«Мобильные группы двигаются быстрее бумажного надзора»: Google Research показала геопространственного агента Earth AI и открыла к нему ранний доступ

Что объявили

Сначала Google показала набор геопространственных фундаментальных моделей Earth AI — дистанционное зондирование, погода, гидрология паводков, динамика населения — и прототип, в котором Gemini соединял эти модели, чтобы отвечать на кросс-модальные вопросы. Теперь агент вырос из концепта в экспериментальную систему для многошагового геопространственного рассуждения по планетарным данным с автономным обучением собственных предсказательных моделей.

Объявление состоит из трёх частей: новый технический отчёт с систематическими оценками на четырёх бенчмарках, включая два новых — GeoKTools и GeoExpertQueries, которые открывают для исследователей; итоги тестирования с партнёрами (ВОЗ AFRO, People in Need, GiveDirectly, Milken Institute, WPP); расширение раннего доступа на Google Earth и Google Cloud.

Из чего состоит агент

Первая опора — подключение к Earth AI и планетарным данным: агент соединяет Gemini с WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations и Remote Sensing Foundations, а также с Google Maps Platform (информация о местах, маршрутизация, качество воздуха, потенциал солнечных панелей на крышах), Google Earth Engine, Data Commons и Google Dataset Search.

Вторая — модульные навыки, планирование заранее и отдельное рабочее пространство. Возможности Earth AI упакованы как навыки, которые агент вызывает только тогда, когда вопрос этого требует. Перед сложными операциями агент строит пошаговый план анализа, выбирает резервные наборы данных при редком локальном покрытии и обрабатывает крупные слои карт в отдельном рабочем пространстве — так контекст агента не переполняется объёмными пространственными данными, а точность и атрибуция источников сохраняются. В каждом ответе видно план агента и использованные источники, чтобы эксперт мог проверить допущения или подменить набор данных.

Третья — свои данные: организации могут подать собственные наборы через API агента в виде CSV-таблиц, собственных границ карт (GeoJSON) или облачных таблиц, а затем попросить соединить приватные локации с глобальными моделями и каталогами Earth AI.

Четвёртая — переход от рассуждения к автономному предсказанию. Агент питает Planetary Prediction Engine: получив локальные данные об исходах (региональная заболеваемость, урожайность, отключения электросетей), он сам подбирает релевантные сигналы о населении и окружающей среде, объединяет Population Dynamics Insights и Custom Satellite Embeddings (продукты Google Maps Platform на базе PDFM и AlphaEarth Foundations соответственно) и обучает проверенные модели машинного обучения для пространственного предсказания, даунскейлинга со сверхразрешением и прогнозирования. В недавнем исследовании по общественному здоровью такое объединение сигналов о населении и спутниковых данных улучшило предсказание исходов здоровья на 12 % относительно демографических базовых моделей и позволило строить карты в 8 раз детальнее по пространственному разрешению.

Как это измерили

Чтобы отделить вклад специальных инструментов и планирования, в отчёте сравниваются четыре конфигурации агента на Gemini 3.8 Flash и Gemini 3.1 Pro: отдельно взятая языковая модель; она же с базовым веб-поиском и инструментами привязки к картам; она же с инструментами Earth AI (например, Remote Sensing Foundations и WeatherNext 3), но без предварительного планирования; и полный Geospatial Reasoning agent, который каждый запрос начинает со стадии планирования — оценивает, что он может и чего не может, и намечает этапы извлечения и обработки.

Оценка идёт по четырём бенчмаркам: экспертному анализу открытого типа, оркестрации нескольких инструментов и задачам сообщества с детерминированными ответами. CBGB и UnivEARTH — внешние бенчмарки на генерацию геопространственного кода и ответы на вопросы соответственно. Чтобы проверять задачи сложнее одного вопроса, команда разработала два новых: GeoExpertQueries (реальные запросы с экспертными «золотыми» алгоритмами по кризисной устойчивости, выбору площадок и общественному здоровью) и GeoKTools (шаблонные запросы с проверяемыми ответами, каждый требует правильного выбора и использования от 1 до 4 различных геопространственных инструментов). Разработческие сплиты обоих новых бенчмарков открыты полностью.

Главных выводов два. Специальные навыки для пространственных задач необходимы: агент с базовыми инструментами проваливается на количественных пространственных задачах, а подключение навыков Earth AI даёт заметный рост на GeoExpertQueries, GeoKTools и CBGB. И предварительное планирование открывает задачи открытого типа: на узких задачах хватает навыков, но многошаговые сценарии GeoExpertQueries требуют планирования, иначе агент начинает делать ненадёжные допущения или срезать путь через веб-поиск вместо пространственных инструментов.

Исключение из первой закономерности названо прямо: на UnivEARTH даже отдельно взятая языковая модель набирает 93,6 %, вероятно потому, что исходные статьи NASA и ответы доступны в открытом вебе. Ограничение тоже оговорено: оценки на GeoExpertQueries ставит автор-оценщик (autorater), который сравнивает работу агента с экспертными алгоритмами, задающими последовательность шагов, а не правильный финальный ответ. Поэтому результат предложено считать сильным первым черновиком для эксперта, а не готовым ответом.

Что показали партнёры

ВОЗ AFRO и Национальный институт биомедицинских исследований ДР Конго (INRB): в начале вспышки Эболы 2026 года в ДР Конго хаб экстренной готовности и реагирования ВОЗ AFRO в Дакаре использовал агента, чтобы картировать удалённые горнодобывающие коридоры с высоким риском контакта и перемещения людей — сопоставив потерю лесов по спутниковым снимкам, места добычи по картам и веб-данным и данные о населении. За минуты команда определила 48 подверженных риску населённых пунктов и более 45 500 человек в зоне риска; обычно на это уходили недели. Это позволило заранее развернуть мобильные лаборатории и скоординировать пограничный надзор. Параллельно группа эпидемиологического моделирования UMIE при INRB использовала Planetary Prediction Engine, чтобы оценить риск распространения Эболы в незатронутые зоны, объединив потоки мобильности с историческими трендами заболеваемости и моделями Earth AI.

Слова руководителя программы HIS и координатора хаба экстренной готовности и реагирования ВОЗ AFRO Этьена Куа приведены в публикации прямо: «Мобильные группы населения, например шахтёры, двигаются быстрее, чем может отследить традиционный бумажный надзор, создавая опасные слепые зоны. Earth AI закрывает эти пробелы спутниковыми сигналами и данными о мобильности — переводя нас от реактивной погони за вирусом к активному прогнозу, куда он ударит дальше».

People in Need по данным публикации проанализировала 14 исторических траекторий циклонов, чтобы найти деревни с высоким риском, за минуты вместо дней ручной работы в ГИС; координатор ГИС и дистанционного зондирования Альфонсо Гонсалес сформулировал эффект как высвобождение времени на упреждающие действия. GiveDirectly загружала собственные границы карт, чтобы быстро оценить население в зонах ветровых скоростей при тропическом циклоне Maila и сравнить ущерб от торнадо в Миссисипи, сократив оценку кризиса с дней до минут внутри одного рабочего пространства.

WPP соединила Population Dynamics Insights со своими данными и показала в кейсе, как это усилило геопространственные маркетинговые кампании с сохранением приватности своих данных. Milken Institute использовал агента, чтобы совместить собственный список из более чем 1500 зданий-кандидатов с Solar API и данными переписи Google Maps Platform и отобрать места под центры общественной устойчивости с учётом потенциала солнечных панелей, мобильности, близости транспортных узлов, климатических рисков и права на федеральные инвестиционные зоны.

Что открыли для ранних пользователей

Ранний доступ расширяется на три поверхности. Ask Google Earth получает экспериментальное обновление глубокого анализа: интерактивный чат для сложных пространственных вопросов на естественном языке с анализом данных, включая свои, в проектах Google Earth и просмотром результатов прямо на карте. Для команд разработчиков предлагается экспериментальный headless-сервис agent-to-agent (A2A) Geospatial Reasoning Agent API, к которому можно подключить собственных агентов и конвейеры данных; для подключения к Gemini for business приведены пошаговые рецепты. Возможности Planetary Prediction Engine тоже доступны в раннем превью — и через интерактивный интерфейс для моделирования на естественном языке, и через Agent API для своих сценариев.

Заявки принимаются через форму интереса, а для самых ранних проектов существует Early Access Pool. Код и данные бенчмарков выложены в открытом репозитории google-research/geospatial-reasoning-benchmarks.