要应对人类最紧迫的全球性挑战——从预测区域粮食安全和环境灾害风险，到追踪实时疫情暴发和绘制社会经济脆弱性地图——都需要高保真的地理空间建模。然而，构建这些模型受制于碎片化的数据生态：专业团队需要花费数周时间进行人工数据整理、特征工程和专门的空间验证。现有的 AutoML 和基于 LLM 的智能体虽然能有效自动化标准的机器学习流水线，但它们依赖预先整理好的表格数据，缺乏自主处理地理空间工作流所需的专门能力。因此，行星尺度的分析仍然是一个显著的瓶颈，在人道主义危机中需要快速响应时，这一局限尤为严重。
今天，我们推出行星预测引擎（planetary prediction engine，PPE），这是我们更广泛的 Google Earth AI 计划中最新的实验性研究能力，旨在把行星信息转化为可付诸行动的洞察。此前，我们展示了 Earth AI 在智能整合多样化地理空间资产方面的推理能力。作为一个自主 AI 系统，PPE 直接根据自然语言查询执行完整的地理空间预测工作流，从行星尺度的数据发现和清理，到训练和评估。给定一个地理空间预测查询，PPE 会自主检索相关数据、进行特征工程、训练并评估预测模型，并生成一份完整的报告。我们证明，PPE 无需人工干预就能在多种基准测试上取得提升，从而把构建复杂行星预测模型所需的时间，从包含人工数据工程的数周缩短到仅需数分钟、即可自主得出洞察。
行星预测引擎如何工作
PPE 将预测工作流分解为三个模块化阶段，每个阶段均由一个 LLM 统筹编排：
- 阶段 1：智能地理空间数据选择。给定一个自然语言查询，PPE 会把提示转换为严格的地理约束（空间粒度、连接键、时间范围）。随后进行有据可依的信号发现，提出领域假设，并识别经已发表文献验证的直接信号和因果代理信号。PPE 系统地从成熟的地理空间数据库中检索协变量，包括 Data Commons 和 Google Earth Engine。对于成熟数据库中没有的信号，系统会进行实时的开放网络发现，在推理时搜索政府门户和学术资料库。
- 阶段 2：多模态数据集整理。汇集的协变量会与预训练的地理空间基础模型嵌入相融合：用于社会人口潜在状态的人口动态基础模型（Population Dynamics Foundation Models，PDFM），以及用于卫星影像语义的 AlphaEarth。系统实施严格的“特征闸门”（Feature Gate），强制执行自动化的目标泄漏缓解，依据四项防泄漏标准评估每个候选协变量（过滤掉数学上的子成分、共享的调查数据、下游因果效应和未来的时间数据），以确保下游评估的完整性。
- 阶段 3：自动化模型构建与预测。在这一阶段，PPE 从数据整理转向模型优化和评估。系统在多个模型族中搜索，例如正则化线性模型、梯度提升决策树（GBDT）和多层感知机，并配有防止过拟合的自定义逻辑（Overfitting Guard Protocol，过拟合防护协议）：它会预先评估数据集风险，并实现一个自我纠正循环，以检测泛化失败并从中恢复。
关键在于，每个阶段都基于定义明确的输入和输出独立运行，以避免数据瓶颈。数据产物通过不透明句柄在各阶段之间传递，而不是序列化到 LLM 提示中，从而避开了上下文窗口的限制。
在各类任务的多种基准测试上取得提升
我们在涵盖机器学习范式、地理区域和科学领域的多维矩阵上评估了 PPE。
空间回归：美国公共卫生与环境
在 21 项 CDC 健康指标上，与人工专家流水线相比，PPE 的智能数据选择和多模态融合取得了 76.8% 的平均 R²，而后者为 60.0%。在预测 FEMA 国家风险指标（平均 R² 为 64.9%，基线为 60.0%）和社会脆弱性指数（平均 R² 为 66.2%，基线为 58.6%）时，我们也观察到类似的提升。
超分辨率降尺度：尼日利亚粮食安全
在数据稀缺地区，粗粒度的区域报告往往掩盖了局部的脆弱性。通过自主整合本地市场冲击、食品价格异常和微气候指标，PPE 在把粮食安全从州（ADM1）级降尺度到地方政府辖区（ADM2）级时，将基线准确率提高了一倍（R² 为 66.1%，基线为 31.5%），为人道主义组织提供了可付诸行动的高保真脆弱性地图。
流行病学即时预测：刚果民主共和国埃博拉疫情
在刚果民主共和国 2026 年本迪布焦埃博拉病毒疫情期间，针对新的疾病传播热点的实时预测，PPE 取得了 83.3% 的 Recall@10，在连续五次每周预测中，正确识别了 18 个新受侵袭卫生区中的 15 个。这比已发表的最先进贝叶斯建模基线（约 73%）绝对提升了 10.3 个百分点，得益于将流行病学信号与 PDFM 嵌入以及 PPE 选出的地理空间协变量相融合。
多模态融合与智能数据选择的力量
所有实验的一个关键发现是，把结构化统计协变量与潜在的基础模型嵌入相结合具有协同价值。单靠任何一种模态都无法勾勒全貌：统计协变量提供明确、可解释的信号，而人口动态嵌入和 AlphaEarth Foundations 嵌入则编码了从大型预训练数据集中学到的复杂非线性模式。我们的消融研究一致表明，多模态融合加上智能数据选择优于基线方法，证实这些表征是互补而非冗余的。在未来的工作中，我们希望扩展这些能力，纳入更多地理空间数据源以及基础模型嵌入，例如 Remote Sensing Foundations 多模态嵌入。
结论
PPE 表明，自主 AI 系统可以在广泛的地理空间预测任务中达到或超越既有表现：从估算美国的慢性病患病率，到提高尼日利亚粮食不安全状况的分辨率，再到对刚果民主共和国正在流行的病毒疫情进行即时预测。通过结合智能数据发现、多模态基础模型融合和自动化模型优化，PPE 降低了行星尺度分析的技术门槛，使其能在时间紧迫的决策关头快速部署。
我们相信，这项实验性研究是迈向地理空间预测民主化的有意义的一步。通过把重心从人工数据工程转向高层次的假设引导，行星预测引擎帮助研究人员、人道主义组织和政策制定者无需专门的工程团队就能构建模型。虽然 PPE 还是一个早期研究项目，但我们很期待探索更多用例，看看这种方法如何帮助各类组织更好地预见并解决复杂的全球性挑战。
致谢
我们感谢并肯定论文所有共同作者的贡献。感谢联合国世界粮食计划署（WFP）及脆弱性分析与制图（VAM）团队提供的数据和研究支持。我们还要感谢Institut National de Recherche Biomédicale（INRB）在刚果民主共和国埃博拉即时预测方面的合作，以及 Data Commons、Google Earth Engine、Population Dynamics Foundation Models 和 AlphaEarth 背后的团队，他们提供了驱动 PPE 的基础数据和模型基础设施。