在卫星和航空影像分析领域，地理空间基础模型（GeoFMs）的出现标志着一个新时代的到来。这篇论文阐述了GeoFMs的概念，这些人工智能/机器学习（AI/ML）模型在庞大的地理空间数据集上通过多种方法进行预训练。
我们首先阐明了GeoFMs带来的核心范式转变：职责分离，大规模模型提供者进行计算密集型的预训练，使得领域专家能够快速微调或提示这些模型以应对特定的关键任务。这种方法不仅使最先进的AI/ML技术更易于获取，同时也维护了下游任务的安全性和机密性。
接下来，我们探索了不同类型GeoFMs所解锁的新能力，区分通过自监督技术（如掩码自编码）生成的可微调视觉模型和通过对比学习生成的视觉-语言模型，这些模型能够实现开放词汇的图像分析等零样本任务。
然后，我们讨论了将GeoFMs投入实践的实际考虑因素，从性能成本分析到更广泛的MLOps生态系统。为此，我们引入了一种模型适应策略的分类法，并提出一个框架，帮助领域专家选择最具成本效益的适应方法。
最后，我们展望了智能地理空间推理的未来愿景，其中大语言模型作为智能协调者，利用GeoFMs作为工具，以自然语言回答高层用户查询并自动化复杂的分析工作流程，从感知迈向认知的领域。