当我们推出 Google Earth AI时，我们分享了一套地理空间基础模型——涵盖遥感、天气、洪水水文学和人口动态——以及一个初步原型，展示由Gemini驱动的智能体如何连接这些模型来回答跨模态问题。
从那以后，我们将地理空间推理智能体从一个早期概念发展为功能更强大、面向多步骤地理空间推理的实验系统，可处理行星规模的数据并自主训练自定义预测模型。今天，我们分享三项更新：
- 一份新的 技术报告 关于地理空间推理： 我们展示了在四个基准上的系统评估，其中包括GeoKTools和GeoExpertQueries——我们开发的两个新基准，现已发布供研究人员测试他们自己的地理空间推理智能体。我们的结果量化了地球AI的专业工具和规划相对于开箱即用LLM的价值。
- 来自真实世界合作伙伴测试的洞见： 在过去几个月里，我们邀请了一小批社会影响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 ——来测试该智能体，以支持他们自己的真实工作流程，例如疾病爆发调查、灾害备灾和清洁能源筛查。
- 在Google Earth和Google Cloud上扩大早期访问： 我们正在扩大多步骤地理空间分析和行星预测的实验性访问。我们为 Ask Google Earth提供实验性深度研究更新的早期访问。我们还在为构建自定义工作流的开发者提供智能体间API的早期访问，包括连接到 Gemini.
地理空间推理的新进展
通用LLM和标准编码工具难以应对真实世界的空间问题，因为行星数据集规模庞大，采用专门的地图和卫星格式，需要仔细的多步骤规划才能准确组合。为了在实践中处理复杂的空间工作流，我们的智能体汇集了四项关键能力：
连接地球AI基础模型和行星规模数据
该智能体将Gemini与地球AI基础模型的能力相连接——包括 WeatherNext, Flood Forecasting, 该 Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations 以及 Remote Sensing Foundations — 同时结合来自 Google Maps Platform （例如地点信息、路线规划、空气质量、屋顶太阳能潜力）、 Google Earth Engine, Data Commons 和 Google Dataset Search.
的模块化技能、前置规划以及专用的空间工作区
Earth AI 能力被打包为模块化技能，智能体仅在用户问题需要时才会调用它们。在运行复杂操作之前，智能体会制定逐步的分析计划，在本地覆盖稀疏时选择合适的备用数据集，并在专用工作区中处理大型地图图层。这种方式避免了海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来源。每条回复都会展示智能体的计划及所使用的数据来源，以便专家核查假设或替换数据集。
自带数据
组织很少仅依赖公开数据。用户现在可以通过 Geospatial Reasoning agent API 以 CSV 电子表格、自定义地图边界（GeoJSON）或云端数据表的形式输入自己的数据集。随后用户可以让智能体将其私有位置与 Earth AI 的全球模型和目录进行连接。
从多步推理到自主的 Planetary Prediction
除了回答复杂的分析性问题之外，该代理还为最近发布的 Planetary Prediction Engine提供支持。给定用户的本地结果数据，例如区域疾病发病率、作物产量或电网停电情况，该代理会自动选择相关的人口和环境信号，使用我们的 Population Dynamics Insights 和年度 Satellite Embedding dataset （分别是基于PDFM构建的Google产品和 AlphaEarth Foundations），并训练经过验证的机器学习模型，用于空间预测、超分辨率降尺度以及预测。在我们最近的 公共卫生研究中，结合这些人口和卫星信号使健康结果的预测较人口统计基线提高了12%，并实现了空间分辨率精细8倍的制图。
我们的Geospatial Reasoning代理响应用户问题时，首先规划一个多步骤的工作流程，然后选择与查询相关的关键Earth AI工具、数据集和模型，最后在上下文窗口之外的工作区中执行计划的每个阶段。答案将多种Earth AI能力整合到一份包含文本、表格和地图的报告中。
评估Geospatial Reasoning代理
为了衡量领域专用工具和预先规划对地理空间推理的影响，我们的 技术报告 在Gemini 3.8 Flash和Gemini 3.1 Pro上比较了四种代理配置：(1) 独立的LLM，(2) 具备基础 web search 和 maps grounding 工具的LLM，(3) 具备Earth AI工具（如Remote Sensing Foundations和WeatherNext 3）但没有预先规划的LLM，以及(4) 完整的Geospatial Reasoning代理——它对每个查询都从一个专门的规划阶段开始，通过推理评估可用能力以判断自己能做什么和不能做什么，并列出得出答案所需的检索和处理阶段。
我们评估了四种代理配置，从基础Gemini模型，到逐步增加了针对地理空间推理优化的技能和编排能力的代理。
该评估涵盖四个基准测试，包括专家级开放式分析、多工具编排，以及由社区开发的具有确定性答案的地理空间问题。 CBGB 和 UnivEARTH 是两个外部开发的基准测试，分别测试地理空间代码生成和问答能力。为了在超出单一问题或用例的挑战性任务上测试代理，我们开发了两个新的基准测试。 GeoExpertQueries 引入了复杂的现实世界查询，并配有专家编写的黄金工作流程，这些工作流程捕捉了危机韧性、选址和公共卫生等领域的分析最佳实践。 GeoKTools 包含带有可验证答案的模板化查询，每个查询都要求正确选择并使用1到4个不同的地理空间工具。这套基准测试相比以往对地理空间推理系统的评估，覆盖范围明显更广。为了加速地理空间代理的研究与开发，我们完整发布了这两个新基准测试的 开发集 。
来自我们全新的 GeoKTools（左）和 GeoExpertQueries（右）基准的示例查询。GeoKTools 测试智能体选择和使用特定地理空间工具与数据集的能力，而 GeoExpertQueries 则评估在开放式、多步骤工作流上的推理能力。
结果与主要结论
从我们的评估中可以看出两个主要结论：第一，特定领域的技能对空间推理至关重要。仅配备基础工具（网络搜索、地图定位和代码执行）的智能体在定量空间任务上表现不佳。为智能体配备 Earth AI 技能后，其在 GeoExpertQueries、GeoKTools 和 CBGB 上的表现均有显著提升。唯一的例外是 UnivEARTH，即使是独立的 LLM 也获得了 93.6% 的分数，这很可能是因为相关 NASA 文章及答案在公开网络上可以获取。
第二，前期规划能够解锁开放式的真实世界工作流。虽然仅凭 Earth AI 技能就足以应对 CBGB 和 GeoKTools 中那些较为狭窄的任务，但要解决 GeoExpertQueries 中的开放式问题，则需要前期规划，以使智能体在多步骤分析中保持正轨，防止其做出不可靠的假设或走捷径，例如使用网络搜索而非空间工具。
下表显示了使用 Gemini 3.8 Flash 在全部四个基准上的得分：
分数范围为 0–100，为三次运行的平均值。每个基准的评分方式不同，因此请在同一行内比较，而非跨行比较。
技术报告还讨论了局限性。GeoExpertQueries 的评分来自一个自动评估器（autorater），该评估器将智能体的表现与专家工作流程进行比较，这些工作流程定义了一次分析应该采取的步骤，而不是正确的最终答案。因此，我们将智能体的输出视为供专家审阅和进一步完善的强初稿，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现实世界的挑战，我们让一小部分合作伙伴提前试用这一实验性智能体，用他们最棘手的问题进行测试。在公共卫生、灾害应对和基础设施规划等领域，以下是他们在实践中应用 Earth AI 的概况：
- 世界卫生组织（WHO AFRO）与刚果（金）国家生物医学研究院（INRB）：在2026年刚果民主共和国（DRC）埃博拉疫情暴发之初，世卫组织非洲区域办公室（WHO AFRO）位于达喀尔的应急准备与响应中心 使用了地理空间推理（Geospatial Reasoning）智能体 通过交叉比对森林损失（来自卫星图像）、采矿点（来自地图和网络数据）以及人口数据，来绘制偏远的采矿走廊区域图，因为这些区域的接触风险和人员流动性都很高。团队在几分钟内就确定了48个受影响的居民点，并定位了超过45,500名处于风险中的人员——这一过程通常需要数周时间。这使得当地应急人员能够主动部署移动实验室并协调边境监控。与此同时，刚果民主共和国的流行病建模与情报部门（UMIE） 国家生物医学研究所 (INRB)使用行星预测引擎(Planetary Prediction Engine)来估算埃博拉疫情向未感染区域扩散的风险。通过将人员流动数据与历史病例趋势以及Earth AI模型和数据集相结合，这些每周洞察为协调人员在病例到来之前争取到了关键的规划时间。
- “像矿工这样的流动人群的移动速度超出了传统纸质监测系统的追踪能力,形成了危险的盲区。Earth AI 利用卫星和移动信号填补了这些空白——让我们从被动追踪病毒转变为主动预测它下一步将在哪里暴发。” Etien Koua 博士，HIS项目区域经理兼WHO AFRO应急准备与响应中心协调员 (观看视频)
- 人民在需要中：地理空间推理帮助将自然灾害预报与人口和影像信息相结合，使分析师的注意力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分析了14条历史气旋路径，在几分钟内识别出高暴露风险的村庄，而不是需要数天的人工GIS工作，将准备好的复杂数据转化为即时洞察，为挽救生命的预警行动争取了关键时间。” - Alonso Gonzales, 地理信息系统(GIS)与遥感协调员
- GiveDirectly：各团队上传了自定义地图边界，以便在热带气旋Maila期间按风速区域快速计算人口暴露情况，并对密西西比州的龙卷风损失进行基准评估，将危机范围界定从数天缩短到单个工作区内的数分钟。
- WPP：使用地理空间推理将人口动态洞察与其专有数据相结合。他们的 案例研究 展示了Earth AI洞察如何提升地理空间营销活动的效果，同时保护了其数据的隐私。
- Milken Institute：开发前团队使用该智能体将其自有的1,500多个候选建筑列表与 Google Maps Platform的Solar API 以及人口普查数据相结合，以筛选适合建设社区韧性中心的地点，综合考虑屋顶太阳能潜力、出行数据、附近交通枢纽、气候风险以及联邦投资区资格。
与这些合作伙伴的早期测试帮助我们评估并扩展该智能体的地理空间技能，推动了我们近期新增的道路网络路径规划、对更大规模用户上传数据集的支持，以及对权威本地数据来源的更好发现。
扩大早期访问：如何申请测试
今天，我们正在扩大Earth AI研究能力的访问范围，以收集更多关于这些实验性地理空间推理能力的反馈。我们正将其提供给有限的早期用户群体：
- Ask Google Earth: 在 Ask Google Earth 中直接预览扩展的深度分析功能。这提供了一种交互式聊天体验，您可以用自然语言提出复杂的空间问题，在 Google Earth 项目中分析数据——包括您自己的数据——并直接在地图上探索可视化结果。
- Geospatial Reasoning Agent API：对于希望获得可自定义、自助式集成以驱动自定义工作流的开发者团队，我们提供一项实验性的无头 Agent-to-Agent(A2A) 服务。早期合作伙伴可以将 Geospatial Reasoning 智能体连接到他们自己的自定义智能体和数据管道。我们为希望将该服务连接到其 Gemini for business 环境的团队提供分步开发者指南。
我们的 Planetary Prediction Engine 功能也已开放早期预览——既可通过交互式界面以快速的自然语言建模方式使用，也可通过 Agent API 用于自定义工作流。
如需表达对获取这些研究能力的兴趣，请 填写我们的意向表。如果您想成为首批试用我们早期项目的人之一，还可以注册我们的 Early Access Pool.