Google выбрала 16 экологических AI-проектов для акселератора в APAC

Первая группа AI for the Planet

Google назвала 16 участников первого Google DeepMind Accelerator: AI for the Planet для Азиатско-Тихоокеанского региона. В программу вошли стартапы, некоммерческие организации и исследовательские команды из Австралии, Индии, Индонезии, Новой Зеландии, Сингапура, Таиланда, Южной Кореи и Японии. Стартовая практическая сессия проходит в Сингапуре, а вся программа рассчитана на три месяца.

Участникам обещаны доступ к актуальному Google AI stack, включая специализированные frontier models, техническая поддержка и наставничество экспертов. Это именно акселератор, а не объявление о закупке готовых государственных систем и не доказательство эффективности каждого проекта. Google описывает помощь в развитии и масштабировании решений, но не приводит общую сумму инвестиций, единый benchmark или результаты независимой оценки.

Шесть способов наблюдать за природой

Самый большой блок когорты связан с биоразнообразием и климатической устойчивостью. Новозеландские 800 Trust и Listening Lab используют bioacoustics: первый проект строит непрерывный мониторинг и обнаружение экологических угроз, второй разрабатывает инструменты, которым требуется меньше размеченных данных. Wildlife.ai создаёт open-source камеры с AI для наблюдения за животными. Эти подходы превращают звук и изображение в повторяемые наблюдения, но качество выводов всё равно зависит от покрытия сенсорами и проверки полевых данных.

Kumi Analytics из Сингапура объединяет remote sensing и deep learning для формирования экологических baseline, южнокорейская TelePIX извлекает сведения о мангровых лесах из спутниковых данных, а индонезийская Yayasan Ekosistem Lestari связывает деградацию среды с риском стихийных бедствий в predictive AI platform. Здесь модели нужны прежде всего для измерения изменений во времени. Сам акселератор пока не сообщает точность детекции, географическое разрешение или частоту ложных тревог.

AI для небольших хозяйств

Пять участников работают с сельским хозяйством. Edufarmers собирается передавать небольшим фермам почти оперативные рекомендации по вредителям, болезням и погоде через привычные приложения для сообщений. Living Roots применяет данные и AI при подборе биологических удобрений под конкретные культуры. Сингапурская SIGMA строит спутниковые модели оценки урожайности, а индийская Terrastack объединяет спутниковые и агрономические данные для анализа отдельных участков.

Австралийская X-Centric предлагает переносное X-ray оборудование с AI как альтернативу традиционным почвенным лабораториям для быстрого геохимического анализа. Общая линия этих проектов — сократить расстояние между измерением и решением на поле. Однако официальный анонс не утверждает, что лабораторные методы уже можно полностью заменить, и не публикует сравнительную точность. Поэтому портативность следует считать заявленной формой продукта, а не подтверждённым превосходством.

От городского энергопотребления до carbon credits

Оставшиеся пять команд сосредоточены на климате и углеродных проектах. Японская Archeda применяет спутниковые данные к измеримости природных carbon credits. City Syntax Lab из Сингапура строит agentic AI platform для оптимизации энергии и углерода в городских районах. Индийская Climitra Carbon использует Geo-AI, чтобы проверять удаление инвазивных видов и их переработку в biochar.

Farmers for Forests связывает agroforestry небольших хозяйств с измеряемыми результатами по углероду и биоразнообразию, используя AI-дроны. Varaha Climate проверяет regenerative agriculture и carbon removal с помощью remote sensing, чтобы фермеры могли получать carbon credits. В этих моделях особенно важна проверяемость: алгоритм может снизить стоимость наблюдения, но целостность кредита определяется методологией, дополнительностью, длительностью хранения углерода и независимым аудитом, которых короткий анонс подробно не разбирает.

Какие модели доступны участникам

Google перечисляет AnthroKrishi, ForestCast, AlphaEarth Foundations, SpeciesNet и Perch как примеры frontier AI, на которых команды смогут развивать идеи. Набор показывает разные типы входных данных: спутниковые изображения, лесные риски, фотоловушки и звук животных. При этом публикация не закрепляет конкретную модель за каждым участником и не говорит, что все 16 организаций уже развернули перечисленные системы в production.

Поэтому ближайший измеримый результат программы — не количество моделей в пресс-релизе, а способность команд превратить доступ к инструментам в устойчивый процесс: собрать репрезентативные данные, установить baseline, проверить ошибки по регионам и сохранить участие местных специалистов. Для решений, влияющих на фермеров, природоохранные территории и carbon markets, отдельно нужны понятные правила о том, кто может оспорить автоматический вывод и как исправляется неверная запись. Именно эти показатели позволят отличить полезную экологическую инфраструктуру от эффектной демонстрации после завершения трёхмесячного акселератора.