Google Earth AI 擴大 Geospatial Reasoning Agent 早期存取並發布技術報告

我們介紹 Google Earth AI 時，分享了一套地理空間基礎模型，涵蓋遙感、天氣、洪水水文學及人口動態；同時展示一個初始原型，説明由 Gemini 驅動的 Agent 如何連接這些模型，回答跨模態問題。

自此，我們已將地理空間推理 Agent 從早期概念發展成能力更強的實驗系統，旨在對行星尺度數據進行多步驟地理空間推理，並自主訓練自訂預測模型。今天，我們分享三項更新：

1. 一份新的 技術報告，探討地理空間推理：我們在四個基準測試中進行系統性評估，包括 GeoKTools 和 GeoExpertQueries 這兩個新基準測試。我們開發並公開這兩個基準測試，讓研究人員測試自己的地理空間推理 Agent。我們的結果量化了 Earth AI 的專用工具及規劃能力相較於開箱即用 LLM 的價值。
2. 來自合作夥伴實地測試的洞見：過去數月，我們邀請一小羣社會影響及商業合作夥伴機構測試 Agent，協助他們處理實際工作流程，例如疾病爆發調查、災害應變準備及清潔能源篩選。合作夥伴包括 世界衞生組織（WHO）非洲區域辦事處、People in Need、GiveDirectly、Milken Institute 及 WPP。
3. 擴大 Google Earth 和 Google Cloud 的早期使用權限：我們正擴大多步驟地理空間分析及行星預測兩方面的實驗性使用權限。我們為 Ask Google Earth 的實驗性深度研究更新提供早期使用權限。我們亦為開發人員提供 Agent-to-Agent API 的早期使用權限，供他們建立自訂工作流程，當中包括連接至 Gemini 的整合範例。

地理空間推理有哪些新內容

通用 LLM 及標準編碼工具難以處理現實世界的空間問題，因為行星尺度數據集規模龐大，而且採用專門的地圖及衞星格式；要準確整合這些數據，必須仔細規劃多個步驟。為了在實際應用中處理複雜的空間工作流程，我們的 Agent 整合了四項關鍵能力：

連接 Earth AI 基礎模型及行星尺度數據

Agent 可讓 Gemini 運用 Earth AI 基礎模型的能力，包括 WeatherNext、Flood Forecasting、Population Dynamics Foundation Model (PDFM)、AlphaEarth Foundations 及 Remote Sensing Foundations；同時亦可取得來自 Google Maps Platform（例如地點資訊、路線規劃、空氣質素及屋頂太陽能潛力）、Google Earth Engine、Data Commons 及 Google Dataset Search 的資訊。

模組化技能、預先規劃及專用空間工作區

Earth AI 的功能以模組化技能組合而成，只有在用戶的問題有需要時，Agent 才會呼叫相關技能。在執行複雜操作前，Agent 會建立逐步分析計劃；當本地數據涵蓋不足時，會選擇合適的備用數據集，並在專用工作區處理大型地圖圖層。這種做法可避免大量空間數據令 Agent 的上下文不堪負荷，同時確保準確性並追蹤數據來源歸屬。每個回覆都會顯示 Agent 的計劃及所用數據來源，讓專家核查假設或替換數據集。

自備數據

機構很少只依賴公開數據。用戶現在可以透過 Geospatial Reasoning Agent API 輸入自己的數據集，格式包括 CSV 試算表、自訂地圖邊界（GeoJSON）或雲端資料表。用戶之後可以要求 Agent 將私人地點數據與 Earth AI 的全球模型及目錄結合。

由多步推理到自主行星預測

除了回答複雜的分析問題，Agent 亦支援我們最近公佈的 Planetary Prediction Engine。只要提供用戶的本地結果數據，例如區域疾病率、農作物產量或電網停電數據，Agent 便會自動選取相關的人口及環境訊號，融合我們的 Population Dynamics Insights 和 Custom Satellite Embeddings（分別以 PDFM 和 AlphaEarth Foundations 為基礎構建的 Google Maps Platform 產品），並訓練經驗證的機器學習模型，用於空間預測、超解像度降尺度及預測。在我們最近的公共衞生研究中，結合人口及衞星訊號後，健康結果預測較人口統計基準提高 12%，並可將地圖製作至空間解析度精細 8X。

評估地理空間推理 Agent

為衡量專門領域工具及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 Agent 配置：(1) 獨立運作的大型語言模型（LLM）；(2) 配備基本網頁搜尋和地圖 grounding工具的 LLM；(3) 配備 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 Geospatial Reasoning Agent。每次收到查詢時，這個 Agent 都會先進入專用規劃階段，根據可用功能推理並評估自身能力範圍，然後列出取得答案所需的資料檢索及處理階段。

這項評估涵蓋四個基準，測試專家級開放式分析、多工具協調，以及由社羣開發、答案具確定性的地理空間問題。CBGB 和 UnivEARTH 是兩個由外部開發的基準，分別測試地理空間程式碼生成和問答。為了測試代理執行超越單一問題或使用情境的高難度任務的能力，我們開發了兩個新基準。GeoExpertQueries 提供複雜的真實查詢，並配有專家撰寫的黃金標準工作流程，涵蓋危機應變能力、選址和公共衞生等領域的分析最佳做法。GeoKTools 包含以範本建立、答案可供驗證的查詢，每項查詢都需要正確選用及使用 1 至 4 種不同的地理空間工具。與過往對地理空間推理系統的評估相比，這套基準的涵蓋範圍大幅擴闊。為加快地理空間代理的研究與開發，我們完整公開兩個新基準的開發集。

結果與主要重點

這次評估有兩個主要發現。第一，領域專用技能對空間推理至關重要。只配備基本工具（網頁搜尋、地圖資料查證和程式碼執行）的代理，在定量空間任務上的表現不佳。為代理配備 Earth AI 技能後，其在 GeoExpertQueries、GeoKTools 和 CBGB 的表現均大幅提升。唯一例外是 UnivEARTH：即使是獨立的大型語言模型也取得 93.6%，可能是因為相關 NASA 文章和答案已在公開網絡上提供。

第二，預先規劃有助處理開放式的真實工作流程。對於 CBGB 和 GeoKTools 這類範圍較窄的任務，Earth AI 技能已足夠；但要處理 GeoExpertQueries 的開放式問題，則需要預先規劃，讓代理在多步驟分析中保持方向，避免作出不可靠的假設，或採取以網頁搜尋取代空間工具等捷徑。

下表列出使用 Gemini 3.8 Flash 在全部四個基準上的得分：

技術報告亦討論了限制。GeoExpertQueries 的得分來自自動評分器，該評分器會將代理的表現與專家工作流程作比較；這些工作流程界定分析應採取的步驟，而非正確的最終答案。因此，我們認為代理的輸出是供專家審閲和進一步完善的優秀初稿，而非最終答案。

Earth AI 實際應用：與合作夥伴進行早期測試

為評估這項研究如何應對現實挑戰，我們讓一小批合作夥伴提早使用實驗性代理，測試它處理他們最棘手問題的能力。以下概述他們如何在公共衞生、災害應對和基建規劃等領域運用 Earth AI：

• World Health Organization (WHO AFRO) & DRC’s INRB: At the start of the 2026 Ebola outbreak in the Democratic Republic of the Congo (DRC), WHO AFRO’s Emergency Preparedness and Response Hub in Dakar used the Geospatial Reasoning agent to map remote mining corridors where the exposure risk and human mobility are high by cross-referencing forest loss (from satellite images), mining sites (from maps and web data), and population data. In minutes, the team pinpointed 48 exposed settlements and located more than 45,500 at-risk people — a process that normally would have taken weeks. This allowed local responders to proactively deploy mobile laboratories and coordinate border surveillance. Meanwhile, the Epidemic Modeling and Intelligence Unit (UMIE) at the DRC’s National Institute for Biomedical Research (INRB) used the Planetary Prediction Engine to estimate the risk of Ebola spreading into uninfected zones. By combining mobility flows with historical case trends and Earth AI models and datasets, these weekly insights give coordinators critical planning time before cases arrive.
  • 「礦工等流動人口的遷移速度，遠超傳統紙本監測所能追蹤，造成危險的盲點。Earth AI 利用衞星及人口流動訊號填補這些缺口，讓我們不再被動追蹤病毒，而能主動預測病毒下一步會在哪裏肆虐。」 Dr Etien Koua，WHO AFRO 緊急準備與應變的 HIS 計劃領域經理及樞紐協調員（觀看影片）

• People in Need: Geospatial reasoning helped combine natural disaster forecasts with population and imagery information, shifting analysts’ focus from data processing to providing insights:
  • "實驗性的 Geospatial Reasoning agent 協助我們分析 14 條歷史氣旋路徑，在數分鐘內找出暴露風險較高的村落，毋須花數天進行手動 GIS 工作；它將已準備好的複雜數據轉化為即時洞見，並騰出寶貴時間，採取可拯救生命的預先應對行動。" - Alonso Gonzales，GIS 及遙感協調員

• GiveDirectly：團隊上載自訂地圖邊界，在熱帶氣旋 Maila 期間迅速計算不同風速區域內的受影響人口，並對密西西比州的龍捲風破壞程度進行基準評估，將危機評估所需時間由數天縮短至數分鐘，全部在同一工作區完成。

• WPP：利用地理空間推理，將 Population Dynamics Insights 與其專有數據連結。其案例研究展示 Earth AI 洞見如何提升地理空間市場推廣活動的成效，同時保障其數據私隱。

• Milken Institute：前期開發團隊利用該 Agent，將自備的 1,500 多幢候選建築物清單與 Google Maps Platform’s Solar API 及人口普查數據結合，以評估興建社區韌性中心的選址，考慮因素包括屋頂太陽能潛力、流動性數據、附近交通樞紐、氣候風險，以及是否符合聯邦投資區資格。

與這些合作夥伴進行的早期測試，有助我們評估並拓展該 Agent 的地理空間能力，促成近期新增道路網絡路線規劃、支援用戶上載較大型數據集，以及更有效尋找具權威性的本地數據來源。

擴大早期體驗範圍：如何申請測試

今天，我們擴大 Earth AI 各項研究功能的使用權限，以收集更多有關這些實驗性地理空間推理能力的意見。我們會向一小羣早期用戶提供這些功能：

• Ask Google Earth：可直接在 Ask Google Earth 中預覽新增的深入分析功能。這項功能提供互動式對話體驗，讓用戶以自然語言提出複雜的空間問題，在 Google Earth 專案中分析數據（包括用戶自己的數據），並直接在地圖上查看視覺化結果。
• Geospatial Reasoning Agent API：對於希望自行整合可自訂功能、以支援自訂工作流程的開發者團隊，我們提供實驗性的無頭 Agent-to-Agent(A2A) 服務。早期合作夥伴可將 Geospatial Reasoning agent 連接至自己的自訂 Agent 和數據管道。我們亦為希望將服務連接至其 Gemini for business 環境的團隊，提供逐步開發指南。

Planetary Prediction Engine 功能亦開放早期預覽，用戶既可透過互動介面以自然語言快速建模，亦可透過 Agent API 支援自訂工作流程。

如有意取得這些研究功能的使用權，請填寫意向表格。如想成為首批試用早期項目的用戶，亦可登記加入Early Access Pool。