Google применяет Earth AI на практике: геопространственные агенты для решения важнейших проблем планеты

Авторы отчёта — Шравья Шетти, заслуженный инженер, и Люк Баррингтон, директор по продукту в Google Research.

От прототипа к агенту

Когда Google представила Google Earth AI, компания показала набор геопространственных моделей для дистанционного зондирования, погоды, гидрологии наводнений и динамики населения. Тогда же появился ранний прототип: агент на базе Gemini связывал эти модели, чтобы отвечать на вопросы, для которых нужны данные разных типов.

С тех пор Geospatial рассуждение превратился из ранней идеи в экспериментальную систему для многоэтапного анализа геоданных планетарного масштаба и автоматического обучения пользовательских прогностических моделей. Google сообщает о трёх направлениях работы:

Что умеет Geospatial рассуждение

Обычным языковым моделям и стандартным инструментам для программирования сложно решать пространственные задачи из реального мира. Планетарные наборы данных огромны, а специализированные форматы карт и спутниковых снимков требуют внимательного многоэтапного планирования, чтобы правильно объединить информацию.

Агент сочетает четыре ключевые возможности.

Модели Earth AI и данные планетарного масштаба

Агент связывает Gemini с моделями Earth AI: WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations и Remote Sensing Foundations. Он также использует сведения из Google Maps Platform — например, данные о местах и маршрутах, качестве воздуха и потенциале солнечных панелей на крышах, — а также Google Earth Engine, Data Commons и Google Dataset Search.

Модульные навыки и предварительное планирование

Возможности Earth AI оформлены как отдельные навыки: агент обращается к ним, только если этого требует вопрос пользователя. Перед сложной операцией он составляет план по шагам, при редком покрытии выбирает запасные наборы данных и обрабатывает большие слои карт в отдельной рабочей среде.

Такой подход не перегружает контекст агента массивами пространственных данных и помогает сохранять точность и сведения об источниках. В каждом ответе агент показывает план и использованные данные, чтобы специалисты могли проверить исходные предположения или заменить наборы данных.

Пользовательские данные

Организации редко ограничиваются открытыми данными. Теперь пользователи могут передавать собственные наборы через API Geospatial рассуждение Agent: в виде таблиц CSV, пользовательских границ карт в формате GeoJSON или облачных таблиц. Затем агент может сопоставить частные данные о местоположениях с глобальными моделями и каталогами Earth AI.

От анализа к планетарному прогнозированию

Агент отвечает на сложные аналитические вопросы и работает с недавно анонсированным Planetary Prediction Engine. Пользователь передаёт данные о результатах на местном уровне — например, региональную заболеваемость, урожайность или перебои в электросети. Агент сам подбирает подходящие показатели населения и окружающей среды, объединяет Population Dynamics Insights и Custom Satellite эмбеддинги и обучает проверенные модели машинного обучения для пространственного прогнозирования, повышения пространственного разрешения и предсказания будущих изменений.

Population Dynamics Insights и Custom Satellite эмбеддинги — продукты Google Maps Platform, построенные соответственно на PDFM и AlphaEarth Foundations. В недавнем исследовании Google в сфере общественного здравоохранения объединение демографических и спутниковых данных повысило точность прогнозов исходов для здоровья на 12% по сравнению с базовыми демографическими моделями и позволило создавать карты с пространственным разрешением в 8 раз выше.

На запрос пользователя агент сначала составляет многоэтапный план, затем выбирает подходящие инструменты, наборы данных и модели Earth AI и выполняет шаги в рабочей среде за пределами контекстного окна. В результате получается отчёт с текстом, таблицами и картами, который объединяет несколько возможностей Earth AI.

Как оценивали агента

В техническом отчёте сравниваются четыре варианта агента на Gemini 3.8 Flash и Gemini 3.1 Pro:

Таким образом, оценка охватывает базовую Gemini и агентов, которые последовательно дополняются навыками и средствами управления, настроенными для геопространственных задач.

Четыре бенчмарка проверяют экспертный анализ с открытым ответом, координацию нескольких инструментов и задачи сообщества с однозначными ответами. Два внешних бенчмарка — CBGB и UnivEARTH — проверяют соответственно генерацию геопространственного кода и ответы на вопросы.

Для задач, выходящих за рамки одного вопроса или сценария, Google создала ещё два бенчмарка:

Вместе эти тесты охватывают больше типов задач, чем прежние оценки систем геопространственного анализа. Чтобы ускорить исследования и разработку таких агентов, Google открывает полные обучающие части обоих новых бенчмарков.

Источник: research.google

Примеры запросов из GeoKTools и GeoExpertQueries показывают разницу между тестами: первый проверяет, умеет ли агент выбирать и применять определённые геопространственные инструменты и данные, второй — справляется ли он с открытыми многоэтапными рабочими процессами.

Источник: research.google

Результаты и ограничения

Оценка выявила два основных результата. Во-первых, для пространственных рассуждений необходимы специализированные навыки. Агент с одними лишь базовыми инструментами — поиском в интернете, привязкой к картам и выполнением кода — с трудом справляется с количественными пространственными задачами. Инструменты Earth AI заметно повышают результаты в GeoExpertQueries, GeoKTools и CBGB.

Исключение — UnivEARTH: даже обычная языковая модель набирает там 93,6%. Вероятное объяснение Google — исходные статьи NASA и ответы доступны в открытом интернете.

Во-вторых, предварительное планирование помогает решать открытые задачи из реальной практики. Навыков Earth AI достаточно для более узких тестов вроде CBGB и GeoKTools, но для GeoExpertQueries агенту нужно заранее планировать работу. Это помогает ему последовательно выполнять многоэтапный анализ и не делать ненадёжных предположений или не выбирать короткий путь — например, не заменять пространственные инструменты поиском в интернете.

В техническом отчёте приведены результаты по всем четырём бенчмаркам на Gemini 3.8 Flash. Оценки даны по шкале от 0 до 100 и усреднены по трём запускам. Поскольку в каждом бенчмарке используется собственный способ подсчёта, результаты следует сравнивать внутри одной строки таблицы, а не между разными строками.

Авторы также отмечают ограничение: GeoExpertQueries оценивает автоматическая система, которая сопоставляет работу агента с экспертными планами анализа, а не проверяет правильность итогового ответа. Поэтому результат агента рассматривается как хороший первый вариант, который экспертам нужно проверить и доработать, а не как окончательный ответ.

Испытания с партнёрами

Google предоставила небольшой группе партнёров ранний доступ к экспериментальному агенту, чтобы проверить, как исследование справляется с реальными задачами. Организации тестировали его в здравоохранении, реагировании на бедствия и планировании инфраструктуры.

Параллельно подразделение эпидемиологического моделирования и анализа данных (UMIE) при INRB использовало Planetary Prediction Engine, чтобы оценить риск распространения Эболы в незаражённые районы. Система объединила потоки перемещения людей, исторические данные о случаях заболевания, модели и наборы данных Earth AI. Еженедельные прогнозы дают координаторам время на планирование до появления случаев.

По словам доктора Этьена Куа, руководителя программы HIS и координатора центра WHO AFRO по готовности и реагированию на чрезвычайные ситуации, перемещение людей, в том числе шахтёров, происходит быстрее, чем его успевают отследить традиционные бумажные системы наблюдения. Из-за этого возникают опасные пробелы. Спутниковые данные и сведения о мобильности помогают их заполнить и заранее прогнозировать, куда может распространиться вирус.

Источник: research.google

Испытания помогли Google оценить и расширить геопространственные навыки агента. Среди недавних улучшений — построение маршрутов по дорожной сети, поддержка более крупных пользовательских наборов данных и более эффективный поиск авторитетных местных источников.

Источник: research.google

Как получить ранний доступ

Google расширяет доступ к исследовательским возможностям Earth AI и собирает отзывы об экспериментальном геопространственном анализе. Сейчас попробовать его смогут ограниченное число пользователей.

Возможности Planetary Prediction Engine тоже доступны в предварительной версии: ими можно пользоваться через интерактивный интерфейс для быстрого моделирования на естественном языке или подключить через API агента к собственным рабочим процессам.

Чтобы запросить доступ к исследовательским функциям, нужно заполнить форму заинтересованности. Для участия в ранних испытаниях также можно записаться в программу Early Access Pool.