【目的】随着全球在轨地球观测卫星数量的快速增长，遥感数据呈现爆炸式积累，为地球系统科学研究提供了动态认知全球变化的前所未有机遇；与此同时，也伴生多源异构、标注稀缺、任务泛化不足与数据过载等一系列挑战。【方法】为应对这些瓶颈问题， Google DeepMind 提出了 AlphaEarth Foundations（AEF），通过整合光学、SAR、LiDAR、气候模拟及文本等多模态数据，构建统一的64 维嵌入表征场，实现了跨模态、跨时空的语义一致性的数据融合，并在 Google Earth Engine 等平台开放。【结果】AEF的主要贡献体现在： ① 缓解了长期存在的“数据孤岛”问题，建立了全球一致的嵌入层； ② 通过 vMF 球面嵌入机制提升了语义相似性度量能力，支持高效的检索与变化检测； ③ 将复杂的预处理与特征工程前置于预训练阶段，使下游应用进入“分析就绪”状态，大幅降低了应用成本。论文指出，AEF 的应用潜力释放可分为3个阶段：首先是地表覆盖分类与变化检测；其次是嵌入向量与物理模型深度耦合，推动科学发现；最后有望演化为空间智能基座，成为全球地理空间智能服务的一种基础设施。尽管如此， AEF仍面临若干挑战： ① 嵌入向量可解释性不足，限制了科学归因和因果分析； ② 域迁移与跨场景适应性存在不确定性，极端环境下的鲁棒性有待验证； ③ 性能优势需要更多跨区域、独立实验的实证支撑。【结论】AEF 以其在数据效率和跨任务泛化方面的突破，代表了遥感与地理空间人工智能研究的新方向，为未来地学研究提供了坚实支撑，但其进一步发展依据可解释性、鲁棒性及真实性验证的持续提升，并将64维嵌入向量通过不同途径转化为可广泛使用的数据资源。