作為 Google Earth AI 的一部分，我們推出了行星預測引擎（PPE），這是一個實驗性的研究功能。它能自主執行完整的地理空間建模工作流程，從資料探索到模型訓練，並在公共衛生、糧食安全、環境風險和社會經濟等多元預測任務中實現改進。

應對人類最緊迫的全球挑戰，例如預測區域糧食安全、環境災害風險、追蹤即時疾病爆發以及繪製社會經濟脆弱性地圖，都需要高精度的地理空間建模。然而，建立這些模型受到破碎資料生態系統的阻礙，需要專業團隊花費數週時間進行手動資料整理、特徵工程和專業空間驗證。

儘管現有的 AutoML 和基於 LLM 的代理能有效自動化標準機器學習管線，但它們依賴預先整理好的表格資料，且缺乏自主處理地理空間工作流程所需的專業能力。因此，行星級分析仍然是一個嚴重的瓶頸，尤其是在人道危機期間需要快速響應時，這種限制更為嚴峻。

今天，我們推出了行星預測引擎（PPE），這是我們 Google Earth AI 倡議中最新的實驗性研究功能，它能將行星資訊轉化為可行的洞察。此前，我們已展示 Earth AI 在智慧整合多元地理空間資產方面的推理能力。

作為一個自主 AI 系統，PPE 能直接從自然語言查詢執行完整的地理空間預測工作流程，從行星級資料探索和清理到訓練和評估。給定一個地理空間預測查詢，PPE 將自主檢索相關資料、進行特徵工程、訓練和評估預測模型，並生成一份全面的報告。

我們證明，透過在無需手動干預的情況下改進各種基準測試，PPE 有效地將建立複雜行星預測模型所需的時間，從包含手動資料工程的數週縮短到僅需數分鐘，即可產生自主洞察。

行星預測引擎的工作原理

PPE 將預測工作流程分解為三個模組化階段，每個階段都由一個 LLM 協調。

第一階段：智慧地理空間資料選擇。給定一個自然語言查詢，PPE 會將提示詞轉換為嚴格的地理約束（空間粒度、連接鍵、時間範圍）。然後，它進行基礎訊號探索，制定領域假設並識別經已發表文獻驗證的直接和因果代理訊號。

PPE 系統性地從既有的地理空間儲存庫（包括 Data Commons 和 Google Earth Engine）檢索共變數。對於在既有儲存庫中不可用的訊號，系統會在推論時執行即時開放網路探索，搜尋政府入口網站和學術儲存庫。

第二階段：多模態資料集整理。組裝好的共變數會與預訓練的地理空間基礎模型嵌入（用於社會人口潛在狀態的 Population Dynamics Foundation Models (PDFM) 和用於衛星影像語義的 AlphaEarth）融合。

系統實施嚴格的「特徵閘門」（Feature Gate），強制執行自動目標洩漏緩解，根據四個反洩漏標準（過濾掉數學子成分、共享調查資料、下游因果效應和未來時間資料）評估每個候選共變數，以確保下游評估的完整性。

第三階段：自動模型建構與預測。在此階段，PPE 從資料整理轉向模型優化和評估。系統會搜尋多種模型家族，例如正規化線性模型、梯度提升決策樹（GBDT）和多層感知器，並帶有防止過度擬合的自訂邏輯（過擬合防護協定），該協定會預先評估資料集風險並實施自我修正循環，以檢測並從泛化失敗中恢復。

關鍵是，每個階段都獨立運作，具有明確的輸入和輸出，以防止資料瓶頸。資料產物透過不透明的句柄在階段之間傳遞，而不是序列化為 LLM 提示詞，從而避免了上下文視窗的限制。

跨任務的多元基準測試改進

我們在機器學習範式、地理區域和科學領域的多維度矩陣中評估了 PPE。

空間迴歸：美國公共衛生與環境。在 21 個 CDC 健康指標中，PPE 的智慧資料選擇和多模態融合實現了平均 R² 值 76.8%，而手動專家管線為 60.0%。我們在預測 FEMA 國家風險指標（平均 R² 值 64.9% vs. 60.0% 基線）和社會脆弱性指數（平均 R² 值 66.2% vs. 58.6% 基線）方面也觀察到類似的增益。

超解析度降尺度：奈及利亞糧食安全。在資料稀缺地區，粗略的區域報告往往會掩蓋當地脆弱性。透過自主整合本地化市場衝擊、糧食價格異常和微氣候指標，PPE 將糧食安全從省級（ADM1）降尺度到地方政府區域（ADM2）的準確性提高了一倍（R² 66.1% vs. 31.5%），為人道組織提供了可操作的高精度脆弱性地圖。

流行病學即時預測：剛果民主共和國伊波拉疫情

在 2026 年剛果民主共和國 Bundibugyo 伊波拉病毒爆發期間，對於新疾病傳播熱點的即時預測，PPE 實現了 Recall@10 為 83.3%，在五個連續的每週預測中，正確識別了 18 個新入侵健康區中的 15 個。

這比已發表的最新貝氏建模基線（約 73%）絕對提高了 10.3 個百分點，這得益於流行病學訊號與 PDFM 嵌入和 PPE 選擇的地理空間共變數的融合。

多模態融合與智慧資料選擇的力量

所有實驗的一個關鍵發現是，結合結構化統計共變數與潛在基礎模型嵌入的協同價值。單一模態都無法捕捉全貌：統計共變數提供明確、可解釋的訊號，而 Population Dynamics Embeddings 和 AlphaEarth Foundations 嵌入則編碼從大型預訓練資料集中學習到的複雜非線性模式。

我們的消融研究一致表明，多模態融合與智慧資料選擇優於基線方法，證實這些表示是互補而非冗餘的。在未來的工作中，我們希望擴展這些功能，以包含更多地理空間資料來源和基礎模型嵌入，例如 Remote Sensing Foundations 多模態嵌入。

結論

PPE 證明自主 AI 系統可以在廣泛的地理空間預測任務中達到或提高性能：從估計美國慢性病盛行率，到提高奈及利亞糧食不安全的解析度，以及即時預測剛果民主共和國的活躍病毒爆發。

透過結合智慧資料探索、多模態基礎模型融合和自動模型優化，PPE 降低了行星級分析的技術門檻，在時間敏感決策至關重要時實現快速部署。

我們相信這項實驗性研究代表了地理空間預測民主化的一個有意義的步驟。透過將重點從手動資料工程轉移到高層次假設指導，行星預測引擎幫助研究人員、人道組織和政策制定者無需專業工程團隊即可建立模型。

儘管 PPE 是一個早期研究專案，我們仍很高興能探索更多使用案例，並觀察這種方法如何幫助組織更好地預測和解決複雜的全球挑戰。

致謝

我們感謝並認可論文所有共同作者的貢獻。我們感謝聯合國世界糧食計畫署（WFP）和脆弱性分析與繪圖（VAM）團隊提供的資料和研究支援。我們也感謝國家生物醫學研究所（INRB）在剛果民主共和國伊波拉即時預測方面的合作，以及 Data Commons、Google Earth Engine、Population Dynamics Foundation Models 和 AlphaEarth 團隊為 PPE 提供基礎資料和模型基礎設施。