ИИтог

Google Research расширила доступ к агенту Geospatial Reasoning на базе Earth AI

ИИ-агентыРедакция ИИтогGoogle Research🔥67Рейтинг ИИтог67Влияние60Новизна65Релевантность95Неожиданность35Участники80Достоверность80
Google Research расширила доступ к агенту Geospatial Reasoning на базе Earth AI

Google Research опубликовала технический отчёт и пост об экспериментальном агенте Geospatial Reasoning (геопространственные рассуждения). Авторы поста, Shravya Shetty (Distinguished Engineer) и Luke Barrington (Product Director) из Google Research. Агент работает поверх Gemini и соединяет базовые модели Earth AI, пространственные инструменты и отдельный этап предварительного планирования. По утверждению авторов, такая связка позволяет проводить сложный пространственный анализ и планетарные прогнозы, с которыми обычные языковые модели без инструментов не справляются.

Агент подключает Gemini к моделям Earth AI: WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations и Remote Sensing Foundations. Кроме них используются данные Google Maps Platform (информация о местах, маршруты, качество воздуха, потенциал солнечной энергии на крышах), Google Earth Engine, Data Commons и Google Dataset Search. Возможности Earth AI оформлены как модульные навыки, которые агент вызывает только тогда, когда они нужны для вопроса. Перед сложными операциями агент строит пошаговый план анализа, подбирает запасные наборы данных там, где локальное покрытие скудное, и обрабатывает крупные картографические слои в отдельном рабочем пространстве. В каждом ответе показаны план и использованные источники данных, чтобы эксперт мог проверить допущения или подставить другие данные.

Пользователи теперь могут загружать собственные данные через API агента: таблицы CSV, пользовательские границы на карте (GeoJSON) или облачные таблицы, и просить агента соединить свои локации с глобальными моделями и каталогами Earth AI. Кроме того, агент лежит в основе недавно анонсированного Planetary Prediction Engine: получив локальные данные об исходах (региональные показатели заболеваемости, урожайность, отключения в энергосетях), он сам выбирает релевантные популяционные и средовые сигналы, объединяет продукты Population Dynamics Insights и Custom Satellite Embeddings и обучает проверенные модели машинного обучения для пространственного прогноза, повышения разрешения и прогнозирования. В недавнем исследовании Google в сфере общественного здравоохранения сочетание этих сигналов улучшило прогноз показателей здоровья на 12% относительно демографических базовых моделей и позволило строить карты с разрешением в 8 раз более тонким.

В отчёте сравнили четыре конфигурации на Gemini 3.8 Flash и Gemini 3.1 Pro: (1) обычная модель без инструментов; (2) модель с базовым веб-поиском и привязкой к картам; (3) модель с инструментами Earth AI (например, Remote Sensing Foundations и WeatherNext 3), но без предварительного планирования; (4) полный агент, который начинает каждый запрос с планирования: оценивает, что он может и не может сделать, и намечает этапы поиска и обработки данных. Оценка шла по четырём тестовым наборам. CBGB (генерация геопространственного кода) и UnivEARTH (вопросы и ответы) разработаны внешними авторами; GeoExpertQueries (сложные реальные запросы с эталонными рабочими процессами экспертов из областей устойчивости к кризисам, выбора площадок и общественного здоровья) и GeoKTools (шаблонные запросы с проверяемыми ответами, где нужно правильно выбрать и применить от 1 до 4 геопространственных инструментов) Google создала сама. Обучающие и отладочные части (development splits) двух новых наборов опубликованы полностью.

Выводов два. Первый: узкоспециальные навыки необходимы для пространственных рассуждений. Агент только с базовыми инструментами (веб-поиск, привязка к картам, выполнение кода) плохо справляется с количественными пространственными задачами, а добавление навыков Earth AI даёт значительный скачок на GeoExpertQueries, GeoKTools и CBGB. Исключение, UnivEARTH, где даже обычная модель набирает 93,6%; авторы связывают это с тем, что исходные статьи NASA и ответы доступны в открытом вебе. Второй: предварительное планирование нужно для открытых реальных задач. Для узких задач вроде CBGB и GeoKTools достаточно одних навыков Earth AI, но для открытых задач GeoExpertQueries без планирования агент теряет нить многошагового анализа, делает ненадёжные допущения и идёт обходными путями, например использует веб-поиск вместо пространственных инструментов.

Ограничения отчёта Google называет прямо: оценки GeoExpertQueries выставляет автоматический оценщик (autorater), который сравнивает действия агента с экспертными рабочими процессами, а не проверяет правильность итогового ответа. Поэтому результат агента авторы считают сильным первым черновиком, который эксперты должны проверить и доработать, а не готовым ответом.

Небольшая группа партнёров получила ранний доступ и проверяла агента на сложных задачах в здравоохранении, реагировании на катастрофы и планировании инфраструктуры. По итогам добавлены маршрутизация по дорожной сети, поддержка более крупных загружаемых наборов данных и лучший поиск авторитетных локальных источников. Теперь Google расширяет экспериментальный доступ ограниченной группе ранних пользователей, в том числе через Ask Google Earth и сервис Agent-to-Agent (A2A). Возможности Planetary Prediction Engine доступны для раннего предпросмотра через интерактивный интерфейс (моделирование простым языком) и через Agent API. Заинтересованным предлагают заполнить форму или записаться в Early Access Pool.

Ключевые факты

  • Google Research опубликовала технический отчёт об экспериментальном агенте Geospatial Reasoning: Gemini плюс модели Earth AI, пространственные инструменты и этап предварительного планирования.
  • Агент принимает собственные данные пользователя (CSV, GeoJSON, облачные таблицы) и лежит в основе Planetary Prediction Engine, который обучает модели пространственного прогноза на локальных данных.
  • Сравнили четыре конфигурации на Gemini 3.8 Flash и Gemini 3.1 Pro по четырём тестовым наборам; на UnivEARTH обычная модель набрала 93,6%, и авторы связывают это с открытостью исходных материалов NASA в вебе.
  • Google называет результат агента «сильным первым черновиком» для экспертов: оценки GeoExpertQueries ставит автоматический оценщик, а не проверка правильного ответа.
  • Доступ расширен для ограниченной группы ранних пользователей (Ask Google Earth, сервис A2A, Agent API); Planetary Prediction Engine доступен для раннего предпросмотра.

Почему это важно

Сюжет показывает, как Google пытается превратить набор геопространственных моделей Earth AI в агента, который сам планирует многошаговый анализ данных о планете. Главный довод авторов: обычная языковая модель и стандартные инструменты для кода плохо справляются с пространственными задачами, потому что планетарные наборы данных огромны, а картографические и спутниковые форматы требуют аккуратного планирования. Важен и сам подход, модульные навыки, вызываемые по необходимости, и показ плана и источников в каждом ответе.

Кому это важно

Прежде всего организациям, работающим с пространственными данными: в отчёте и посте упомянуты общественное здравоохранение, реагирование на катастрофы, планирование инфраструктуры, выбор площадок и устойчивость к кризисам. Для исследователей отдельный интерес представляют два новых тестовых набора, GeoExpertQueries и GeoKTools, у которых опубликованы development splits целиком.

Как это применить

Агент пока экспериментальный: доступ открыт ограниченной группе ранних пользователей через Ask Google Earth, сервис Agent-to-Agent (A2A) и Agent API; возможности Planetary Prediction Engine доступны для раннего предпросмотра через интерактивный интерфейс и API. Через API можно загрузить собственные данные в виде CSV, GeoJSON или облачных таблиц и попросить агента объединить их с моделями и каталогами Earth AI. Чтобы попасть в число пользователей, Google предлагает заполнить форму интереса или записаться в Early Access Pool. Сроки, цены и регионы доступа в источнике не названы.

Можно ли доверять

Источник первичный, блог Google Research, авторы поста, Shravya Shetty и Luke Barrington. Все результаты тестов получены самой Google, и два из четырёх тестовых наборов разработаны ею же; независимой проверки или внешних отзывов в материале нет. Сама Google оговаривает ограничения: оценки GeoExpertQueries ставит автоматический оценщик, сравнивающий действия агента с экспертными рабочими процессами, а не проверяющий правильность итогового ответа. Цифры 12% и 8-кратное повышение разрешения относятся к отдельному исследованию Google в сфере общественного здравоохранения, а не к тестам агента. Итоговые оценки агента в таблице на Gemini 3.8 Flash в тексте источника не приведены.

Риски и подводные камни

Агент описан как экспериментальный, а его результат, как первый черновик, который эксперт должен проверить и доработать. Высокий результат обычной модели на UnivEARTH, по версии авторов, вероятно, объясняется тем, что исходные статьи NASA и ответы лежат в открытом вебе, поэтому этот набор плохо отделяет агента от модели без инструментов. Без предварительного планирования, по словам авторов, агент делает ненадёжные допущения и берёт обходные пути вроде веб-поиска вместо пространственных инструментов; именно поэтому в ответах показаны план и источники, которые эксперту стоит проверять.