Minerva Intelligence 是加拿大温哥华的公司（另有德国达姆施塔特办公室），走的路线跟多数纯资料驱动的 AI 公司不太一样：他们主打「认知 AI」（Cognitive AI），强调把人类地质学家累积的知识结构化写进系统，而不是单纯喂资料让模型自己学。
功能特色与适用场景
这家公司有两条主要产品线。TERRA 是给矿业探勘用的，把地质图、钻孔纪录、地球物理资料等异质来源整合起来，做矿床类型比对与探勘标的排序——关键在于它使用结构化的地质知识本体（ontology），让系统能解释「为什么这块地看起来像斑岩铜矿」，而不只是丢出一个机率分数。另一条 GAIA 则把同一套技术用在自然灾害风险上，处理洪水、山崩、野火的风险评估与土地使用规划。这种「知识 + 资料」的混合路线在专业领域有它的道理：地质资料本来就稀疏又昂贵，纯靠资料量堆出来的模型在这里不太行得通。
适合矿业探勘团队、地质顾问公司，以及做自然灾害风险评估的保险与政府单位。老实说，台湾读者最有共鸣的应该是 GAIA 那条线——台湾每年跟台风、山崩、土石流打交道，这种把地质知识和灾害资料结合起来做风险图层的工具，逻辑上跟国内防灾单位在做的事情很接近。差别在于 Minerva 把它产品化、可解释化了。
主要功能
- TERRA 矿业 AI 套件：矿床类型比对、探勘标的排序与地质图资整合
- GAIA 气候风险 AI：洪水、山崩、野火等自然灾害风险评估
- 以结构化地质知识本体（ontology）驱动，推论过程可追溯、可解释
- 整合地质图、钻孔资料、地球物理与遥测等异质资料来源
- 跨产业应用：土地使用规划、环境评估、保险核保
- 可解释输出，适合需要向监理或投资人说明依据的场景
常见用途
- 早期矿产探勘的标的区筛选与排序
- 整合历史地质图资，做矿床类型的相似性比对
- 区域性洪水、山崩、野火风险图层制作
- 保险业的自然灾害曝险评估与土地使用规划
主要功能
- TERRA 矿业 AI 套件：矿床类型比对、探勘标的排序与地质图资整合
- GAIA 气候风险 AI：洪水、山崩、野火等自然灾害风险评估
- 以结构化地质知识本体（ontology）驱动，推论过程可追溯、可解释
- 整合地质图、钻孔资料、地球物理与遥测等异质资料来源
- 跨产业应用：土地使用规划、环境评估、保险核保
- 可解释输出，适合需要向监理或投资人说明依据的场景
优点
- 「可解释」是真卖点，不是行销话术——地质与保险决策都需要说得出理由
- 知识驱动路线让它在资料稀疏的专业领域比纯统计模型更站得住脚
- 矿业与灾害风险两条线共用底层技术，技术复用度高
- GAIA 的应用场景（洪水、山崩）跟台湾的实际需求高度相关
缺点
- 属于重度专业工具，没有地质或风险评估背景基本上用不起来
- 未公开定价，需洽谈
- 「认知 AI」这个词在业界定义模糊，实际效果高度取决于知识本体的品质
- 公司规模不大，导入前需评估长期支援能力
使用场景
- 早期矿产探勘的标的区筛选与排序
- 整合历史地质图资，做矿床类型的相似性比对
- 区域性洪水、山崩、野火风险图层制作
- 保险业的自然灾害曝险评估与土地使用规划
编辑点评
总编辑的话：我对「认知 AI」这种说法向来有点保留，听起来很容易变成包装话术。但把 Minerva 放在地质这个场景看，我倒是能理解他们为什么这样做——地质资料的取得成本高到夸张，一个钻孔几十万美金，你根本没有百万笔训练资料可以喂。在那种条件下，把人的知识写进系统确实比硬堆资料合理。GAIA 那条线我觉得对台湾更有意义，值得防灾圈的人看一眼。
常见问题
「认知 AI」跟一般机器学习差在哪？
差在知识从哪来。一般机器学习从资料里学规律；Minerva 的做法是先把地质学家的专业知识写成结构化的本体，再用它去推论。好处是资料少也能用、而且推论过程说得出理由，缺点是建本体本身很花人力。
TERRA 和 GAIA 要分开买吗？
是两条不同的产品线，针对的客户也不同——TERRA 卖给矿业探勘，GAIA 卖给灾害风险与土地规划。实际授权方式需要跟他们洽谈。
台湾的防灾单位用得上吗？
技术逻辑上是对得上的，但实务落地要看它能不能吃台湾的图资格式与地质分类系统。这类工具的在地化成本通常不低，建议先做小范围试算再谈导入。
