBM模式）和商业巨头的闭源模型（AlphaEarth，Google模式）。中国两条路径都有可行性，但需要明确的协同机制。

国家队路径：由中科院空天信息创新研究院、国家卫星气象中心等机构牵头，联合高校开发一个开源遥感基础模型。参考Prithvi模式，用国内公开的遥感数据（资源系列、环境系列）训练一个基础版本，开源发布。这不是为了商业盈利，而是为了避免""中国没有自主遥感基础模型""的战略短板。

企业路径：鼓励商业航天公司与AI企业联合开发场景化大模型。利用企业的数据获取能力和AI公司的模型能力，在细分场景上实现突破。

两条路径不能互相取代——基础研究需要国家队的长周期投入，商业落地需要企业的灵活性和产品化能力。

二、分角色行动框架