← 資訊首页 | 货源大厅

地表之下11亿亿公里:全球菌根真菌网络首张地图绘成,3亿吨碳藏在活体菌丝中

2026-10-13 · 来源:{'name': '虎嗅·中继', 'url': 'https://www.huxiu.com/article/4896990.html'}

地表之下11亿亿公里:全球菌根真菌网络首张地图绘成,3亿吨碳藏在活体菌丝中

一项发表于《科学》杂志的研究首次在全球尺度上估算丛枝菌根真菌菌丝网络的体量,其含碳量相当于全人类身体含碳总量的4到6倍,为土壤碳汇研究打开全新视角。

健康土壤中随手挖起一小勺土,里面盘踞着约10米长的真菌菌丝。2026年6月发表于《科学》杂志的一项研究,第一次在全球尺度上估算了丛枝菌根真菌(AMF)菌丝网络的体量:全球表层土壤中活体菌丝的总长度约11亿亿公里,相当于地球到太阳距离的7400万倍。这个数字意味着,在人类肉眼不可见的地下世界,一张绵延无际的生命之网正在持续运转,其规模远超此前学界的任何推测。

数字之外还有碳——这些菌丝含碳约3亿吨,是全球人类身体含碳总量的4到6倍。研究由地下网络保护协会(SPUN)的贾斯汀·斯图尔特(Justin Stewart)领导。从碳循环的角度看,这意味着一片此前几乎未被计入全球碳收支模型的巨大碳库,就埋藏在人们脚下几十厘米的表层土壤之中。在各国竞相核算碳汇、制定净零路径的当下,这项研究首次为“地下碳账本”提供了一个可信的底数。

AMF与植物根系共生的机制并不复杂,却极其精巧:一部分菌丝伸入土壤,另一部分钻进根部细胞,在细胞内形成反复分枝、状如小树的“丛枝”结构,这个名字由此而来。植物以糖和脂类喂养真菌,真菌则把从土壤中获取的磷等养分回输给植物。这种互惠关系已延续了数亿年,覆盖了全球绝大多数陆地植物。换言之,读懂这张网络,某种程度上就是读懂陆地生态系统的底层逻辑。

这张地图的底料是322项已发表研究,涉及九大生物群落、超过16000个土壤样本。但真正带地理坐标、可用于建模的野外样本只有1800多组,仅覆盖全球846个陆地生态区中的100个——对整个地球而言只是几把胡椒面。团队因此训练了一套机器学习模型,把气候、植被、土壤类型等环境变量与已有样本结合,推算那些从未被采样地区的真菌分布。这一路径本身也颇具启示:在观测数据天然稀疏的领域,AI建模正成为科学界填补认知空白的常规工具。

把菌丝长度换算成生物量,还需要知道它们有多粗。研究者在实验室里用胡萝卜转化根培养3种常见的丛枝菌根真菌,让菌丝在培养皿中长出完整网络,再以机器人成像系统完成超过30万次宽度测量,测得平均半径仅约2.7微米。长度乘以粗细,全球菌丝的体积与含碳量由此得出。这一环节看似枯燥,却是整个估算能否成立的关键——若半径测量偏差哪怕一倍,最终的碳储量结论就会随之翻番或腰斩。

对生态保护与土地管理从业者而言,这项研究的意义在于把“看不见的地下网络”变成了可量化的管理对象。当土壤健康、再生农业、碳汇项目越来越多地进入政策议程与交易市场,AMF菌丝碳库的首次定量,意味着未来土地类碳信用项目在核算方法学上多了一个此前完全缺席的变量。农业补贴、生态修复评估乃至土地利用规划,都可能逐步把地下真菌网络的存量纳入考量。

对关注前沿技术的读者来说,这项工作也展示了“稀疏观测+机器学习外推”这一研究范式的又一次成功实践:1800多组带坐标的样本,配合气候、植被、土壤等环境变量,就能对一个从未被直接测量的全球尺度对象做出量级可信的估算。同样的思路,正在极地冰川、深海碳通量等观测成本极高的领域被反复借鉴。

需要说明的是,本次研究的成果属于基础科学与生态领域,并非算力硬件或算力服务标的,因此不存在与之对应的GPU型号、在售台数或租用价格带,也没有可引用的算力行情报告编号。按本站行情披露规则,该研究当前无在售挂价数据,读者如需了解AI算力采购的真实报价与库存,请参考本站算力行情专栏的独立报告,不应将本篇科学进展与任何算力价格数据相关联。对于希望跟进土壤碳汇方法学研究的机构买家,本篇可作为背景资料存档,但其中的所有数据均不可用作任何采购或投资的定价依据。

从更长的周期看,这张全球菌根真菌地图的价值可能才刚刚开始显现。它既是碳循环科学的一块拼图,也是对人类认知边界的一次提醒:地表之下11亿亿公里的活体网络,与地上的森林、农田和城市一样,是地球系统不可或缺的组成部分。后续研究若能扩大采样覆盖面、细化到物种与功能层面,土壤碳汇的核算精度还将持续提升,值得生态、农业与气候政策领域长期跟踪。

Q: 全球AMF菌丝网络的总长度和含碳量分别是多少?

A: 全球表层土壤中活体菌丝总长度约11亿亿公里,相当于地球到太阳距离的7400万倍,含碳约3亿吨,是全球人类身体含碳总量的4到6倍。

Q: 这张全球地图基于多少野外样本建模?

A: 研究综合了322项已发表研究、超过16000个土壤样本,但其中带地理坐标、可用于建模的野外样本仅1800多组,覆盖全球846个陆地生态区中的100个,团队依靠机器学习模型推算未采样地区的真菌分布。

主题标签: SPUN · Justin Stewart · Arbuscular Mycorrhizal Fungi · Machine Learning · Soil Carbon


萬安算交所 AIXX · 算力硬件实名会员制交易平台 · 进入货源大厅