遥感模型的自我进化：智能体递归构建地球观测模型

地球观测（EO）模型的构建至今仍依赖人工。每遇到一个新任务，专家们就需要设计一套训练方案，并在基准测试上反复调优。这种模式不仅耗时费力，而且难以规模化。近期一项研究提出了一种全新范式：将任何可验证的EO任务转化为智能体可以自主执行的“约束框架”与“验证器”，让通用编程智能体递归地构建并改进遥感模型，从而摆脱对人类专家的依赖。

核心思路：把任务变成“约束”与“验证器”

研究的关键洞见在于，任何地球观测任务都可以被转化为两个组件：约束框架（harness） 和验证器（verifier）。约束框架定义了智能体在解决问题时可以使用哪些资源、工具和操作；验证器则定义了什么样的结果才算成功。

例如，在土地覆盖分类任务中，约束框架可能允许智能体访问原始影像、预训练权重和一定的计算预算，而验证器则通过标注的测试集来评估分类精度。一旦这两个组件就位，一个通用的编程智能体就能在循环中不断尝试、评估、调整模型架构和训练策略，实现递归的自我改进。

这种思路的巧妙之处在于，它将模型构建从“设计训练配方”转变为“设计元规则”。人类只需确保任务是可验证的——这可以通过标注基准、独立传感器数据、物理模型或对同一地点的重复观测来实现。

编程智能体（Coding Agent）指的是具备代码生成、执行与调试能力的AI系统，典型代表如基于大语言模型构建的自动化编程工具。与传统的自动化机器学习（AutoML）不同，编程智能体不仅能搜索超参数或网络架构，还能自主编写、修改和运行完整的训练脚本，甚至重构数据预处理管线。在EO模型构建的场景中，智能体通过读取验证器返回的反馈信号（如分类精度、检测mAP等），决定下一步是调整模型结构、更换损失函数还是修改数据增强策略。这种“生成-执行-评估”的闭环正是其实现递归自我改进的基础，也使其能力上限直接受底层语言模型的推理与代码能力制约。

多任务统一：从少样本学习到域适应

传统上，遥感领域中的少样本学习、域适应、多模态融合等被视为彼此独立的研究问题，各有不同的方法体系。但在该框架下，这些任务之间的界限变得模糊——它们仅仅是约束框架和验证器的不同组合选择。

比如，少样本学习对应的是约束框架限制只能使用极少量标注样本，验证器依然使用标准测试集；域适应则对应验证器要求模型在来自不同传感器或不同地理区域的独立数据上保持性能。智能体不需要理解这些任务在学术上的分类，它只需根据验证器的反馈来优化模型。

这种统一视角极大地降低了任务定制的门槛，也让智能体能够跨任务积累经验。

域适应（Domain Adaptation）在遥感中特指模型在一个数据分布（源域，如某传感器或某地区）上训练后，迁移到分布不同的目标域（如另一传感器或另一大洲）时性能下降的问题。由于遥感影像受传感器类型、光照、季节、大气条件等影响，源域与目标域之间常存在显著的协变量偏移。传统方法需要设计对抗训练、特征对齐等专门策略，而在这项研究的框架下，域适应不再是一个需要单独设计算法的任务，只需让验证器在独立的目标域数据上评估性能，智能体便会自动搜索出能缩小域间差距的模型方案，包括不限于风格迁移、自监督预训练或测试时自适应等技术。

实验验证：四个基准上的突破

研究团队在四个地球观测基准上进行了测试，涵盖光学影像、合成孔径雷达（SAR）以及多光谱时间序列影像。结果显示，由智能体构建的模型不仅在精度上超越了当前最先进的方法，而且在仅使用约1%的训练标签时，仍能保持大部分精度。

这意味着，智能体不仅能自动搜索出优秀的模型架构，还能在极端数据稀缺的情况下有效工作。考虑到遥感领域标注数据获取成本高昂，这一特性具有重要的实际应用价值。

合成孔径雷达（SAR）是一种主动式微波遥感技术，通过发射电磁脉冲并接收回波来成像，具有全天时、全天候的观测能力，且对地表结构和湿度敏感。与光学影像不同，SAR图像存在特有的相干斑噪声，且其成像几何为斜距投影，导致同一地物的视觉特征与光学影像差异巨大。因此，在涉及SAR的EO任务中，模型需要处理截然不同的数据分布和物理特性。智能体在该基准上取得成功，说明其不仅能针对光学影像调优，还能自主适应SAR数据的独特性质，例如设计专门的去噪模块或采用适合复数数据的网络结构。

范式转变：人类设计规则，智能体构建模型

这项研究提出的新范式可以概括为：人类设计约束框架和验证器，智能体负责构建模型。随着底层编程智能体能力的提升，EO模型也会随之自动进步，不再需要人类专家为每个新任务重新设计训练流程。

当然，这一范式也有其前提条件——任务必须是可验证的。但研究者指出，通过物理模型、独立传感器交叉验证或重复观测，几乎所有的EO任务都可以被设计成可验证的形式。这为未来地球观测系统的自主演进铺平了道路，也让人不禁思考：这会不会是人类亲手构建的最后一个遥感模型？