Планетарный движок прогнозирования: Earth AI автоматизирует глобальные модели

Google представила PPE для автономного геопространственного прогнозирования

Для решения глобальных задач — от прогнозирования продовольственной безопасности и экологических катастроф до отслеживания вспышек заболеваний и оценки социально-экономической уязвимости — нужны подробные геопространственные модели. Но экосистема данных фрагментирована: специализированным командам приходится неделями вручную отбирать и очищать данные, создавать признаки и проводить пространственную валидацию.

Существующие инструменты AutoML и ИИ-агенты на основе LLM умеют автоматизировать стандартные конвейеры машинного обучения, однако работают с заранее подготовленными табличными данными. Для автономной работы с геопространственными задачами им не хватает специализированных возможностей. Поэтому анализ в планетарном масштабе остаётся узким местом, особенно когда во время гуманитарных кризисов нужен быстрый ответ.

Google называет PPE новой экспериментальной возможностью в рамках Google Earth ИИ. Ранее компания показывала, как Earth ИИ умеет интеллектуально объединять разные геопространственные источники. Теперь PPE самостоятельно выполняет весь цикл прогнозирования: по запросу на естественном языке находит подходящие данные планетарного масштаба, очищает их, создаёт признаки, обучает и оценивает модели, а затем формирует подробный отчёт.

Что такое PPE

PPE делит работу на три модульных этапа, каждым из которых управляет LLM:

Каждый этап работает независимо, используя чётко заданные входы и выходы. Артефакты данных передаются между этапами через непрозрачные идентификаторы, а не помещаются в запросы LLM. Это позволяет не упираться в ограничения контекстного окна.

Весь конвейер PPE включает интеллектуальный отбор данных, подготовку мультимодального набора, автоматическое машинное обучение и прогнозирование, после чего система выдаёт итоговые предсказания и отчёт. Внутри каждого этапа выступают готовые LLM, которые координируют операции.

Блок-схема, подробно показывающая четыре этапа Planetary Prediction Engine — от выбора данных до создания итогового отчёта

Источник: research.google

Оценка PPE проходила по многомерной матрице, включавшей разные подходы машинного обучения, регионы и научные области.

Результаты

На 21 показателе здоровья CDC интеллектуальный отбор данных и мультимодальное объединение дали средний R² 76,8% против 60,0% у ручного экспертного конвейера.

Похожий результат получен для национальных показателей риска FEMA: средний R² PPE составил 64,9% против базовых 60,0%. Для индекса социальной уязвимости система достигла 66,2% против 58,6% у базового подхода.

В регионах с нехваткой данных усреднённые отчёты по крупным территориям часто скрывают локальную уязвимость. PPE самостоятельно объединяет локальные рыночные потрясения, аномалии цен на продукты и показатели микроклимата. При детализации продовольственной безопасности с уровня провинции или штата ADM1 до уровня местного района ADM2 система вдвое превысила точность базового подхода: R² составил 66,1% против 31,5%. Это позволило получить подробные карты уязвимости для гуманитарных организаций.

Парные карты Нигерии, сравнивающие фактические и прогнозируемые значения распространённости групп потребления продуктов питания за декабрь 2025 года

Источник: research.google

При прогнозировании новых очагов передачи болезни во время вспышки эболавируса Bundibugyo 2026 года в Демократической Республике Конго PPE получил Recall@10 на уровне 83,3%. За пять последовательных еженедельных прогнозов система правильно определила 15 из 18 медицинских зон, куда вирус проник впервые.

Результат оказался на 10,3 процентного пункта выше опубликованного базового показателя передовых байесовских моделей — около 73%. Авторы связывают улучшение с объединением эпидемиологических сигналов, эмбеддингов PDFM и выбранных PPE геопространственных признаков.

Мультимодальное объединение

Во всех экспериментах проявилась польза от совместного использования структурированных статистических признаков и скрытых эмбеддингов фундаментальных моделей. Каждый тип данных по отдельности не описывает ситуацию полностью.

Статистические признаки дают явные и интерпретируемые сигналы. Population Dynamics эмбеддинги и AlphaEarth Foundations кодируют сложные нелинейные закономерности, полученные при предварительном обучении на больших наборах данных.

Исследования с исключением отдельных компонентов показали, что мультимодальное объединение вместе с интеллектуальным отбором данных стабильно превосходит базовые подходы. Эти представления дополняют друг друга, а не дублируют. В дальнейшем Google планирует расширить набор геопространственных источников и добавить мультимодальные эмбеддинги Remote Sensing Foundations.

Столбчатая диаграмма, показывающая, что Planetary Prediction Engine превосходит базовые подходы в пяти пространственных задачах

Источник: research.google

PPE показал сопоставимые или улучшенные результаты в разных задачах геопространственного прогнозирования: от оценки распространённости хронических заболеваний в США до детализации продовольственной небезопасности в Нигерии и оперативного прогнозирования активных вирусных вспышек в Демократической Республике Конго.

Интеллектуальный поиск данных, объединение эмбеддингов мультимодальных фундаментальных моделей и автоматическая оптимизация моделей позволяют быстрее запускать аналитику планетарного масштаба, когда решения нужно принимать в сжатые сроки.

Вывод

Google рассматривает PPE как экспериментальный исследовательский проект, который должен упростить геопространственное прогнозирование. Вместо ручной инженерии данных исследователи, гуманитарные организации и государственные структуры могут сосредоточиться на формулировке гипотез, не собирая отдельные специализированные команды.

Компания подчёркивает, что PPE находится на ранней стадии, и планирует изучать новые сценарии применения.

В работе также отмечен вклад соавторов исследования, Всемирной продовольственной программы ООН и команды «Анализ и картирование уязвимости» (VAM), предоставивших данные и поддержку. Для прогнозирования вспышки лихорадки Эбола в ДРК Google сотрудничала с Institut National de Recherche Biomédicale (INRB). Инфраструктуру данных и моделей предоставили команды Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth.