ロボットに宇宙から見た地球全体を描く方法を教えようとしていると想像してみてください。あなたはこう思うかもしれません。「簡単だ！猫や車、夕日の写真を100万枚見せれば、あらゆるものを描けるようになるはずだ」と。しかし、ここに落とし穴があります。猫の写真は、遠近法や影によって立体的に見える「目線の高さ」から撮影されています。しかし、衛星写真は、地図のように真上から撮影されています。それらは同じような「感覚」を持っていません。もし猫の写真だけでロボットを教えようとすると、ロボットは混乱してしまいます。地面レベルのルールを鳥瞰図に適用しようとして、街を描く際に地平線を描き込んだり、森が傾いているように見せたりしてしまうかもしれません。これは、地球観測（EO）の研究者たちが解決しようとしている大きなパズルです。つまり、一般的な写真の癖に騙されることなく、衛星画像特有の、平面的で物理的に正確な性質を理解できるAIをどう構築するか、という問題です。

そこで登場したのが、古いやり方を拒絶する新しいデジタルアーティスト、GeoCore-9Bです。このモデルは、既存の写真を学習して「微調整（ファインチューニング）」するのではなく、白紙の状態から、1,000万枚の実在する衛星画像のみを使用して、ゼロから学習されました。これは、一般的な美術のクラスをスキップして、地図作成の専門学校に直行した学生のようなものです。この90億パラメータを持つ巨人は、単に街がどのように見えるかを推測するのではなく、それが正確にどこにあるのかを知っています。「この特定の緯度と経度で、この特定の地上解像度を持つ、密集した都市を描いて」と指示すれば、その通りに従うことができます。

研究者たちは、モデルに現実世界の座標と物理的なスケールに注意を払うよう教えることで、単に美しいだけでなく、地理的に正確な画像を生成できることを発見しました。また、モデルの学習を加速させるための巧妙なトリックも見出しました。それは、「教師」ネットワーク（地形を識別することに長けた、凍結されたエキスパートAI）を使用して、学習中に生徒にヒントをささやかせるという手法です。これにより、最終的なモデルが遅くなったり重くなったりすることはありませんでした。学習プロセスがより集中したものになっただけです。その結果、GeoCore-9Bは、驚くほどリアルな衛星ビューを生成したり、曇った写真を鮮明にしたり、レーダー画像（静止ノイズのように見えるもの）をクリアな光学画像に変換したりすることができるようになりました。これは、地球観測を一般的な写真の型にはめようとするのをやめれば、私たちの惑星を真に理解するツールを構築できることを示唆しています。

問題点： 「猫の写真」の罠

長い間、画像を生成するための最高のAIモデルは、インターネットでお気に入りの題材である、人間、動物、風景などの自然な写真を用いて訓練されてきました。「Stable Diffusion」のような有名なモデルは、芸術作品を作ることに長けています。しかし、科学者がこれらのモデルを使って衛星画像を生成しようとすると、事態は暗転しました。

犬に鳥の写真を見せて、泳ぎ方を教えようとしている場面を想像してみてください。犬は水をかく代わりに、耳をパタパタさせたり、空を飛ぼうとしたりするかもしれません。同様に、これらのAIモデルは「遠近法」に対してバイアスを持っていました。彼らは、物体に地平線があり、角度を持って見られ、特定の「カジュアルな」スケールを持っていることを期待していました。しかし、衛星画像は正投影図であり、地平線のない真上からの視点であり、家は手前にあっても奥にあっても同じ大きさに見えます。

研究者がこれらの「自然画像」モデルに衛星地図を描かせようとすると、結果はしばしば奇妙なものになりました。AIは空に向かって曲がる道路を描いたり、建物が傾いているように見せたりしました。それは、街路レベルの写真のルールを、宇宙からの地図に適用しようとしていたのです。論文では、既存のモデルを単に「微調整」するだけでは不十分であると主張しています。なぜなら、モデルの根底にある「脳」は、依然として大陸や都市ではなく、猫や車について考えているからです。

解決策： 宇宙から生まれたモデル

これを解決するために、著者たちはGeoCore-9Bを構築しました。これは90億のパラメータを持つ大規模な生成基盤モデルです。決定的な違いは何でしょうか？それは、インターネットのフォトコレクションで訓練されたのではないということです。このモデルは、Git-10Mと呼ばれるデータセットに含まれる1,000万枚の衛星画像のみを用いて、ゼロから訓練されました。

GeoCore-9Bを、街路レベルの写真を見たことがない地図製作者だと考えてください。彼は上からの世界しか知りません。これは、Diffusion Transformer (DiT)を用いたFlow Matchingという新しいアーキテクチャに基づいて構築されています。簡単に言えば、「拡散（ディフュージョン）」とは、静止ノイズの雲から始まり、一歩ずつ、徐々に鮮明な画像へと洗練させていくプロセスです。「Flow Matching」は、特に巨大なモデルにおいて、そのノイズを鮮明な画像へと導くための、よりスムーズで効率的な方法です。

しかし、描き方を知っているだけのモデルでは不十分です。どこに描くべきかを知る必要があります。GeoCore-9Bは「地理的に意識（geo-aware）」されています。このモデルは、テキストによる説明に加えて、3つの特別な入力を受け取ります。

1. テキスト: 見たいもの（例：「賑やかな港」）。
2. 地上サンプル距離 (GSD): 画像がどの程度詳細であるべきか（例：1ピクセルあたり1メートル vs 1ピクセルあたり32メートル）。
3. 座標: 正確な緯度と経度。

これにより、モデルは「なるほど、港が見たいのか？ニューヨークでの1メートル解像度なら、小さな船やクレーンを描こう。でもサハラ砂漠での32メートル解像度なら、広大な砂の海岸線を描こう」と言うことができるのです。場所の物理的な現実に合わせて、「筆致」を適応させることができます。

秘訣： 「教師」のささやき

90億パラメータのモデルをゼロから訓練することは、非常に困難です。それは、本を一切使わずに幼児に複雑な言語を話させようとするようなもので、途中で行き詰まったり、デタラメを言い始めたりする可能性があります。研究者たちは、助けがなければ、モデルの画像が時として「方向感覚を失ったり」、テクスチャが断片化したりすることに気づきました。

これを解決するために、彼らはGeospatial Semantic Alignment (GSA) lossを導入しました。ここでの比喩はこうです。生徒（GeoCore-9B）が地図を描いていると想像してください。その隣には、地形を認識するエキスパートでありながら、描くことは許されていない凍結された教師（DINOv3-Satと呼ばれる特化したAI）が座っています。教師は生徒のスケッチを見て、「おい、その川は少しギザギザしているぞ。実際の川はもっと滑らかだ」とか、「その森の区画は散らかりすぎている」とささやきます。

生徒はその言葉を聞き、教師の構造的なヒントに合わせて自分の絵を調整します。重要なのは、この「教師」は学習フェーズでのみ使用されるということです。生徒が準備できたら、教師は取り除かれます。つまり、最終的なモデルは、教師がいなかった場合と同じくらい高速で軽量ですが、より優れた構造的ルールを学習したことになります。論文は、このトリックが生成画像の品質を大幅に向上させ、道路をより直線的にし、建物をよりリアルにしたことを示しています。しかも、最終的な製品に追加のコストをかけることなくです。

何ができるのか？

著者たちは、GeoCore-9Bが単に綺麗な絵を作るジェネレーターではなく、実際に有用であるかどうかを確認するために、いくつかの方法でテストを行いました。

1. テキスト・トゥ・イメージ生成:
テキストに基づいたシーンを描くよう求められたとき、GeoCore-9Bは従来のモデルを凌駕しました。他のAIが奇妙なアーティファクト（家が空中に浮いているなど）に苦戦する一方で、GeoCore-9Bは本物の衛星写真のような画像を生み出しました。「湖と金属製のドームを持つ密集したメトロポリス」のような複雑なプロンプトに対しても、レイアウトを正しく把握することができました。

2. スケールの認識能力:
最も印象的な成果の一つは、命令に応じて「ズームレベル」を変更できる能力でした。1メートルの解像度を求めれば、個々の車や木のような細かいディテールを描きます。32メートルの解像度を求めれば、広い畑や街区のような大きなパターンを描きます。以前のモデルは、高ズームで小さな車を描いたり、低ズームで巨大な木を描いたりして、よく混乱していました。GeoCore-9Bは、スケールの物理学を理解していました。

3. 「テキストなし」の挑戦:
研究者たちは、テキストの説明を与えず、緯度と経度だけでモデルをテストしました。驚くべきことに、GeoCore-9Bはそれでも特定の場所に対して正確な地形を生成することができました。座標をサハラ砂漠に設定すれば砂丘を描き、ニューヨーク市に設定すれば摩天楼を描きました。これは、モデルが単にテキストと画像のペアを暗記したのではなく、地球の「地理的な事前知識（geographical priors）」を真に学習したことを証明しています。

4. 実用的な救助任務:
このモデルは新しい画像を作るためだけでなく、現実世界の課題を解決するためにもテストされました。

• 雲除去: 衛星カメラはしばしば雲に遮られます。GeoCore-9Bは、曇った画像を見て、その下の地面がどのようになっているかを「幻覚（予測）」で見抜き、雲を取り除いて道路や畑を高い精度で明らかにすることができました。
• SARから光学画像への変換: レーダー画像（SAR）は静止ノイズのように見え、人間には読み取りにくいものです。GeoCore-9Bは、ノイズの多いレーダー画像を受け取り、それをクリアな光学写真へと翻訳することができました。これは、このタスクのために設計された多くの専門的なツールよりも優れた結果を出しました。

結論

論文は、GeoCore-9Bが地球観測データの新しい標準を確立していることを示唆しています。これは、自然画像のモデルを適応させるのではなく、衛星データを用いてゼロから大規模なモデルを訓練することが、より良い結果をもたらすことを証明しています。このモデルは単なる「おもちゃ」として綺麗な絵を作るものではありません。災害モニタリング、都市計画、環境追跡といった実世界のアプリケーションへの強い潜在能力を示しています。

しかし、著者たちはこれが出発点であることを慎重に述べています。現在のモデルはRGB（カラー）画像を生成しており、もともと自然写真用に設計された「エンコーダー（画像を圧縮するツール）」に依存しています。これは、極めて微細なディテールを完全に保持することに限界がある可能性を意味します。また、画像生成には優れていますが、「地理的なディープフェイク」、つまり実在の場所に関する誤情報を広めるために使用される可能性のある、あまりにもリアルに見える偽の画像には注意が必要であるとも指摘しています。

要するに、GeoCore-9Bは大きな飛躍です。これは、地球をオブジェクトの集合体としてではなく、一貫した地理的に正確な地図として理解するために、特別に構築された初めての規模のモデルです。これは、地球観測の未来が、私たちの惑星を自撮りの形に無理やり押し込めるのではなく、その独特の幾何学を尊重することにあることを示唆しています。