Google 推进 Earth AI 地理空间推理智能体并扩大早期访问

在我们推出 Google Earth AI 时，我们分享了一套地理空间基础模型——涵盖遥感、天气、洪水水文和人口动态——以及一个初步原型，展示由 Gemini 驱动的智能体如何连接这些模型来回答跨模态问题。

此后，我们将 Geospatial Reasoning 智能体从一个早期概念演进为一个能力强得多的实验性系统，用于跨行星尺度数据进行多步骤地理空间推理，并自主训练定制预测模型。今天，我们分享三项更新：

1. 一份新的 技术报告 关于地理空间推理： 我们在四个基准上呈现了系统性评估，其中包括 GeoKTools 和 GeoExpertQueries，这是我们开发并发布的两个新基准，供研究人员测试他们自己的地理空间推理智能体。我们的结果量化了 Earth AI 的专用工具和规划相对于开箱即用 LLM 的价值。
2. 来自真实世界合作伙伴测试的洞见： 在过去几个月里，我们邀请了一小群社会影响力与商业合作伙伴组织——包括 世界卫生组织（WHO）非洲区域办事处、People in Need、GiveDirectly、米尔肯研究所 和 WPP——来测试该智能体，以支持他们自己的真实工作流程，例如疾病暴发调查、灾害防备和清洁能源筛选。
3. 扩大在 Google Earth 和 Google Cloud 上的抢先体验： 我们正在扩大多步骤地理空间分析与行星预测两方面的实验性访问。我们为 Ask Google Earth 提供一项实验性深度研究更新的抢先体验。我们还向构建自定义工作流的开发者提供 agent-to-agent API 的抢先体验，其中包括连接到 Gemini 的集成方案。

Geospatial Reasoning 的新内容

通用 LLM 和标准编程工具难以应对真实世界的空间问题，因为行星数据集规模庞大，且采用专门的地图和卫星格式，需要仔细的多步骤规划才能准确组合。为了在实践中处理复杂的空间工作流，我们的智能体汇集了四项关键能力：

连接 Earth AI 基础模型与行星尺度数据

该智能体将 Gemini 连接到 Earth AI 基础模型的能力——包括 WeatherNext、Flood Forecasting、Population Dynamics Foundation Model (PDFM)、AlphaEarth Foundations 和 Remote Sensing Foundations——以及来自 Google Maps Platform（例如地点信息、路线规划、空气质量和屋顶太阳能潜力）、Google Earth Engine、Data Commons 和 Google Dataset Search 的信息。

模块化技能、预先规划和专用空间工作区

Earth AI 的能力被封装为模块化技能，智能体仅在用户问题需要时才会调用它们。在运行复杂操作之前，智能体会制定逐步分析计划，在本地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。这种方法可避免海量空间数据淹没智能体上下文，同时保持准确性并追踪数据归属。每条回复都会展示智能体的计划及所用数据源，以便专家核查假设或替换数据集。

自带数据

机构很少仅依赖公开数据。用户现在可以通过 Geospatial Reasoning 智能体 API，以 CSV 电子表格、自定义地图边界（GeoJSON）或云端表格的形式输入自己的数据集。随后，用户可以要求智能体将其私有位置与 Earth AI 的全球模型和目录进行联接。

从多步推理到自主 Planetary Prediction

除了回答复杂的分析问题，该智能体还驱动我们最近发布的 Planetary Prediction Engine。给定用户的本地结果数据，例如区域疾病发病率、作物产量或电网停电情况，智能体会自动选择相关的人口与环境信号，融合我们的 Population Dynamics Insights 和 Custom Satellite Embeddings（分别为基于 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、超分辨率降尺度和预报。在我们近期的 公共卫生研究 中，将这些人口与卫星信号相结合，使健康结果预测比人口统计基线提高了 12%，并实现了空间分辨率精细 8 倍的制图。

评估 Geospatial Reasoning 智能体

为衡量领域专用工具和预先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 上比较了四种智能体配置：（1）独立的 LLM；（2）配备基础 网络搜索 和 地图依托 工具的 LLM；（3）配备 Earth AI 工具（如 Remote Sensing Foundations 和 WeatherNext 3）但没有预先规划的 LLM；以及（4）完整的 Geospatial Reasoning 智能体，它在每次查询开始时都设有专门的规划阶段，对可用能力进行推理，评估自身能做什么和不能做什么，并确定得出答案所需的检索与处理阶段。

该评估涵盖四项基准，覆盖专家级开放式分析、多工具编排，以及社区开发的、具有确定性答案的地理空间问题。CBGB 与 UnivEARTH 是两项由外部开发的基准，分别测试地理空间代码生成和问答。为了在超出单一问题或单一用例的高难度任务上测试智能体，我们开发了两项新基准。GeoExpertQueries 引入复杂的真实世界查询，并配有专家编写的黄金工作流，用以捕捉危机韧性、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，每项查询都需要正确选择并使用 1 到 4 种不同的地理空间工具。总体而言，这套基准所提供的覆盖范围远广于此前对地理空间推理系统的评估。为加速地理空间智能体的研究与开发，我们发布开发集划分，完整涵盖我们的两项新基准。

结果与关键要点

我们的评估有两点突出结论：第一，领域专用技能对空间推理至关重要。仅配备基础工具（网络搜索、地图接地和代码执行）的智能体在定量空间任务上难以胜任。为智能体配备 Earth AI 技能后，其在 GeoExpertQueries、GeoKTools 和 CBGB 上的成绩均显著跃升。唯一的例外是 UnivEARTH，即便独立的 LLM 也能达到 93.6%，这很可能是因为来源 NASA 文章和答案可在公开网络上获取。

第二，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 中较窄的任务，但要处理 GeoExpertQueries 中的开放式问题，则需要预先规划，以便在多步骤分析中让智能体保持在正确轨道上，并防止它做出不可靠的假设，或采取诸如用网络搜索代替空间工具之类的捷径。

下表展示了使用 Gemini 3.8 Flash 在全部四项基准上的得分：

技术报告还讨论了局限性。GeoExpertQueries 的分数来自一个自动评分器，它将智能体的表现与专家工作流进行比较；这些工作流定义的是分析应采取的步骤，而非正确的最终答案。因此，我们将智能体的输出视为供专家审阅并在此基础上继续构建的有力初稿，而非最终答案。

Earth AI 实践：与合作伙伴的早期测试

为评估这项研究如何转化为应对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这一实验性智能体。在公共卫生、灾害响应和基础设施规划等领域，以下概述了他们如何将 Earth AI 付诸实践：

• 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.
  • “像矿工这样的流动人群，移动速度超过传统纸质监测所能追踪的速度，从而造成危险的盲区。Earth AI 借助卫星信号和移动信号填补这些空白——使我们从被动地追逐病毒，转向主动预测它下一次将在何处暴发。” Dr Etien Koua，WHO AFRO 应急准备与响应 HIS 项目领域经理兼枢纽协调员（观看视频）

• People in Need: Geospatial reasoning helped combine natural disaster forecasts with population and imagery information, shifting analysts’ focus from data processing to providing insights:
  • "实验性 Geospatial Reasoning 智能体帮助我们分析了 14 条历史气旋路径，在数分钟而非数天的人工 GIS 工作中识别出高暴露村庄，将已准备好的复杂数据转化为即时洞察，并为拯救生命的预期行动腾出关键时间。" - Alonso Gonzales，GIS 与遥感协调员

• GiveDirectly：各团队上传了自定义地图边界，以便在热带气旋 Maila 期间按风速区快速计算人口暴露，并对密西西比州的龙卷风灾损进行基准评估，从而在单一工作区内将危机范围界定从数天缩短至数分钟。

• WPP：利用地理空间推理将 Population Dynamics Insights 与其专有数据相连接。其案例研究表明，Earth AI 洞察如何在保护其数据隐私的同时提升地理空间营销活动的效果。

• Milken Institute：前期开发团队使用该智能体，将自有的 1,500+ 座候选建筑清单与 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中心的地点，并综合考虑屋顶太阳能潜力、出行数据、附近交通枢纽、气候风险以及联邦投资区资格。

与这些合作伙伴的早期测试帮助我们评估并扩展了该智能体的地理空间能力，推动我们近期新增了道路网络路径规划、对更大规模用户上传数据集的支持，以及更好地发现权威本地数据源。

扩大早期访问：您申请测试的入口

今天，我们正在扩大 Earth AI 各项研究能力的访问范围，以收集更多关于这些实验性地理空间推理能力的反馈。我们向有限的早期用户群体开放这些能力：

• Ask Google Earth：直接在 Ask Google Earth 中预览扩展后的深度分析能力。它提供交互式聊天体验，您可以用自然语言提出复杂的空间问题，在 Google Earth 项目中分析数据（包括您自己的数据），并直接在地图上探索可视化结果。
• Geospatial Reasoning Agent API：面向希望通过可定制的自行集成来驱动自定义工作流的开发团队，我们提供实验性的无头 Agent-to-Agent(A2A) 服务。早期合作伙伴可将 Geospatial Reasoning 智能体连接到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 环境的团队提供分步开发指南。

我们的 Planetary Prediction Engine 能力也可供早期预览——既可通过交互式界面进行快速的通俗语言建模，也可通过 Agent API 用于自定义工作流。

如有意获取这些研究能力的访问权限，请填写我们的意向表。若想率先试用我们的早期项目，您也可以注册加入我们的Early Access Pool。