谷歌发布地球 AI 地理空间智能体：多步推理与自定义模型训练技术报告及新基准

原标题：Putting Earth AI to work: Geospatial agents for our planet's biggest challenges

68AI 研判分

核心综述

谷歌将地球 AI 的地理空间智能体从原型升级为具备多步推理和自主训练预测模型能力的实验系统。该更新包含一份详细技术报告，量化了专用工具在跨模态推理中相对于通用 LLM 的优势，并发布了 GeoKTools 等两个新基准以评估此类智能体。目前该系统处于早期访问阶段，主要面向科研合作伙伴进行真实世界场景测试。

报道全文原始报道全文

本文目录9 个章节

自我们推出 Google Earth AI 以来，我们分享了一套地理空间基础模型——涵盖遥感、天气、洪水水文学和人口动态等领域——并展示了一个初步原型，演示了由 Gemini 驱动的代理如何连接这些模型以回答跨模态问题。

此后，我们将地理空间推理（Geospatial Reasoning）代理从一个早期概念演变为一个功能更强大、更具实验性的系统，该系统专为在行星尺度数据上进行多步地理空间推理以及自主训练自定义预测模型而构建。今天，我们分享三项更新：

一份关于地理空间推理的新技术报告：我们在四个基准测试中进行了系统性评估，包括 GeoKTools 和 GeoExpertQueries，这是两个由我们开发并发布的新基准，供研究人员测试其自身的地理空间推理代理。我们的结果量化了 Earth AI 的专业工具和规划能力相较于开箱即用的 LLM 的价值。
来自真实世界合作伙伴测试的洞察： 在过去几个月里，我们邀请了一小批社会影响和商业合作伙伴组织——包括世界卫生组织非洲区域办事处 (WHO)、People in Need、GiveDirectly、米尔肯研究所 (Milken Institute) 和 WPP——在他们的实际工作流程中测试该代理，例如疾病爆发调查、灾害准备和清洁能源筛选。
扩大 Google Earth 和 Google Cloud 的早期访问权限： 我们正在扩大对多步地理空间分析和行星预测的实验性访问权限。我们为 Ask Google Earth 提供了一项实验性深度研究更新的早期访问权限。我们还为构建自定义工作流的开发人员提供了代理到代理 API 的早期访问权限，其中包括连接到 Gemini 的集成方案。

地理空间推理的新特性

通用 LLM 和标准编码工具难以应对现实世界中的空间问题，因为行星尺度数据集极其庞大，且包含专业的地图和卫星数据格式，需要精细的多步规划才能准确整合。为了在实践中处理复杂的空间工作流，我们的智能体（agent）集成了四项关键能力：

连接 Earth AI 基础模型与行星尺度数据

该智能体将 Gemini 与 Earth AI 的基础模型能力相连接——包括 WeatherNext、洪水预测、人口动态基础模型 (PDFM)、AlphaEarth Foundations 以及遥感基础模型——并结合来自 Google Maps Platform（例如地点信息、路径规划、空气质量、屋顶太阳能潜力）、Google Earth Engine、Data Commons 和 Google Dataset Search 的信息。

模块化技能、前置规划与专用空间工作区

Earth AI 的功能被封装为模块化技能，仅当用户提问需要时，智能体才会调用这些技能。在执行复杂操作之前，智能体会构建逐步分析计划，在本地数据覆盖稀疏时选择合适的备用数据集，并在专用工作区中处理大型地图图层。这种方法避免了海量空间数据淹没智能体的上下文窗口，同时保持了准确性并追踪数据来源归属。每个响应都会展示智能体的计划及所使用的数据源，以便专家检查假设或替换数据集。

自带数据

组织很少仅依赖公开数据。用户现在可以通过 Geospatial Reasoning agent API 输入自己的数据集，格式包括 CSV 电子表格、自定义地图边界（GeoJSON）或云表。随后，用户可以要求该智能体将其私有位置数据与 Earth AI 的全球模型和目录进行关联。

从多步推理到自主行星预测

除了回答复杂的分析问题外，该智能体还为我们最近发布的 Planetary Prediction Engine 提供动力。给定用户的本地结果数据（如区域疾病率、作物产量或电网中断情况），该智能体会自动选择相关的人口和环境信号，融合我们的 Population Dynamics Insights 和 Custom Satellite Embeddings（分别基于 PDFM 和 AlphaEarth Foundations 构建的 Google Maps Platform 产品），并训练经过验证的机器学习模型，用于空间预测、超分辨率降尺度处理和预测。在我们最近的公共卫生研究中，结合这些人口和卫星信号使健康结果的预测准确率比人口统计学基线提高了 12%，并实现了 8 倍更精细的空间分辨率映射。

评估 Geospatial Reasoning agent

为了衡量领域专用工具和前期规划对地理空间推理的影响，我们的技术报告在 Gemini 3.8 Flash 和 Gemini 3.1 Pro 上对比了四种智能体配置：(1) 独立的 LLM；(2) 配备基础网络搜索和地图定位工具的 LLM；(3) 配备 Earth AI 工具（如 Remote Sensing Foundations 和 WeatherNext 3）但无前期规划的 LLM；以及 (4) 完整的地理空间推理智能体，该智能体在处理每个查询时都会先经过一个专门的规划阶段，基于可用能力评估其能做什么和不能做什么，并制定检索和处理步骤以得出答案。

评估涵盖了四个基准测试，涉及专家级的开放式分析、多工具编排以及具有确定性答案的社区开发地理空间问题。CBGB 和 UnivEARTH 是两个外部开发的基准，分别用于测试地理空间代码生成和问答能力。为了在超越单一问题或用例的挑战性任务上测试智能体，我们开发了两个新基准。GeoExpertQueries 引入了复杂的真实世界查询，并配有专家编写的黄金工作流，这些工作流捕捉了危机韧性、选址和公共卫生等领域的分析最佳实践。GeoKTools 包含带有可验证答案的模板化查询，每个查询都需要正确选择和使用 1 到 4 种不同的地理空间工具。总体而言，这套基准提供了比先前地理空间推理系统评估更广泛的覆盖范围。为了加速地理空间智能体的研发，我们已完整发布了这两个新基准的开发集。

结果与关键要点

我们的评估得出了两个关键结论：首先，领域特定技能对于空间推理至关重要。仅配备基础工具（网络搜索、地图定位和代码执行）的智能体在定量空间任务上表现挣扎。为智能体配备 Earth AI 技能后，其在 GeoExpertQueries、GeoKTools 和 CBGB 上的表现均显著提升。唯一的例外是 UnivEARTH，即使独立的 LLM 也能获得 93.6% 的高分，这可能是因为源头的 NASA 文章和答案可在公共网络上获取。

其次，预先规划能够解锁开放式的真实世界工作流。虽然仅靠 Earth AI 技能就足以应对 CBGB 和 GeoKTools 等较窄的任务，但要解决 GeoExpertQueries 中的开放式问题，则需要预先规划，以确保智能体在多步分析中保持正轨，并防止其做出不可靠的假设或采取捷径（例如使用网络搜索而非空间工具）。

下表展示了使用 Gemini 3.8 Flash 在所有四个基准测试上的得分：

技术报告还讨论了局限性。GeoExpertQueries 的分数来自一个自动评分器，该评分器将智能体的表现与定义分析应遵循步骤的专家工作流进行比较，而不是与正确的最终答案进行比较。因此，我们将智能体的输出视为供专家审阅和完善的强力初稿，而非最终答案。

Earth AI 的实际应用：与合作伙伴的早期测试

为了评估这项研究如何转化为解决现实世界挑战的能力，我们向一小部分合作伙伴提供了早期访问权限，让他们在最棘手的问题上测试实验性智能体。在公共卫生、灾害响应和基础设施规划等领域，以下是他们如何将 Earth AI 付诸实践的概述：

世界卫生组织（WHO 非洲区域办事处）与刚果民主共和国国家生物医学研究所（INRB）：在 2026 年刚果民主共和国（DRC）埃博拉疫情爆发初期，WHO 非洲区域办事处的达喀尔应急准备与响应中心使用了地理空间推理智能体，通过交叉比对森林砍伐情况（来自卫星图像）、采矿点（来自地图和网络数据）以及人口数据，绘制出暴露风险和人类流动性较高的偏远采矿走廊地图。团队在几分钟内就确定了 48 个受威胁的定居点，并定位了超过 45,500 名高危人群——这一过程通常耗时数周。这使得当地应急响应人员能够主动部署移动实验室并协调边境监测。与此同时，刚果民主共和国国家生物医学研究所（INRB）的流行病建模与情报单位（UMIE）利用行星预测引擎估算埃博拉病毒向未感染区域扩散的风险。通过将人口流动数据与历史病例趋势、地球 AI 模型及数据集相结合，这些每周洞察为协调员提供了宝贵的规划时间，以便在病例出现前做好准备。
- “矿工等流动人口的移动速度超过了传统纸质监测系统的追踪能力，从而形成了危险的盲区。地球 AI 利用卫星和流动信号填补了这些空白，使我们从被动地追赶病毒转变为主动预测病毒下一次爆发的地点。”Dr Etien Koua，WHO 非洲区域办事处应急准备与响应 HIS 项目领域经理兼中心协调员（观看视频）
People in Need：地理空间推理帮助将自然灾害预报与人口及影像信息相结合，使分析师的关注点从数据处理转向提供洞察：
- “实验性的地理空间推理智能体帮助我们分析 14 条历史飓风路径，在几分钟内识别出高暴露风险的村庄，而无需进行数天的人工 GIS 工作。它将复杂的预处理数据转化为即时洞察，为挽救生命的预期性行动释放了关键时间。” -Alonso Gonzales，GIS 与遥感协调员
GiveDirectly：团队上传自定义地图边界，以快速计算热带气旋 Maila 期间不同风速区域的人口暴露情况，并对密西西比州的龙卷风损害进行基准评估，将危机范围界定工作从数天缩短至单个工作台内的几分钟。
WPP：利用地理空间推理将人口动态洞察与其专有数据相结合。其案例研究展示了 Earth AI 的洞察如何提升地理空间营销活动的表现，同时保护了其数据隐私。
Milken Institute（米尔肯研究院）：前期开发团队使用该智能体将其自有的 1,500 多个候选建筑列表与 Google Maps Platform 的 Solar API 及人口普查数据相结合，以筛选建设社区韧性枢纽的位置。筛选过程综合考虑了屋顶太阳能潜力、出行数据、附近交通枢纽、气候风险以及联邦投资区资格等因素。

早期与这些合作伙伴的测试帮助我们评估并扩展了该智能体的地理空间技能，从而推动了近期新增的道路网络路径规划功能、对更大规模用户上传数据集的支持，以及对权威本地数据源更优的发现能力。

扩大早期访问权限：申请测试的途径

今天，我们正在扩大 Earth AI 研究能力的访问范围，以收集更多有关这些实验性地理空间推理功能的反馈。我们将向有限的早期用户群体开放以下功能：

Ask Google Earth：在 Ask Google Earth 中直接预览扩展后的深度分析功能。这提供了一种交互式聊天体验，允许你用自然语言提出复杂的空间问题，在 Google Earth 项目中分析数据（包括你自己的数据），并直接在地图上探索可视化结果。
Geospatial Reasoning Agent API（地理空间推理智能体 API）：对于希望拥有可定制、自主集成方案以支持自定义工作流的开发团队，我们提供一项实验性的无头 Agent-to-Agent (A2A) 服务。早期合作伙伴可以将 Geospatial Reasoning 智能体连接到他们自己的自定义智能体和数据管道。我们为希望将该服务连接到其 Gemini for business 环境的团队提供了分步开发者指南。

我们的 Planetary Prediction Engine（行星预测引擎）功能也现已开放早期预览——既可通过交互式界面进行快速、通俗语言的建模，也可通过 Agent API 用于自定义工作流。

如果您希望申请使用这些研究功能，请填写我们的意向表单。若想率先体验我们的早期项目，您也可以注册加入我们的抢先体验计划。