编辑推荐：
本综述深入探讨了开源范式在变革地理空间人工智能（GeoAI）领域中的关键作用。文章对比了开源与闭源大语言模型（LLMs）在定制性、互操作性及透明度上的差异，指出开源模型通过其开放性（如支持FAIR原则、强化学习（RL）应用等）极大地推动了地理信息科学（GIScience）在创新、适应性和社区驱动方面的进步。同时，也审慎分析了其面临的安全性、隐私与治理挑战，主张构建一个结合开源基础、专业地理空间模型及跨学科协作的多样化、可互操作生态系统，以负责任、可持续的方式推进空间研究。
开源大语言模型（LLMs）正在重塑地理空间人工智能（GeoAI），为数据处理、空间分析和决策支持带来了新的能力。这篇综述的核心在于审视开源范式在这场变革中的关键角色。尽管像ChatGPT这样的闭源模型提供了便利的访问性，但它们往往限制了对于专业地理空间任务至关重要的定制化、互操作性和透明度。相反，开源替代方案通过促进更强的适应性、可重复性和社区驱动的创新，显著推动了地理信息科学（GIScience）的发展。
开源如何改变GIScience
LLMs正迅速渗透到地理空间工作流的各个环节，从原始空间数据清理到交互式地图渲染。开源与闭源生态之间的选择深刻地影响着这一进程。现代GIScience流程可划分为四个核心阶段：数据准备与质量保证、空间分析与建模、机器学习驱动的推理以及地理可视化与交互。在每个阶段，当模型代码和权重以宽松许可协议发布时所带来的自由，与能力被禁锢在商业API背后所带来的限制形成了鲜明对比。
数据准备与质量保证
研究表明，LLMs已能处理常规的GIScience“内务”工作，但闭源与开源生态系统之间的鸿沟依然巨大。例如，依赖GPT-3.5/4 API的TAGIFY原型虽然能自动生成爱沙尼亚开放政府数据的双语标签，节省了人工整理时间，但却使机构无法微调规则或在本地部署服务。相比之下，开源方法在基础数据准备和质量保证工作流上提供了更大的控制权、透明度，且往往具有更优性能。例如，Hu等人的研究表明，在细粒度调校下，轻量级开源模型如Mistral-7B在地名解析任务中显著优于包括先进深度学习链接器在内的20种其他方法。Memduho?lu等人发布的Transformer编码器，能够嵌入原始OpenStreetMap（OSM）标签，当其嵌入信息输入传统的XGBoost分类器时，建筑功能的F1分数在六个城市中提高了12%。地学基础模型K2，在GeoBench基准测试中表现出色，同时保持完全可自托管和可扩展。这些例子表明，当LLMs的代码和权重公开时，地理空间团队获得了对标签和验证流程本身的完全控制，最大限度地实现了本地自主性和快速迭代。
空间分析与建模
LLMs开始充当“自动分析师”，能够从单个提示中链接缓冲区、叠加分析、网络指标甚至物理模拟。闭源方案如LLM-Geo和MapGPT，通过API将GPT-4集成到Python智能体中，实现自动化空间分析和制图，但每一步推理都依赖于供应商的专有端点，导致无法审计或适应。开源方案则反其道而行之。OmniGeo是一个结合视觉编码器和文本骨干网络的多模态LLM，能够从影像和元数据中分类遥感场景、预测县级痴呆症死亡率和提取街景感知分数。SpatialRGPT则增强了开源视觉语言模型，增加了相对深度分支，并蒸馏了超过800万个自动生成的3D问答对，以获得空间推理技能。此外，针对工具使用能力和成本效益的开源策略也在涌现，例如GeoTool-GPT通过微调开源LLM学习生成复杂的空间分析工具序列，而Geo-OLM框架则采用“状态驱动”工作流分解复杂的地球观测任务，使得较小的开源模型能以10-100倍的成本降低实现接近GPT-4o的性能。因此，开源性带来的可审计性、定制化和成本效益，在空间分析中通常超过了闭源系统的便利性。
机器学习驱动的推理
LLMs并未取代传统的地理空间机器学习（ML）和人工智能（AI）流程，而是消融了数据工程、模型训练和推理之间的界限。这种整合是成为黑箱服务还是可重复的研究资产，再次取决于开放性。在Esri的ArcGIS Pro或Google的Vertex AI等闭源平台中，模型检查点、调优过程和选择逻辑通常不透明或受限于供应商生态系统。而像IBM与NASA合作开发的Prithvi模型，其完整的模型细节、代码和数据均在Hugging Face上公开可用，研究人员可以在标准计算机上对其进行微调，用于特定应用（如绘制燃烧疤痕）。Google DeepMind的Gemma 3也遵循类似的开放模型方法。社区工具包（如TorchGeo）使得试验这些开放权重模型变得容易。更进一步，研究正从静态分割向交互式和语义引导的推理推进。例如，FSVLM框架结合开源LLM（Vicuna）与分割模型，利用语言捕捉复杂的物候和环境背景进行农田分割。GeoPix基于开源LLaVA架构，支持像素级对话，可根据单条用户指令分割多个不同对象。在传统时空序列预测方面，NextLocLLM框架使用开源LLM（GPT-2）作为主干，对POI语义和轨迹数据进行建模，实现了对新城市的强大零样本泛化能力。最终，在GIScience中，闭源与开源AI模型之间的选择呈现清晰的权衡：闭源系统提供即时可扩展性和托管基础设施的便利，但代价是用户被锁定在按使用付费的模型中，且掩盖了可能包含空间偏见的模型层。开放权重模型虽然需要更多动手技术投入，但回报给用户的是完全的透明度和根据特定本地需求定制模型的能力。
地理可视化与交互
十年前，地理信息系统可视化意味着在桌面GUI中进行繁琐的点按操作，或是手写代码链接地图渲染库。如今，LLMs正在消解这两个障碍，它能将自然语言指令翻译成可执行的制图流程，并实现与地图的实时、对话式交互。出现了两种范式，各自由其对开放性的立场所定义。在专有领域，NASA和Microsoft的Earth Copilot展示了闭源、SaaS式模型所能提供的服务。由Azure上的GPT-4驱动，该聊天机器人允许研究人员提问并自动从NASA的庞大档案中获取图层、组合多面板地图并叙述趋势。然而，从思维链到渲染代码的每一步都位于API墙之后。开源替代方案则颠覆了这些限制。ChatGeoAI基于Llama-2构建，将普通句子转换为用户可以本地检查、编辑和重新运行的PyQGIS脚本。SPOT是一个开源的自然语言界面，它微调Llama-3权重，能将复杂的自然语言查询解析为YAML场景描述，并自动执行。同时，开源框架也在向设计导向的地理可视化扩展。MapColorAI允许用户用自然语言描述所需的地图样式，并自动生成符合既定制图原则的情境相关等值区域着色方案。Shomer和Xu将自动地图标注放置重构为结构化数据编辑任务，引入MAPLE基准来评估由检索增强生成增强的指令调校开放权重模型。这些例子指出了清晰的权衡：闭源副驾驶提供快速、精美的输出，无缝集成到企业技术栈中，但代价是封死了塑造每个符号、色带和查询的代码路径。开放权重系统需要更多手动投入，但这种投入换来了完全的可审计性，以及根据本地惯例、可访问性标准或新颖空间操作符定制制图效果的自由。
开源LLMs的安全、隐私与治理挑战
尽管在透明度和适应性方面具有优势，开源LLMs也引入了独特的网络安全和隐私挑战，尤其是在高风险的GeoAI应用中。从安全角度看，对模型权重和训练流程的开放访问增加了模型供应链风险，包括恶意权重篡改、依赖项中毒以及在微调或重新分发过程中插入后门。与集中进行模型更新和安全补丁的专有系统不同，开源部署将责任转移给了最终用户，导致机构间的安全态势参差不齐。此外，如果部署时没有适当的沙箱、访问控制和监控，开源LLMs容易受到推理时攻击，如提示词注入、越狱和间接数据窃取。隐私风险同样重要。许多开源LLMs在大规模、弱筛选的语料库上训练，引发了关于无意记忆和泄露敏感或专有数据的担忧。经验研究表明，基础模型在对抗性提示下可能重现个人可识别或机密信息。虽然在本地、内部部署开源模型可以增强数据主权并减少基于云的数据传输风险，但并不能消除训练数据或模型内部表征中固有的隐私风险。最近的监管审查，包括在某些政府背景下对DeepSeek等模型的临时访问限制，反映了对数据治理、跨境数据流和可审计性（而不仅仅是开放性）的更广泛关切。这些发展表明，开放性本身并非可信度的保证；相反，安全且尊重隐私地使用开源LLMs需要健全的治理框架、可重复的训练流程、持续的安全审计以及与新兴AI安全和隐私标准的对齐。
结论与未来方向
地理空间人工智能的发展轨迹既充满显著前景，也存在紧迫问题，而开源平台展示了如何驾驭这些张力。一方面，开源框架实现了更高的透明度、可重复性和适应性研究，这是旨在应对从环境可持续性到社会公平等复杂问题的前瞻性GIScience的基石。通过消除实验障碍，模块化解决方案可以快速整合新兴方法（如强化学习（RL）），并促进全球协作。其结果是形成了一种更加民主化的地理空间智能方法，从业者、政策制定者和社区利益相关者共同开发和改进尖端工具。
另一方面，开放性也带来了GIScience社区必须正视的挑战。最近的监管审查加剧事件（包括在某些地区对DeepSeek等模型的临时访问限制）提醒我们，AI部署可能与更广泛的地缘政治、法律和社会考量纠缠在一起。至关重要的是，这些发展并非由DeepSeek的开源状态本身引发；它们反映了复杂的政治因素。然而，它们强调了一个普遍教训：使开源系统强大的那些特性（对底层算法和模型权重的无限制访问）要求健全的治理机制和负责任的创新实践。这包括严格的代码贡献同行评审、严密的安全审查以及解决数据隐私和算法偏见等伦理考量的框架。
最终，GIScience的真正机遇不在于将任何单一平台推崇为万能药，而在于培育一个多样化的、由AI驱动的地理空间工具生态系统，该生态系统应优先考虑透明度、适应性和共享进步。在这一愿景中，开源模型可作为快速创新和领域特定定制化的试验台，而商业服务则可提供生产环境中通常所需的稳定性、合规支持和规模。对于研究人员和政策制定者而言，这种多元化转化为更大的自由度，可以组合和调整解决方案以应对特定的空间挑战。将对话围绕生态系统而非任何单一模型展开，能够促进持续的对话和集体实验。通过共同努力，GIScience和AI伦理社区可以塑造一个未来，使得地理空间AI在原则性监督下，既处于前沿又值得信赖，在推进空间研究前沿的同时，为社会带来切实的利益。
