Google Earth AI 實戰：地理空間代理應對地球重大挑戰

當我們首次推出 Google Earth AI 時，我們分享了一套地理空間基礎模型，涵蓋遙測、天氣、洪水水文和人口動態等領域。同時，我們也展示了一個初步原型，說明 Gemini 驅動的代理如何連結這些模型來回答跨模態問題。

自那以來，我們已將地理空間推理代理從早期概念發展成一個更強大、實驗性的系統，專為處理行星級資料的多步驟地理空間推理，以及客製化預測模型的自主訓練而設計。今天，我們將分享三項更新。

首先是關於地理空間推理的最新技術報告，我們在四個基準測試中進行了系統性評估，其中包括我們開發並發布給研究人員測試其地理空間推理代理的 GeoKTools 和 GeoExpertQueries。我們的結果量化了 Earth AI 專用工具和規劃相較於現成大型語言模型（LLM）的價值。

其次是來自真實世界合作夥伴測試的洞察，過去幾個月，我們邀請了世界衛生組織（WHO）非洲區域辦事處、People in Need、GiveDirectly、Milken Institute 和 WPP 等一小群社會影響力與商業合作夥伴組織，測試該代理以支援其真實世界工作流程，例如疾病爆發調查、災害應變準備和潔淨能源篩選。

最後是擴大 Google Earth 和 Google Cloud 的早期存取，我們正在擴大多步驟地理空間分析和行星預測的實驗性存取權限。我們為 Ask Google Earth 提供實驗性的深度研究更新早期存取，同時也為開發人員提供代理對代理（agent-to-agent）API 的早期存取，以建立客製化工作流程，包括連接到 Gemini 的整合方案。

通用型大型語言模型（LLM）和標準編碼工具難以解決真實世界的空間問題，因為行星級資料集龐大，且具有需要仔細多步驟規劃才能準確結合的專業地圖和衛星格式。為了實際處理複雜的空間工作流程，我們的代理整合了四項關鍵能力。

該代理連結 Gemini 與 Earth AI 基礎模型的能力，包括 WeatherNext、Flood Forecasting、Population Dynamics Foundation Model (PDFM)、AlphaEarth Foundations 和 Remote Sensing Foundations。

同時，它也整合了來自 Google Maps Platform（例如地點資訊、路線規劃、空氣品質、屋頂太陽能潛力）、Google Earth Engine、Data Commons 和 Google Dataset Search 的資訊。

Earth AI 的功能被包裝成模組化技能，代理只在使用者問題需要時才呼叫它們。在執行複雜操作之前，代理會建立一個逐步分析計畫，在本地覆蓋範圍稀疏時選擇適當的備用資料集，並在專用工作區中處理大型地圖圖層。這種方法避免了用大量空間資料淹沒代理的上下文，同時保持了準確性並追蹤資料歸屬。每個回應都會顯示代理的計畫和使用的資料來源，以便專家可以檢查假設或替換資料集。

組織很少僅依賴公開資料。使用者現在可以透過地理空間推理代理 API 輸入自己的資料集，形式可以是 CSV 試算表、客製化地圖邊界（GeoJSON）或雲端表格。使用者隨後可以要求代理將其私人位置與 Earth AI 的全球模型和目錄結合。

除了回答複雜的分析問題，該代理還為我們最近發布的行星預測引擎（Planetary Prediction Engine）提供動力。根據使用者的本地結果資料，例如區域疾病發生率、作物產量或電網中斷，代理會自動選擇相關的人口和環境訊號。它會融合我們的 Population Dynamics Insights 和 Custom Satellite Embeddings（分別是基於 PDFM 和 AlphaEarth Foundations 建立的 Google Maps Platform 產品），並訓練經過驗證的機器學習模型，用於空間預測、超解析度降尺度和預報。

在我們最近的公共衛生研究中，結合這些人口和衛星訊號，將健康結果的預測準確度比人口統計基準提高了 12%，並實現了 8 倍精細的空間解析度繪圖。

為了衡量領域特定工具和預先規劃對地理空間推理的影響，我們的技術報告比較了 Gemini 3.8 Flash 和 Gemini 3.1 Pro 的四種代理配置：(1) 獨立的大型語言模型（LLM）；(2) 結合基本網路搜尋和地圖基礎工具的 LLM；(3) 結合 Earth AI 工具（例如 Remote Sensing Foundations 和 WeatherNext 3）但沒有預先規劃的 LLM；以及 (4) 完整的地理空間推理代理。

完整的代理在每次查詢開始時都會有一個專門的規劃階段，評估其可用能力，判斷能做什麼和不能做什麼，並制定達到答案所需的檢索和處理階段。

這項評估涵蓋了四個基準測試，包括專家級的開放式分析、多工具協調，以及具有確定性答案的社群開發地理空間問題。CBGB 和 UnivEARTH 是兩個外部開發的基準測試，分別用於測試地理空間程式碼生成和問答。為了測試代理在超越單一問題或使用案例的挑戰性任務上的表現，我們開發了兩個新的基準測試。

GeoExpertQueries 引入了複雜的真實世界查詢，並附有專家編寫的黃金工作流程，這些工作流程捕捉了危機應變、選址和公共衛生等領域的最佳分析實踐。GeoKTools 包含帶有可驗證答案的模板化查詢，每個查詢都需要正確選擇和使用 1 到 4 個不同的地理空間工具。

總體而言，這套基準測試提供了比以往地理空間推理系統評估更廣泛的覆蓋範圍。為了加速地理空間代理的研究和開發，我們完整發布了這兩個新基準測試的開發分割資料。

我們的評估結果有兩項主要發現：首先，領域特定技能對於空間推理至關重要。僅具備基本工具（網路搜尋、地圖基礎和程式碼執行）的代理在定量空間任務上表現不佳。為代理配備 Earth AI 技能，在 GeoExpertQueries、GeoKTools 和 CBGB 上帶來了顯著的進步。

唯一的例外是 UnivEARTH，即使是獨立的大型語言模型（LLM）也能獲得 93.6% 的分數，這可能是因為相關的 NASA 文章和答案在公共網路上可取得。

其次，預先規劃能開啟開放式、真實世界的工作流程。雖然單獨的 Earth AI 技能足以應對 CBGB 和 GeoKTools 等較狹窄的任務，但處理 GeoExpertQueries 中的開放式問題需要預先規劃，以確保代理在多步驟分析中保持正確軌道，並防止其做出不可靠的假設或採取捷徑，例如使用網路搜尋而非空間工具。

技術報告也討論了限制。GeoExpertQueries 的分數來自一個自動評分器，它將代理的表現與定義分析步驟的專家工作流程進行比較，而非正確的最終答案。因此，我們將代理的輸出視為供專家審查和進一步發展的強大初稿，而非最終答案。

為了評估這項研究如何轉化為真實世界的挑戰，我們讓一小群合作夥伴搶先體驗，測試這個實驗性代理在他們最棘手的問題上表現如何。以下是他們如何在公共衛生、災害應變和基礎設施規劃等領域應用 Earth AI 的概覽。

世界衛生組織（WHO AFRO）與剛果民主共和國（DRC）的 INRB：在 2026 年剛果民主共和國伊波拉疫情爆發初期，WHO AFRO 位於達卡的緊急應變中心利用地理空間推理代理，透過交叉比對森林流失（來自衛星影像）、採礦地點（來自地圖和網路資料）以及人口資料，繪製出高暴露風險和高人口流動性的偏遠採礦走廊。

在幾分鐘內，團隊就鎖定了 48 個受暴露影響的聚落，並找到了超過 45,500 名處於風險中的人口，這項工作通常需要數週才能完成。這使得當地應變人員能夠主動部署移動實驗室並協調邊境監測。同時，剛果民主共和國國家生物醫學研究所（INRB）的流行病模型與情報部門（UMIE）使用行星預測引擎來評估伊波拉病毒傳播到未感染區域的風險。

透過結合人口流動、歷史病例趨勢以及 Earth AI 模型和資料集，這些每週的洞察為協調人員在病例到達前提供了關鍵的規劃時間。

WHO AFRO 緊急應變計畫區域經理兼中心協調員 Etien Koua 博士表示：「像礦工這樣的流動人口移動速度比傳統紙本監測能追蹤的更快，造成危險的盲點。Earth AI 利用衛星和移動訊號填補了這些空白，讓我們從被動追蹤病毒轉為主動預測它接下來將在哪裡爆發。」

People in Need：地理空間推理幫助他們將自然災害預測與人口和影像資訊結合，將分析師的重心從資料處理轉移到提供洞察。他們的 GIS 和遙測協調員 Alonso Gonzales 說：「實驗性的地理空間推理代理幫助我們分析了 14 條歷史氣旋路徑，在幾分鐘內而非數天的人工 GIS 工作中識別出高暴露風險的村莊，將準備好的複雜資料轉化為即時洞察，並為挽救生命的預防行動騰出了關鍵時間。」

GiveDirectly：團隊上傳了客製化地圖邊界，以便在熱帶氣旋 Maila 期間快速計算風速區的人口暴露情況，並基準測試密西西比州的龍捲風損害，將危機範圍界定時間從數天縮短到單一工作區內的幾分鐘。

WPP：利用地理空間推理將 Population Dynamics Insights 與其專有資料連結。他們的案例研究表明，Earth AI 的洞察如何提升地理空間行銷活動的表現，同時保護其資料的隱私。

Milken Institute：開發前團隊使用該代理將他們自己的 1,500 多個候選建築清單與 Google Maps Platform 的太陽能潛力資料結合。