私たちが発表した際 Google Earth AIでは、リモートセンシング、気象、洪水水文学、人口動態にわたる一連の地理空間基盤モデルを紹介するとともに、Geminiを活用したエージェントがそれらのモデルを接続してモダリティ横断的な質問に回答できる仕組みを示す初期プロトタイプをご紹介しました。
それ以来、私たちはGeospatial Reasoningエージェントを初期のコンセプトから、惑星規模のデータを対象とした多段階の地理空間推論とカスタム予測モデルの自律的な学習のために構築された、はるかに高性能な実験的システムへと進化させてきました。本日、3つのアップデートをお知らせします:
- 新たな 技術レポート 「地理空間推論について:」 私たちは、GeoKToolsとGeoExpertQueriesという、私たちが開発し研究者自身の地理空間推論エージェントをテストできるよう公開する2つの新しいベンチマークを含む、4つのベンチマークにわたる体系的な評価を提示します。我々の結果は、すぐに使えるLLMと比較したEarth AIの専門ツールと計画の価値を定量化しています。
- 実環境でのパートナーテストからの知見: 過去数か月にわたり、私たちは社会的インパクトおよび商用のパートナー組織の小さなグループ——を招きました。 世界保健機関(WHO)アフリカ地域事務所, ピープル・イン・ニード, GiveDirectly, その ミルケン研究所 および WPP — 自らの現実の業務、例えば疾病アウトブレイクの調査、災害対策、クリーンエネルギーのスクリーニングなどを支援する形でエージェントをテストするためです。
- Google Earth と Google Cloud で早期アクセスを拡大: 我々は、複数ステップの地理空間分析および惑星予測の両方について、実験的アクセスを拡大しています。以下のための実験的なディープリサーチ更新の早期アクセスを提供しています。 Google Earthに聞いてみましょう。また、カスタムワークフローを構築する開発者向けに、エージェント間APIの先行アクセスも提供しています。これには、接続のためのレシピも含まれます Gemini.
Geospatial Reasoning の新機能
汎用LLMや標準的なコーディングツールは、現実世界の空間問題を扱うのに苦手です。地球規模のデータセットは膨大で、正確に組み合わせるには慎重な多段階の計画を要する特殊な地図形式や衛星データ形式が使われているためです。実際に複雑な空間ワークフローに取り組むために、私たちのエージェントは4つの主要な能力を備えています。
Earth AI基盤モデルと地球規模のデータに接続
このエージェントは、GeminiをEarth AIの基盤モデルの機能——を含む——に接続します。 WeatherNext, 洪水予報、 Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations および Remote Sensing Foundations に加え、以下からの情報: Google Maps Platform (例: 場所情報、ルーティング、大気の質、屋上太陽光発電ポテンシャル)、 Google Earth Engine, Data Commons 、および Google Dataset Search.
モジュール式スキル、事前計画、専用の空間ワークスペース
Earth AIの機能はモジュール式スキルとしてパッケージ化されており、エージェントはユーザーの質問で必要な場合にのみそれらを呼び出します。複雑な操作を実行する前に、エージェントはステップバイステップの分析計画を作成し、局所的なカバレッジが疎な場合には適切な代替データセットを選択し、大規模なマップレイヤーを専用のワークスペースで処理します。このアプローチにより、大量の空間データでエージェントのコンテキストを圧迫することを避けながら、精度を維持し、データの帰属を追跡します。すべての応答にはエージェントの計画と使用されたデータソースが表示されるため、専門家は前提を確認したりデータセットを差し替えたりできます。
独自データの持ち込み
組織が公開データだけに頼ることはまれです。ユーザーは現在、Geospatial Reasoning agent APIを通じて、CSVスプレッドシート、カスタムマップ境界(GeoJSON)、またはクラウドテーブルとして独自のデータセットを入力できます。その後、ユーザーはエージェントに、自分のプライベートな所在地をEarth AIのグローバルモデルやカタログと結合するよう依頼できます。
多段階の推論から自律的なPlanetary Predictionへ
複雑な分析質問への回答に加えて、このエージェントは最近発表された Planetary Prediction Engineの基盤でもあります。地域の疾病率、作物収量、グリッド停電などのユーザーのローカルな成果データが与えられると、エージェントは関連する人口・環境シグナルを自動的に選択し、当社の Population Dynamics Insights と年次の Satellite Embedding dataset (それぞれPDFMと AlphaEarth Foundationsに基づくGoogle製品)を使用し、空間予測、超解像度ダウンスケーリング、予測のための検証済み機械学習モデルを学習させます。最近の 公衆衛生研究では、これらの人口シグナルと衛星シグナルを組み合わせることで、人口統計のベースラインと比較して健康成果の予測が12%改善され、8倍細かい空間解像度でのマッピングが可能になりました。
当社のGeospatial Reasoningエージェントは、ユーザーの質問に対して、まず複数ステップのワークフローを計画し、次にクエリに関連する主要なEarth AIツール、データセット、モデルを選択し、最後にコンテキストウィンドウの外にあるワークスペースで計画の各段階を実行することで応答します。回答には、複数のEarth AI機能がテキスト、表、地図ベースのレポートに組み込まれます。
Geospatial Reasoningエージェントの評価
ドメイン固有のツールと事前計画が地理空間推論に与える影響を測定するために、当社の 技術レポート では、Gemini 3.8 FlashとGemini 3.1 Proにわたる4つのエージェント構成を比較しています:(1) スタンドアロンのLLM、(2) 基本的な web search および maps grounding ツールを備えたLLM、(3) Earth AIツール(Remote Sensing FoundationsやWeatherNext 3など)を備えるが事前計画のないLLM、(4) すべてのクエリを専用の計画段階から始める完全なGeospatial Reasoningエージェント。この計画段階では、利用可能な能力について推論して何ができ何ができないかを評価し、回答に到達するために必要な検索と処理の段階を定めます。
我々は、基本のGeminiモデルから、地理空間推論に最適化されたスキルとオーケストレーションを段階的に追加したエージェントまで、4つのエージェント構成を評価します。
評価は4つのベンチマークにわたり、エキスパートレベルのオープンエンドな分析、マルチツールのオーケストレーション、決定論的な回答を持つコミュニティ開発の地理空間問題をカバーしています。 CBGB と UnivEARTH は、それぞれ地理空間コード生成と質問応答をテストする、外部開発された2つのベンチマークです。単一の質問やユースケースを超える難しいタスクでエージェントをテストするために、我々は2つの新しいベンチマークを開発しました。 GeoExpertQueries は、危機レジリエンス、サイト選定、公衆衛生などの分野における分析のベストプラクティスを捉えた、エキスパート作成のゴールデンワークフローを伴う複雑な実世界のクエリを導入します。 GeoKTools は、検証可能な回答を持つテンプレート化されたクエリを含み、それぞれが1から4までの異なる地理空間ツールの正しい選択と使用を必要とします。これらを合わせると、このスイートは地理空間推論システムの従来の評価よりも大幅に広いカバレッジを提供します。地理空間エージェントの研究開発を加速するために、我々は両方の新しいベンチマークの開発分割を 完全に公開 します。
新しいGeoKTools（左）およびGeoExpertQueries（右）ベンチマークからのクエリ例です。GeoKToolsは、特定の地理空間ツールやデータセットを選択して使用するエージェントの能力を試験し、GeoExpertQueriesは、オープンエンドな複数ステップのワークフローにおける推論を評価します。
結果と主なポイント
今回の評価から、2つの重要なポイントが浮かび上がりました。第一に、空間推論にはドメイン固有のスキルが不可欠です。基本的なツールのみ（ウェブ検索、マップのグラウンディング、コード実行）を持つエージェントは、定量的な空間タスクで苦戦します。エージェントにEarth AIスキルを与えると、GeoExpertQueries、GeoKTools、CBGBのすべてで大幅な向上が見られます。唯一の例外はUnivEARTHで、ここではスタンドアロンのLLMでも93.6%のスコアを達成しています。これは、出典であるNASAの記事と回答が公開ウェブ上で入手可能であるためと考えられます。
第二に、事前の計画立案が、オープンエンドな実世界のワークフローへの対応を可能にします。CBGBやGeoKToolsのような範囲の狭いタスクであればEarth AIスキルだけで十分ですが、GeoExpertQueriesにおけるオープンエンドな問題への取り組みには、複数ステップの分析全体を通じてエージェントを正しい軌道に保ち、信頼性のない仮定を立てたり、空間ツールの代わりにウェブ検索を使うなどの近道をしてしまうことを防ぐために、事前の計画立案が必要です。
下の表は、Gemini 3.8 Flashを使用した4つのベンチマークすべてのスコアを示しています：
スコアは0～100で、3回の実行の平均値です。各ベンチマークは採点方法が異なるため、比較は行内で行い、行間では行わないでください。
技術レポートでは、限界についても議論しています。GeoExpertQueries のスコアは、分析が踏むべき手順を定義したエキスパートのワークフローとエージェントのパフォーマンスを比較するオートレーターによるものであり、正しい最終解答と比較するものではありません。そのため、我々はエージェントの出力を、専門家がレビューし発展させるための強力な初稿と考えており、最終解答とは考えていません。
Earth AI の実践:パートナーとの初期テスト
この研究が現実世界の課題にどのように活かされるかを評価するため、少数のパートナーに早期アクセスを提供し、最も困難な問題に対して実験的なエージェントをテストしてもらいました。公衆衛生、災害対応、インフラ計画の各分野で、彼らが Earth AI をどのように活用しているかの概要は以下の通りです:
- 世界保健機関(WHO AFRO)およびコンゴ民主共和国の INRB:コンゴ民主共和国(DRC)で 2026 年のエボラ出血熱の発生が始まった際、WHO AFRO のダカールにある緊急事態準備・対応ハブは Geospatial Reasoning エージェントを使用し 森林減少(衛星画像から)、鉱山サイト(地図やウェブデータから)、人口データを相互参照することで、曝露リスクと人間の移動が高い遠隔の鉱山回廊をマッピングしました。数分以内に、チームは 48 の曝露された集落を特定し、45,500 人を超えるリスクにさらされた人々の所在地を特定しました。通常であれば数週間を要するプロセスです。これにより、現地の対応者はモバイル検査室を先手で配備し、国境監視を調整することができました。一方、DRC の 国立生物医学研究所 (INRB)の疫病モデリング・インテリジェンス部門(UMIE)は、Planetary Prediction Engine を使用して、エボラが未感染地域に広がるリスクを推定しました。移動フローを過去の症例傾向、Earth AI のモデルやデータセットと組み合わせることで、これらの週次の洞察は、症例が到着する前の重要な計画時間をコーディネーターにもたらします。
- 「鉱山労働者のような移動人口は、従来の紙ベースのサーベイランスが追跡できる速度よりも速く移動し、危険な死角を生み出しています。Earth AI は衛星信号と移動データによってその隙間を埋め、ウイルスを事後的に追いかけることから、次にどこで発生するかを能動的に予測することへと移行させてくれます。」 Dr Etien Koua、HIS プログラム領域マネージャー & WHO AFRO 緊急事態準備・対応ハブ コーディネーター (動画を見る)
- People in Need:ジオ空間推論により、自然災害の予報を人口や画像情報と組み合わせることが可能になり、アナリストの焦点がデータ処理からインサイトの提供へと移りました:
- 「実験的な Geospatial Reasoning エージェントのおかげで、14 の過去のサイクロンの経路を分析し、手作業の GIS 作業で数日かかるところを数分で高曝露の村を特定することができました。準備しておいた複雑なデータを即座のインサイトに変え、命を救う先行対応のための貴重な時間を確保できました。」 - Alonso Gonzales、GIS・リモートセンシング コーディネーター
- GiveDirectly:チームはカスタムの地図境界をアップロードし、熱帯サイクロン Maila の際の風速ゾーン別の人口曝露を迅速に計算し、ミシシッピ州の竜巻被害をベンチマークしました。これにより、危機の範囲特定が数日から数分に短縮され、すべて単一のワークスペース内で行われました。
- WPP:ジオ空間推論を使用して、Population Dynamics Insights を自社の独自データと接続しました。彼らの ケーススタディ は、Earth AI のインサイトがデータのプライバシーを保護しながら、ジオ空間マーケティングキャンペーンのパフォーマンスをどのように向上させたかを示しています。
- Milken Institute:開発前段階のチームは、エージェントを使用して、自社のリストにある 1,500 を超える候補建物を Google Maps Platform の Solar API や国勢調査データと組み合わせ、地域レジリエンスハブの建設に適した場所を選定しました。屋上太陽光発電のポテンシャル、移動データ、近隣の交通ハブ、気候リスク、連邦投資地域の適格性が考慮されました。
これらのパートナーとの初期テストは、エージェントのジオ空間スキルの評価と拡張に役立ち、最近の道路ネットワーク ルーティングの追加、より大きなユーザー アップロード データセットのサポート、権威あるローカルデータソースのより優れた発見につながりました。
早期アクセスの拡大:テストへの応募方法
本日、我々は実験的なジオ空間推論機能についてより多くのフィードバックを集めるため、Earth AI の研究機能へのアクセスを拡大します。これらは限られた早期ユーザーのグループに提供されます:
- Ask Google Earth: Ask Google Earth の内部で拡張された高度な分析機能をプレビューとして直接提供します。これにより、対話型のチャット体験を通じて、自然言語で複雑な空間に関する質問を行い、Google Earth プロジェクト内のデータ(独自のデータを含む)を分析し、視覚的な結果を地図上で直接探索できます。
- Geospatial Reasoning Agent API: カスタマイズ可能なセルフサービス型の統合を求め、独自のワークフローを動かしたい開発者チームのために、実験的なヘッドレスの Agent-to-Agent(A2A) サービスを提供しています。アーリーパートナーは、Geospatial Reasoning エージェントを独自のカスタムエージェントやデータパイプラインに接続できます。このサービスを自身の Gemini for business 環境に接続したいチームのために、ステップバイステップの開発者レシピを提供しています。
Planetary Prediction Engine の機能もアーリープレビューとして利用可能です。迅速な平易な言語によるモデリングのための対話型インターフェースと、カスタムワークフロー向けの Agent API の両方からアクセスできます。
これらの研究機能へのアクセスに関心をお持ちの場合は、 関心登録フォームにご記入ください。初期段階のプロジェクトをいち早く試してみたい方は、以下にもご登録いただけます: Early Access Pool.