蔣鵬飛：AI+衛星找礦真的靠譜嗎？

一家成都企業，在硅谷開了一場發布會，宣布今年內要發射全球首顆專門用于找礦的AI衛星。這件事乍一聽有些科幻，但仔細拆解，你會發現它站在了一個真實存在、正在爆發的技術交叉點上。AI找礦，已經不是概念，或許是能源革命的新戰場。

這家企業叫地象幾何科技，總部在成都，深耕礦業勘探領域的全球化硬科技賽道。選擇在硅谷舉辦首場全球技術發布會，不只是為了國際曝光，更是一種清晰的戰略定位信號：這條賽道，要在全球范圍內競爭，要在技術最密集的地方講清楚自己的故事。

AI+衛星找礦真的靠譜嗎？

很多人的第一反應是：衛星在天上，礦埋在地下，這兩件事怎么搭得上？要回答這個問題，先要理解一個核心原理：礦不是憑空存在的，它在地表留有"痕跡"。

所有礦化過程都會在地表形成蝕變帶，圍巖在成礦流體的作用下，礦物組成、巖石顏色、地表反射光譜會發生可被探測的變化。高光譜衛星搭載納米級光譜分辨率的傳感器，在400至2500納米范圍內獲取數百個連續窄波段的光譜數據，可以精準識別綠泥石化、絹云母化、硅化等典型蝕變礦物的光譜吸收特征。這不是理論，這是經過三十年衛星地質應用積累的成熟科學。

而AI的加入，改變的是數據處理的效率和精度上限。過去，地質學家要手動解譯海量遙感影像，一個區塊的分析可能需要數月。現在，卷積神經網絡（CNN）等深度學習模型可以在數小時內處理同等數據量，識別人眼難以捕捉的非線性礦化特征，圈定找礦靶區的精度和速度均大幅提升。更關鍵的是，AI能夠整合多源數據，衛星光譜、重磁異常、地球化學采樣、歷史勘探報告，將過去割裂存儲的地質信息融合為統一的成礦預測模型。

所以這件事的可行性基礎是實的：傳感器技術的成熟解決了"看得到"的問題，AI算法的突破解決了"看得懂"的問題，而商業衛星發射成本的大幅下降則解決了"用得起"的問題。三個條件同時成熟，這條賽道的爆發就不是偶然。真正的問題不是能不能做，而是做到什么精度、覆蓋什么礦種、解決哪些關鍵瓶頸。

國外用這套技術找到了真實的礦

在談地象幾何之前，有必要先看看這條賽道上已經跑了多遠。最值得關注的是美國KoBold Metals。這家公司獲得了比爾·蓋茨、貝佐斯等人超過5億美元的投資，目前是全球AI探礦領域融資規模最大的企業。KoBold的核心競爭力是一個叫TerraShed的數據庫，整合了全球約3%的地質數據，包括衛星遙感、歷史鉆探報告、地球化學數據和地球物理數據。在此基礎上，AI模型進行成礦預測，圈定靶區，然后再做定向鉆探驗證。結果是：他們在非洲贊比亞找到了一個品位達到5%的銅礦，是行業平均品位的8倍多。這個數字意味著什么？意味著每噸礦石的含銅量是普通礦山的8倍以上，經濟價值天壤之別。

澳大利亞Earth AI是另一個典型案例。這家公司專注于綠地勘探，就是在沒有任何歷史勘探數據的全新區域找礦，這是傳統方法最難啃的硬骨頭。Earth AI開發的綠地勘探算法基于多層地質特征建模，在澳大利亞本土的鈀礦和鎳礦勘探中連續發現新礦體，驗證了AI在"白板"地區的找礦能力。

在衛星遙感直接找礦方面，美國加利福尼亞州Mountain Pass稀土礦區提供了一個高光譜成功案例?？茖W家利用德國EnMAP衛星、NASA的EMIT衛星等多顆高光譜衛星的數據，開發出專門針對稀土礦物，巴斯特納西石的光譜指數，在衛星圖像中可以可靠地檢測出每千克含量超過3.3%的稀土礦藏。這項研究已在Nature子刊發表，不是概念論文，是有實際礦點驗證的應用成果。

加拿大GeologicAI則走了一條軟硬件一體化的路線，將高光譜相機、XRF（X射線熒光）分析儀、磁法儀器集成為移動勘探平臺，配合AI實時分析，在野外實地采集階段就能識別礦化異常。這種"邊采數據邊出結論"的模式，把傳統需要數月的實驗室分析壓縮到了小時級。

你有沒有發現，這幾個案例有一個共同點：AI不是替代地質學家，而是讓地質學家的工作從"大海撈針"變成了"精準制導"。

AI找礦需要具備五個硬條件

地象幾何這次要發射的，是專門為找礦任務定制的AI衛星，而不是通用遙感衛星。這個區別至關重要。一顆真正能用于找礦的衛星，需要在技術層面同時滿足以下幾個關鍵條件，缺一不可。

第一是高光譜載荷能力。找礦最核心的是識別蝕變礦物，這需要在短波紅外（SWIR）波段具備足夠的光譜分辨率，理想狀態是波段數量在100個以上，光譜分辨率達到納米級。普通光學衛星的幾個寬波段完全無法滿足這一需求，用多光譜數據找礦就像用普通相機拍醫學影像，信息維度根本不夠。

第二是足夠的空間分辨率。蝕變帶往往是局部性的，空間分辨率過低會導致礦化信號被周圍背景混入、信噪比下降。用于找礦的高光譜衛星，空間分辨率一般需要優于30米，理想狀態在10米級別以內。這對高光譜衛星來說是真實的工程挑戰，光譜維度和空間分辨率之間存在物理上的制衡，需要在載荷設計上進行精細權衡。

第三是星上AI推理能力。傳統衛星是"天感地算"模式：衛星把原始數據傳回地面，地面服務器處理。問題是一顆高光譜衛星每天產生的原始數據量可以超過500GB，但受限于星地鏈路帶寬，能下傳的往往只有10%到20%。大部分數據如果不在星上完成預處理和特征提取，實際上是無效拍攝。因此，真正的AI找礦衛星必須在星上搭載具備實時推理能力的AI芯片，在軌完成礦化異常識別，只將結果而非原始影像傳回地面。

第四是多源數據融合能力。單靠光譜數據找礦有明顯局限，它只能反映地表淺層信息，對隱伏礦體（被覆蓋層遮擋的深部礦體）基本無效。成熟的AI找礦系統需要將衛星高光譜數據與重力異常、磁場異常、地球化學采樣等多源數據進行融合建模，才能實現對深部礦體的預測。這既是算法層面的挑戰，也是數據獲取和融合工程的系統性挑戰。

第五是足夠的地質數據積累作為訓練基礎。AI模型的預測精度高度依賴訓練數據的質量和數量。一個未經大規模已知礦區標注數據訓練的模型，在預測未知區域時會有很高的誤報率。這也解釋了為什么KoBold Metals要花大力氣構建TerraShed這樣的全球地質數據庫，數據本身就是最深的護城河。

什么樣的衛星才能找到礦

說完技術條件，再說說衛星本身的選型邏輯。并不是所有衛星都適合找礦，不同任務對衛星的配置要求差異極大。

高光譜衛星是AI找礦的核心主力。目前全球在軌或近期發射的專業高光譜衛星中，德國的EnMAP衛星（2022年發射）空間分辨率30米，光譜范圍覆蓋420至2450納米，已用于Mountain Pass稀土礦區的礦物識別；NASA的EMIT衛星（2022年搭載國際空間站部署）空間分辨率60米，專為礦物填圖設計；意大利PRISMA衛星和歐洲的Sentinel系列也都在地質應用中發揮作用。中國方面，高分五號（GF-5）衛星和資源一號02D（ZY1-02D）衛星均搭載高光譜相機，已在國內多個礦區的巖性識別和蝕變信息提取中驗證了應用效果。

合成孔徑雷達（SAR）衛星是另一個重要維度。SAR不受云霧遮擋影響，可以穿透植被獲取地表形變信息，對于檢測與礦化相關的斷裂構造、地表位移異常具有獨特價值，是高光譜數據的重要補充手段。中國的高分三號（GF-3）是國內首顆C頻段多極化SAR衛星，已在地質調查中有所應用。

而地象幾何此次宣布發射的，是面向找礦任務專門定制的AI衛星，這意味著它在載荷選型上，會優先保障找礦所需的高光譜精度，同時在星上算力配置上針對礦化異常識別任務進行專項優化，而非通用遙感衛星的普適配置。這種"任務驅動型"的衛星定制路線，是商業遙感衛星發展的重要趨勢，也是它與已有衛星形成差異化的核心邏輯。

從軌道設計的角度來看，用于全球找礦的衛星一般選擇太陽同步軌道，這樣可以保證每次過境時的光照條件基本一致，有利于長時序的光譜對比分析。重訪周期越短，越有利于動態監測礦化異常的變化，理想狀態是3至5天內完成同一目標區域的重訪。

地象幾何出手發衛星靠譜嗎？

最后，回到地象幾何這家公司本身。成都，做的是全球化礦業勘探的硬科技，發布會選在硅谷。這幾個關鍵詞組合在一起，其實透露了一個清晰的戰略判斷：AI找礦這條賽道，正在進入從技術驗證向商業落地轉化的關鍵窗口期，而這個窗口不會長期開放。

從全球礦業的供需結構看，驅動這個需求的是銅、鋰、鈷、鎳等關鍵礦產在全球能源轉型背景下的供應缺口，電動汽車、儲能系統、太陽能設備對這些金屬的需求正以每年兩位數的速度增長，而新礦山的勘探開發周期通常是10至15年。簡單算一筆賬：需求增速加快，供給響應周期長，找礦效率的提升就直接轉化為經濟價值。這是AI找礦賽道最根本的商業邏輯。

發射一顆專用AI找礦衛星，意味著地象幾何要在數據獲取端建立自主可控的能力，而不依賴購買第三方衛星數據。這是從"技術服務商"向"數據+算法+服務"全鏈條運營商跨越的關鍵一步。擁有自己的衛星，就意味著擁有獨立的數據定價權、獨家的重訪計劃主導權，以及在競爭激烈的AI找礦市場中更難被復制的差異化壁壘。

當然，挑戰同樣是真實存在的：高光譜衛星的研制和發射成本不菲，星上AI推理芯片的選型和軌道驗證需要時間，全球復雜地質條件下的模型泛化能力需要持續迭代。但這些挑戰，同樣也是后來者進入這條賽道的門檻。礦，一直埋在那里。變化的是我們找到它的速度和成本。AI+衛星，正在讓這件事變得前所未有地可期。

作者簡介

蔣鵬飛，科普中國專家、中國科普作家、北京神飛航天應用技術研究院副院長。長期從事商業衛星系統研制與航天科普工作，航天科幻圖書《你好人類：逆光行動》作者，“蔣院長講航天”科普新媒體矩陣創始人，全國最具創新職工網絡達人、全國優質直播間、優質主播。在人民日報、頂端新聞、抖音、視頻號等20個平臺開設欄目，累計觸達受眾超1.5億人次。

編輯：航天知識局 審校：張麗