Google Earth AI 进阶：利用地理空间 Agent 应对全球重大挑战
发布 Google Earth AI 时，我们推出了一系列地理空间基础模型——涵盖遥感、天气、洪水水文和人口动态——并展示了一个初步原型：由 Gemini 驱动的 agent 可以调用这些模型来回答跨模态问题。
从那以后，我们把地理空间推理（Geospatial Reasoning）agent 从早期概念打磨成了一个能力更强的实验系统，可基于全球尺度的数据进行多步地理空间推理，并能自主训练自定义预测模型。今天，我们分享三项进展：
- 一份关于地理空间推理的全新技术报告：我们在四个基准上进行了系统评估，其中包括 GeoKTools 和 GeoExpertQueries——两个由我们开发并向研究人员开放的新基准，可用于测试各自的地理空间推理 agent。实验结果量化了 Earth AI 专用工具和规划能力相比开箱即用 LLM 的优势。
- 来自真实合作伙伴测试的洞察：过去几个月，我们邀请了一小批社会公益和商业合作伙伴组织——包括世界卫生组织（WHO）非洲区域办事处、People in Need、GiveDirectly、Milken Institute 和 WPP——在各自的真实业务场景中测试该 agent，例如疾病暴发调查、防灾备灾和清洁能源选址筛查。
- 扩大 Google Earth 和 Google Cloud 上的早期访问：我们正在扩大多步地理空间分析和行星尺度预测的实验性访问范围，为 Ask Google Earth 提供实验性深度研究更新的早期访问，并为构建自定义工作流的开发者提供 agent 间（agent-to-agent）API 的早期访问，包括接入 Gemini 的集成方案。
Geospatial Reasoning 的新进展
通用 LLM 和标准编码工具难以应对现实中的空间问题，因为行星级数据集规模庞大，且包含专业的地图和卫星格式，需要细致的多步骤规划才能准确整合。为了在实际操作中处理复杂的空间工作流，我们的智能体整合了四项核心能力：
连接 Earth AI 基础模型与行星级数据
该智能体将 Gemini 与 Earth AI 基础模型的能力相连——包括 WeatherNext、洪水预报、人口动态基础模型（PDFM）、AlphaEarth Foundations 以及 遥感基础模型——同时整合 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 能力被封装为模块化技能，智能体仅在用户提问需要时调用。在执行复杂操作前，智能体制定逐步分析计划，在局部数据覆盖稀疏时选择适当的后备数据集，并在专用工作区中处理大型地图图层。这种方式避免了用大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。每个回复都会展示智能体的计划和使用的数据来源，以便专家核对假设或替换数据集。
自带数据
组织很少仅依赖公开数据。用户现在可以通过地理空间推理智能体 API 输入自有数据集，格式支持 CSV 电子表格、自定义地图边界（GeoJSON）或云表。随后，用户可以要求智能体将其私有位置数据与 Earth AI 的全球模型及目录进行关联。
从多步推理到自主的行星级预测
除了回答复杂的分析性问题，该智能体还驱动着我们近期发布的行星预测引擎。基于用户提供的本地结果数据（如区域疾病率、作物产量或电网故障），智能体会自动选择相关的人口与环境信号，融合我们的人口动态洞察与自定义卫星嵌入（分别构建于 PDFM 和 AlphaEarth 基础模型之上的 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、超分辨率下采样和预测。在我们近期的公共卫生研究中，结合这些人口与卫星信号，使健康结果的预测精度比人口统计基线提升了 12%，并实现了 8 倍更精细的空间分辨率映射。
我们的地理空间推理智能体在响应用户提问时，首先规划多步工作流，然后选择与查询相关的关键 Earth AI 工具、数据集和模型，最后在工作区中执行计划的每个阶段，该工作区位于上下文窗口之外。最终答案将多种 Earth AI 能力整合为包含文本、表格和地图的报告。
评估地理空间推理智能体
为了衡量领域专用工具和前期规划对地理空间推理效果的影响，我们的技术报告在 Gemini 3.8 Flash 和 Gemini 3.1 Pro 上对比了四种 agent 配置：(1) 纯 LLM；(2) 带基础 web search 和 maps grounding 工具的 LLM；(3) 带 Earth AI 工具（如 Remote Sensing Foundations 和 WeatherNext 3）但没有前期规划的 LLM；(4) 完整的 Geospatial Reasoning agent——它在每次查询开始时都有一个专门的规划阶段，梳理可用能力、评估自己能做什么不能做什么，并制定出回答问题所需的检索与处理步骤。
我们评估了四种 agent 配置：从基础 Gemini 模型，到逐步加入为地理空间推理优化的技能和编排能力的 agent。
评估覆盖四项基准，涉及专家级开放式分析、多工具编排，以及由社区提供、答案确定性的地理空间问题。CBGB 和 UnivEARTH 是两个外部开发的基准，分别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单一场景的复杂任务上检验 agent，我们还开发了两个新基准。GeoExpertQueries 引入了复杂的真实世界查询，并配有专家编写的 golden workflow，涵盖危机韧性、选址、公共卫生等领域的分析最佳实践。GeoKTools 则包含答案可验证的模板化查询，每个查询需要正确选择并使用 1 到 4 种不同的地理空间工具。这套基准组合在覆盖范围上远超以往对地理空间推理系统的评估。为加速地理空间 agent 的研究与发展，我们已完整开源了这两个新基准的开发集。
左侧展示的是我们新建的 GeoKTools 基准测试示例查询，右侧为 GeoExpertQueries。GeoKTools 重点考察智能体（Agent）选择和调用特定地理空间工具及数据集的能力；GeoExpertQueries 则侧重于评估其在开放式、多步骤工作流中的推理能力。
结果与核心发现
我们的评估揭示了两个关键结论。首先，领域专业技能对于空间推理至关重要。仅配备基础工具（如网络搜索、地图定位和代码执行）的智能体，在处理定量空间任务时表现吃力。一旦为智能体赋予 Earth AI 技能，其在 GeoExpertQueries、GeoKTools 和 CBGB 基准上的表现均有显著提升。唯一的例外是 UnivEARTH，即便单独使用 LLM 也能达到 93.6% 的得分，这可能是因为相关的 NASA 文章及答案已在公共网络上公开获取。
其次，提前规划能解锁开放式、贴近现实的工作流。虽然对于 CBGB 和 GeoKTools 这类较窄的任务，仅靠 Earth AI 技能就足够了，但在处理 GeoExpertQueries 中的开放式问题时，必须依靠预先规划来确保智能体在多步分析中保持正轨，防止其做出不可靠的假设，或采取诸如用网络搜索替代空间工具等“走捷径”的行为。
下表展示了使用 Gemini 3.8 Flash 在四项基准测试中的得分：
得分为 0–100，基于三次运行的平均值。由于各项基准的评分标准不同，请在同一行内横向对比，而非跨行比较。
技术报告还讨论了一些局限性。GeoExpertQueries 的得分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步骤的专家工作流进行对比，而非对比正确的最终答案。因此，我们将智能体的输出视为供专家审查和深化的高质量初稿，而非最终答案。
Earth AI 实战：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挑战的能力，我们向少数合作伙伴开放了早期访问权限，让他们在各自最棘手的问题上测试这款实验性智能体。以下是他们在公共卫生、灾难响应和基础设施规划等领域应用 Earth AI 的情况概览：
- 世界卫生组织（WHO AFRO）与刚果民主共和国国家生物医学研究所：在 2026 年刚果民主共和国埃博拉疫情爆发初期，驻达喀尔的世界卫生组织非洲区紧急准备与应对中心利用地理空间推理智能体，通过交叉比对森林损失（卫星图像）、采矿点（地图和网页数据）及人口数据，绘制了高风险远程采矿通道的地图。短短数分钟内，团队便定位了 48 个暴露社区，发现了超过 45,500 名高风险人员——这一过程通常耗时数周。这使当地应急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，评估埃博拉病毒向未感染区域扩散的风险。结合流动数据、历史病例趋势及地球 AI 模型和数据集，这些每周洞察为协调人员在病例出现前争取了关键的规划时间。
- “矿工等流动人口移动速度快，传统纸质监测手段难以追踪，存在危险盲区。地球 AI 通过卫星和流动信号填补了这些空白，使我们从被动追踪病毒转向主动预测其下一步打击区域。” —— 恩蒂安·库阿博士，世卫组织非洲区 HIS 项目区域经理及紧急准备与应对枢纽协调员（观看视频）
- Needs People：地理空间推理帮助结合自然灾害预测与人口及图像信息，使分析人员的工作重心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在几分钟内分析了 14 条历史气道路径，识别出高暴露村庄，而无需进行数天的人工 GIS 工作，将已编制好的复杂数据转化为即时洞察，为挽救生命的预先行动腾出了宝贵时间。” —— Alonso Gonzales，GIS 和遥感协调员
- GiveDirectly：团队上传自定义地图边界，在热带气旋 Maila 期间快速测算不同风速区域内的人口暴露情况，并对密西西比州的龙卷风损失进行评估。借助统一的工作空间，危机范围评估从数天缩短到几分钟。
- WPP：利用地理空间推理将人口动态洞察与自有专有数据相结合。其案例研究表明，Earth AI 洞察如何提升地理空间营销活动的效果，同时保障了数据隐私。
- Milken Institute：预开发团队使用该 agent，将自有的 1500 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，筛选适合建设社区韧性中心的地点，综合考量屋顶太阳能潜力、出行数据、周边交通枢纽、气候风险，以及是否符合联邦投资区资格。
观看影片
与这些合作伙伴的早期测试帮助我们评估并拓展了 agent 的地理空间技能，也促成了近期新增的功能：路网路径规划、支持更大规模的用户上传数据集，以及更好地发现权威本地数据源。
扩大早期访问：如何申请测试
今天，我们将进一步开放 Earth AI 研究能力的访问权限，以便就这些实验性的地理空间推理能力收集更多反馈。目前面向一小部分早期用户开放：
- Ask Google Earth：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，你可以用自然语言提出复杂的空间问题，分析 Google Earth 项目中的数据（包括你自己的数据），并直接在地图上查看可视化结果。
- 空间推理智能体 API：面向希望构建可定制、自主集成方案以驱动自定义工作流的开发团队，我们提供了一套实验性的无界面智能体间通信（Agent-to-Agent, A2A）服务。早期合作伙伴可将空间推理智能体接入其自有智能体与数据管道。我们为希望将该服务接入其企业级 Gemini 环境的团队提供了详细的逐步开发指南。
我们的行星预测引擎功能也已开启早期预览，既支持通过交互式界面进行自然语言建模，也可通过智能体 API 用于自定义工作流。
如需申请体验这些研究能力，请填写我们的意向表单。如需成为首批试用早期阶段项目的用户，还可以加入我们的早期体验计划池。