NVIDIA 地球日列的五個 AI + 環境 project：Earth-2 FourCastNet 3 真的是 1000x 能源效率突破，但整體帳怎麼算？
NVIDIA 地球日 tweet 介紹五個 AI 地球 project。核心技術 FourCastNet 3 + CorrDiff 是真突破：區域預測 500x 快、整體 1000x 能源效率、S&P/AXA/TotalEnergies 都在用。AMP Robotics 已導引 250 萬噸回收。但別把五個 project 的好直接當成 NVIDIA 整體對地球的淨影響。
目錄+
4 月 22 日地球日，NVIDIA AI 官方帳號列了五個 AI 應用環境議題的專案：Earth-2 氣候模擬、瀕危物種保育、回收物分類機器人、海嘯預警、地球觀測洞察。表面是一則應景貼文，但其中 Earth-2 這條線的底層技術，這兩年確實在氣象學界造成具體的轉變。這篇文章先把技術細節講清楚，再回頭看整則貼文作為 PR 的結構性問題。
Earth-2：從 FourCastNet 到 CorrDiff
NVIDIA 在 2022 年宣布 Earth-2 平台，目標是建立地球氣候的 digital twin。當時的核心模型叫 FourCastNet，用傳統數值天氣預報（NWP）的資料訓練神經網路，把「物理方程式反覆迭代」改成「學會從資料推斷下一步」。
2025 到 2026 年 Earth-2 家族已經變成多模型平台：
- FourCastNet 3：全球 weather forecast，用 Spherical Harmonics 結合 Fourier Neural Operator。對比主流的 ensemble method 和 diffusion method，速度快約 60 倍。
- CorrDiff：generative AI 架構，把全球大尺度預測「downscale」到區域高解析度。NVIDIA 官方宣稱比傳統區域預測方法快 500 倍。
- PhysicsNeMo（原 Modulus）：訓練這些 physics-informed model 的框架。
NVIDIA 公布的數字裡最有意義的一個，是在 PhysicsNeMo 裡跑 FourCastNet 可以在「過去做一次 21 天單一情境模擬」的時間內，完成 1000 個平行 ensemble，能源消耗降到 1/1000。這對氣候風險評估是很大的差別——罕見極端事件的機率估計，需要大量的 ensemble trajectory，傳統方法算不起，AI 方法算得起。
誰在用這個
光看數字容易忽略「有沒有人真的拿來用」。Tavily 查到的公開客戶案例包括：
- S&P Global Energy：用 CorrDiff 把氣候資料轉成地方風險評估，服務能源與金融客戶。
- AXA 保險：用 FourCastNet 生成成千上萬的假設性颶風情境，做模型評估和方法學研發。
- TotalEnergies：測試 Earth-2 Nowcasting，做短期能源系統風險判斷。
- Eni：在半實際部署中用 FourCastNet 和 CorrDiff 做長週期高解析度預測，含天氣和天然氣需求。
這些不是 pilot marketing 案例，是保險、能源這種需要真金實銀做風險計算的產業，願意採用生成式 AI 模型做決策。對氣象學和金融模型這兩個向來保守的領域來說，是明確的 adoption 訊號。
2025 年 NVIDIA 把 Earth-2 model family 開源放上 Hugging Face，配 Earth2Studio 工具讓企業可以在自己的基礎設施上 fine-tune 和部署。這是策略性的一步：氣候模型的「基礎層」由 NVIDIA 提供、上層應用交給垂直領域的公司。
AMP Robotics：可以驗證的實際成果
五個 project 裡面，AMP Robotics 是第二個有公開可查大量數字的。這家由 Caltech PhD Matanya Horowitz 在 2014 年創立的公司，AI 平台 AMP Neuron 已經辨識了超過 1500 億個物件、導引 250 萬噸回收物的分類。全球部署超過 400 套 AI 系統，橫跨北美、亞洲、歐洲。
計算基礎用 NVIDIA GeForce RTX 或 V100 GPU 做即時推論——辨識流水線上快速移動的塑膠瓶、鋁罐、紙容器，在毫秒內完成分類。跟 Waste Connections 合作的 Commerce City 廠房預計 2026 年上線，年處理 62,000 噸的 single-stream 回收。
這是屬於「機器人 + 電腦視覺替代重複人力」的經典 AI 應用，不炫但實用。每一噸被有效分類的回收物代表實際減少的填埋場空間。
另外三個 project
瀕危物種保育、海嘯預警、地球觀測洞察這三條，Tavily 查不到對應的具體 project 名稱和可驗證數字。合理的推測是這些多屬 NVIDIA 和學術機構、NGO 合作的案例：Jetson 邊緣運算裝置做野生動物攝影機影像辨識、Omniverse 做地球觀測資料視覺化、各種和國家氣象/海嘯機構的 partner 研究。
這些 project 可能存在，但沒有 Earth-2 或 AMP 那種量級的可驗證公開數字。貼文把它們放一起列，技術厚度是不對等的。
PR 的結構性問題
NVIDIA 的氣候工具是真的、效能數字是真的、客戶採用也是真的。這些不用為了批判 PR 就一起打翻。
但「AI 幫地球」這個敘事有一個一直被略過的比例問題：
NVIDIA 2025 Q4 資料中心業務 revenue 達到 391 億美金（+73% YoY），主要來自訓練 frontier AI 模型的 GPU 需求。訓練一個 frontier-level LLM 的一次完整 run 需要的能源，已經到達「幾千噸 CO2 量級」。整個產業 2025-2026 年訓練的 GPU 耗電量，以百萬噸 CO2 量級計。
AMP Robotics 導引分類的 250 萬噸回收物，是 AMP 過去 10 年累積的成果，不是一年的量。Earth-2 讓 AXA 做更精準的颶風風險評估，但保險公司本來也會做這件事，只是精度提升。
合理的讀法是：NVIDIA 的氣候工具技術上值得稱讚，應該繼續推進；但「NVIDIA 對地球是淨正面」這個命題，需要把資料中心訓練 GPU 的實際碳足跡放進去一起算。地球日 PR 沒有做這件事——這是產業慣例，不是 NVIDIA 獨有的問題，但值得讀者自己補上這個脈絡。
結語
Earth-2 FourCastNet 3 是真的進步，1000 倍能源效率不是行銷話術。S&P、AXA、TotalEnergies、Eni 這些公司願意把 AI 天氣模型接進 production 決策流程，也是 2026 年才剛開始穩定發生的事。
但五個 project 的敘事厚度不對等——Earth-2 和 AMP 有公開驗證，另外三個只有名稱。PR 的寫法把它們平等列出，是為了看起來均衡。
對讀者來說，收下 Earth-2 這條技術線（它值得關注），對另外三條保留懷疑直到看到具體 project 和數字，對「AI for good」敘事整體保留一個補充問題：「那 AI 本身的代價，誰算？」