Vultr, la mayor plataforma privada de computación en la nube del mundo, y AMD, líder en computación de alto rendimiento e IA, han anunciado su colaboración con el Energy & Environment Group de la Universidad de Cambridge en el desarrollo de TESSERA, un innovador modelo fundacional de inteligencia artificial diseñado para monitorizar el cambio ambiental a escala global con un nivel de precisión sin precedentes.

En el marco de esta iniciativa, Vultr proporciona la infraestructura computacional basada en aceleradores AMD Instinct MI325X, que permite generar embeddings globales de la superficie terrestre correspondientes al periodo comprendido entre 2017 y 2025. Estos datos facilitarán nuevas aplicaciones en ámbitos como la agricultura, la conservación de la biodiversidad o la monitorización de infraestructuras de energías renovables, marcando un avance relevante en el uso de la inteligencia artificial para afrontar los retos de conservación del planeta.

TESSERA procesa datos procedentes de los satélites Sentinel de la Agencia Espacial Europea para crear representaciones comprimidas mediante inteligencia artificial de cada cuadrícula de 10 metros de la superficie terrestre. Se trata del modelo fundacional pixel a pixel más preciso desarrollado hasta la fecha a partir de datos Sentinel, situándose a la vanguardia en términos de resultados y reproducibilidad. Estos embeddings permiten a investigadores, administraciones públicas y organizaciones de todo el mundo analizar cambios ambientales, desde el estado de los cultivos hasta la detección de procesos de deforestación, con una escala y un nivel de detalle hasta ahora inalcanzables.

“Esta colaboración sitúa a Vultr en la intersección entre la infraestructura de IA más avanzada y la conservación del planeta”, afirma Kevin Cochrane, Chief Marketing Officer de Vultr. “Al proporcionar los recursos computacionales necesarios para TESSERA y apostar por la tecnología de código abierto, Vultr está permitiendo investigaciones con impacto real inmediato, desde ayudar a pequeños agricultores a optimizar sus cosechas hasta monitorizar la pérdida de biodiversidad en ecosistemas críticos”.

Por su parte, Stephanie Dismore, Senior Vice President EMEA de AMD, añade: “TESSERA demuestra lo que es posible cuando equipos de investigación de primer nivel pueden escalar la IA con la computación adecuada y una base de software abierta. Al ejecutarse en la infraestructura en la nube de Vultr, impulsada por GPUs AMD Instinct™ MI325X y la pila de software abierto AMD ROCm™, la Universidad de Cambridge puede procesar de forma eficiente petabytes de datos satelitales y generar embeddings a escala planetaria que convierten la observación ambiental en información procesable”. 

El proyecto aprovechará la infraestructura de Vultr basada en AMD, incluyendo configuraciones de 4×8 GPUs MI325X, para procesar y alojar los embeddings. Esta infraestructura soportará tanto los exigentes requisitos de entrenamiento del modelo como las necesidades de almacenamiento a largo plazo del conjunto de datos global.

El profesor Anil Madhavapeddy, profesor de Computación Planetaria en el Departamento de Informática y Tecnología de Cambridge y codirector del Cambridge Centre for Earth Observation, destaca el enfoque abierto del proyecto: “Nuestro objetivo es democratizar el acceso a la monitorización ambiental a escala planetaria. Al poner los embeddings de TESSERA a disposición de forma gratuita bajo una licencia CC-BY y publicar toda la canalización de entrenamiento, garantizamos que cualquier investigador, gobierno u organización pueda desplegar esta tecnología para sus necesidades de conservación”. 

Además de los datos generados, el Energy & Environment Group publicará una canalización completamente reproducible que permitirá entrenar el modelo desde cero sobre la infraestructura de Vultr, facilitando su despliegue y adaptación a contextos regionales específicos. 

Los requisitos computacionales del proyecto abarcan tanto recursos de GPU para el entrenamiento del modelo como capacidad de CPU para el procesamiento de los datos satelitales en bruto.

Principales áreas de aplicación 

La colaboración desarrollará casos de uso en tres áreas principales:

• Optimización agrícola y ganadera: Monitorización del estado de los cultivos, predicción de rendimientos y gestión de riesgos a resolución de 10 metros, con especial foco en el apoyo a pequeños agricultores en regiones en desarrollo.
• Monitorización de biodiversidad y conservación: Seguimiento de cambios en hábitats, distribución de especies y salud de ecosistemas, desde bosques tropicales hasta redes de setos en el Reino Unido, esenciales para especies como los erizos.
• Infraestructura de energías renovables: Detección y cartografía de instalaciones solares, parques eólicos y otras infraestructuras renovables para apoyar la planificación de la transición energética y el desarrollo de políticas.

“Esta colaboración ejemplifica cómo la infraestructura en la nube puede acelerar la investigación científica con un impacto planetario real”, concluye el profesor Madhavapeddy. “Estamos habilitando un nuevo paradigma de monitorización ambiental abierta y accesible que puede informar decisiones políticas y acciones de conservación en el Reino Unido y en todo el mundo”. 

La colaboración se inició en noviembre de 2025, y los primeros embeddings globales ya están disponibles para acceso público desde comienzos de 2026.

¹A continuación, se incluyen tres visualizaciones desarrolladas a partir de TESSERA que permiten comprender de forma gráfica el alcance y las posibilidades del proyecto: 

• TESSERA Global Tiles: Muestra seis regiones diferentes del mundo representadas en falso color, donde cada píxel contiene 128 dimensiones de datos, frente a las tres habituales; la imagen situada más a la izquierda corresponde al área de la bahía de San Francisco.
• Visualización de Cambridgeshire: Interpretación más artística de los embeddings de TESSERA sobre Cambridgeshire.
• UK Crop UMAP: Es una visualización interactiva de las clasificaciones de cultivos de todo el Reino Unido, elaborada también a partir de los embeddings de TESSERA.