Google Earth AI 发布 PPE：自动化地理空间预测工作流

Google Research 在 Google Earth AI 框架下推出了一项实验性研究能力——行星预测引擎（Planetary Prediction Engine，简称 PPE）。该系统能够自主完成从行星级数据发现、清洗到模型训练与评估的完整地理空间预测工作流，用户只需以自然语言描述任务，PPE 便可在分钟级时间内输出可用于决策的报告。PPE 在公共健康、粮食安全、环境风险与社会经济等多个领域的预测任务中，相较人工专家流水线取得了显著提升。

工作机制：三阶段模块化流水线

PPE 将预测流程拆分为三个由大语言模型编排的独立模块，每个阶段使用定义良好的输入输出句柄在阶段间传递数据，避免把中间结果塞进 LLM 上下文窗口。

• 阶段一：智能地理空间数据选择。 PPE 把自然语言查询转化为严格的空间约束（粒度、连接键、时间范围），再依据已发表文献提出假设，从 Data Commons、Google Earth Engine 等权威仓库检索协变量；对于仓库未覆盖的信号，系统在推理时直接抓取政府门户与学术资料库做实时开放网络检索。
• 阶段二：多模态数据集构建。 整合社会人口学潜变量的 PDFM（Population Dynamics Foundation Models）嵌入与卫星图像语义的 AlphaEarth 嵌入，并设置「特征门」对每个候选协变量执行四项反泄露审查，过滤数学子分量、共享调查数据、下游因果效应与未来时序数据。
• 阶段三：自动建模与预测。 在正则化线性模型、梯度提升树（GBDT）与多层感知机之间自动搜索；并配备「过拟合守护协议」，在训练前预评估数据风险，配合自校正循环检测并恢复泛化失败。

多任务基准表现

PPE 在空间回归、超分辨率降尺度、流行病学近实时预测三类任务上均优于对照基线。

• 空间回归（美国公共健康与环境）。 在 21 项 CDC 健康指标上，PPE 的平均 R² 达到 76.8%，人工专家流水线为 60.0%；FEMA 国家风险指标平均 R² 由 60.0% 提升至 64.9%；社会脆弱性指数平均 R² 由 58.6% 提升至 66.2%。
• 超分辨率降尺度（尼日利亚粮食安全）。 在数据稀缺的省（ADM1）级粗粒度报告基础上，PPE 自动融合本地市场冲击、粮价异常与小气候指标，将市级（ADM2）粮食安全预测的 R² 从 31.5% 翻倍至 66.1%。
• 流行病学近实时预测（刚果民主共和国埃博拉疫情）。 在 2026 年 Bundibugyo 型埃博拉病毒疫情中，PPE 在五次连续周度预测中以 Recall@10 达 83.3%，正确识别 18 个新侵入卫生区中的 15 个，相较已发表的贝叶斯基线（约 73%）绝对值高 10.3 个百分点。

定位与适用场景

PPE 仍为研究实验性质的能力，定位是「把行星级数据转化为可执行洞察」。它对地理空间 + 机器学习工作流的自动化有明显加速意义，特别适合人道主义响应中需要快速建模的场景——传统流程往往需要专业团队花数周完成数据整理与特征工程，PPE 将这一过程压缩到分钟级。需要指出的是，PPE 的强项在于自动化的数据选择与建模编排，评测仍依赖领域基准与外部监督，并非完全替代专家判断。