ИИтог

Google представила planetary prediction engine (PPE): ИИ сам строит геопрогнозы за минуты вместо недель

исследованияРедакция ИИтогGoogle Research🔥78Рейтинг ИИтог78Влияние75Новизна70Релевантность100Неожиданность58Участники85Достоверность85
Google представила planetary prediction engine (PPE): ИИ сам строит геопрогнозы за минуты вместо недель

27 августа 2026 года Google Research представила planetary prediction engine (PPE), экспериментальную систему в рамках инициативы Google Earth AI. Авторы поста: Рама Пасумарти (Rama Pasumarthi, Staff Software Engineer в Google Research) и Шравья Шетти (Shravya Shetty, Distinguished Engineer в Google Research). PPE, автономная ИИ-система: по одному запросу на естественном языке она сама проходит весь путь построения геопространственной прогнозной модели, от поиска и очистки данных до обучения модели, её оценки и готового отчёта.

Обычно на это уходят недели: специализированным командам приходится вручную отбирать данные, конструировать признаки и проверять результат с учётом пространственной специфики. Существующие инструменты AutoML и LLM-агенты автоматизируют стандартные конвейеры машинного обучения, но требуют заранее подготовленных табличных данных и не умеют самостоятельно работать с геопространственными задачами. Из-за этого крупномасштабная геоаналитика остаётся узким местом, особенно когда решения нужны быстро, как при гуманитарных кризисах. По словам авторов, PPE решает эту проблему, разбивая процесс на три модульных этапа, каждым из которых управляет отдельная LLM: интеллектуальный отбор геоданных, мультимодальная сборка датасета, автоматическое построение и оценка модели. Этапы работают независимо друг от друга на чётко определённых входных и выходных данных, а данные между ними передаются не текстом внутри запроса к модели, а через отдельные дескрипторы (opaque handles). Так система не упирается в ограничение по размеру контекстного окна.

Google Research проверила PPE на широком наборе задач: в здравоохранении, оценке экологических и социальных рисков. На 21 показателе здоровья населения из данных CDC (Centers for Disease Control and Prevention, Центры по контролю и профилактике заболеваний США) PPE благодаря более точному отбору данных и объединению разных типов данных достигла среднего R² (коэффициент детерминации, доля объяснённой моделью изменчивости данных) в 76,8% против 60,0% у ручного экспертного конвейера. Похожий разрыв виден на индикаторах риска FEMA (Federal Emergency Management Agency, Федеральное агентство по управлению в чрезвычайных ситуациях США): 64,9% против 60,0% у базовой модели, и на индексе социальной уязвимости (Social Vulnerability Index): 66,2% против 58,6%.

При переходе от разрешения на уровне штата (ADM1) к разрешению на уровне района (ADM2) в задаче оценки продовольственной безопасности в Нигерии PPE удвоила точность базовой модели: R² вырос с 31,5% до 66,1%. По данным Google Research, это достигнуто за счёт автономного объединения локальных ценовых шоков на продовольствие, микроклиматических показателей и других локальных сигналов, которые обычно теряются в укрупнённой региональной отчётности.

В задаче предсказания новых очагов вспышки эболавируса Bundibugyo в Демократической Республике Конго в 2026 году PPE достигла Recall@10 (доля реальных новых очагов, попавших в топ-10 прогноза системы) в 83,3% и верно определила 15 из 18 новых заражённых зон здравоохранения за пять последовательных еженедельных прогнозов. Это на 10,3 процентного пункта выше показателя опубликованного в научной литературе передового байесовского метода (около 73%): улучшение получено за счёт объединения эпидемиологических сигналов с эмбеддингами PDFM (Population Dynamics Foundation Models) и отобранными PPE геопространственными переменными.

По словам авторов, эксперименты обнаружили ключевую синергию: структурированные статистические признаки и латентные эмбеддинги базовых моделей дополняют друг друга, и по отдельности ни один из этих сигналов не даёт полной картины. Статистические признаки дают явные, интерпретируемые сигналы, а эмбеддинги PDFM и AlphaEarth Foundations кодируют сложные нелинейные закономерности, извлечённые из больших предобученных наборов данных. Абляционные эксперименты (проверка вклада каждого компонента системы по отдельности) показывают, что объединение разных типов данных вместе с их «умным» отбором стабильно превосходит базовые подходы: это подтверждает, что оба представления дополняют друг друга, а не дублируют.

Авторы прямо называют PPE ранним исследовательским проектом (early-stage research project), а не готовым продуктом: в посте нет ни даты релиза, ни цены, ни условий доступа. В дальнейшем команда планирует расширить набор источников геопространственных данных и добавить другие эмбеддинги базовых моделей, например мультимодальные эмбеддинги Remote Sensing Foundations. Google Research благодарит за помощь с данными группу анализа уязвимости и картографирования (Vulnerability Analysis and Mapping, VAM) Всемирной продовольственной программы ООН (WFP), Национальный институт биомедицинских исследований Демократической Республики Конго (Institut National de Recherche Biomédicale, INRB) за сотрудничество по прогнозированию вспышки Эболы, а также команды Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth за инфраструктуру данных и моделей, на которой построена PPE.

Ключевые факты

  • Google Research представила PPE (planetary prediction engine): по запросу на естественном языке система сама строит геопространственные прогнозные модели, от поиска данных до готового отчёта, без ручной инженерии признаков.
  • На 21 показателе здоровья населения из данных CDC PPE достигла среднего R² 76,8% против 60,0% у ручного экспертного конвейера; похожий разрыв на индикаторах риска FEMA (64,9% против 60,0%) и индексе социальной уязвимости (66,2% против 58,6%).
  • В задаче о продовольственной безопасности в Нигерии при переходе с уровня штата на уровень района PPE удвоила точность базовой модели: R² вырос с 31,5% до 66,1%.
  • На данных вспышки эболавируса Bundibugyo в ДР Конго 2026 года PPE верно определила 15 из 18 новых заражённых зон здравоохранения (Recall@10 83,3%). Это на 10,3 процентного пункта выше опубликованного передового байесовского метода (около 73%).
  • Авторы прямо называют PPE ранним исследовательским проектом, а не готовым продуктом: в посте нет ни даты релиза, ни цены, ни условий доступа.

Почему это важно

Геопространственные прогнозные модели (например, карты риска стихийных бедствий или очагов болезней) обычно требуют недель ручной работы специализированных команд: подбора данных, инженерии признаков, проверки с учётом пространственной специфики. Это узкое место особенно ощутимо при гуманитарных кризисах, где решения нужны быстро. PPE, по данным Google Research, сводит этот процесс к одному запросу на естественном языке и при этом не просто ускоряет работу: в тестах система превосходит существующие ручные и опубликованные методы сразу в нескольких направлениях, от здравоохранения и риска стихийных бедствий до продовольственной безопасности и прогноза вспышек болезней.

Кому это важно

В первую очередь это касается гуманитарных и государственных организаций, которым нужны быстрые и точные прогнозы: агентств по чрезвычайным ситуациям (в тексте фигурирует американский аналог, FEMA), служб общественного здравоохранения (аналог CDC), международных продовольственных программ вроде WFP и местных научных институтов вроде конголезского INRB, которые участвовали в тестировании. Это также касается исследователей и инженеров, которые вручную строят геопространственные модели машинного обучения и тратят на это недели: PPE напрямую отвечает на проблему нехватки специализированных инженерных команд, о которой пишут сами авторы.

Как это применить

Практически PPE пока применить нельзя: это исследовательский прототип. Google Research прямо называет его «ранним исследовательским проектом» и не называет ни дату релиза, ни цену, ни условия доступа. Технически система построена на собственной инфраструктуре Google: данных и эмбеддингах Data Commons, Google Earth Engine, Population Dynamics Foundation Models и AlphaEarth.

Можно ли доверять

Все приведённые цифры взяты из собственной публикации Google Research: независимой проверки нет. В посте есть ссылка на препринт статьи (arXiv 2608.26088, отмечена как Paper в блоке Quick links), но не указаны ни её название или площадка публикации, ни полный список соавторов исследования: благодарность адресована «всем соавторам статьи» без имён, кроме двух авторов самого поста. Сравнение идёт с ручным экспертным конвейером Google и с одним опубликованным байесовским методом: с системами других компаний PPE не сравнивали. Формулировки в посте осторожные: PPE прямо названа «ранним исследовательским проектом», а не готовым продуктом, а сами авторы пишут, что автономные системы «могут соответствовать или улучшать» результаты, а не «всегда превосходят» их.

Риски и подводные камни

PPE, экспериментальная система без объявленных сроков выхода в широкий доступ. В посте не указаны ни объём датасетов, ни размер географической выборки, ни временное окно оценки для показателей CDC, FEMA и индекса социальной уязвимости: приведены только сами значения R². Значит, результат подтверждён именно на 21 показателе CDC, риск-индикаторах FEMA, индексе уязвимости и одном случае в Нигерии, и не факт, что он воспроизводится на других данных без дополнительной проверки. У самой чувствительной из задач есть отдельный риск: цена ошибки. Даже при Recall@10 83,3% на вспышке эболавируса Bundibugyo в ДР Конго система не поймала 3 из 18 новых заражённых зон за время теста, а в реальном реагировании на вспышку каждый непойманный очаг означает потерянное на локализацию инфекции время.