Google Earth AIが進化！地理空間エージェントで地球規模の課題に挑む

Google Earth AIの進化：地理空間推論エージェント

Googleは、地理空間推論エージェントの進化を発表しました。これは、ドメイン固有の基盤モデル、空間ツール、そして事前の計画を組み合わせることで、単独のLLMでは困難だった複雑な空間分析や惑星予測を実行できるシステムです。

初期のプロトタイプから、惑星規模のデータにわたる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トレーニングに対応する、より高性能な実験的システムへと発展しました。

今回の主なアップデート

地理空間推論に関する新しい技術レポート： GeoKToolsとGeoExpertQueriesを含む4つのベンチマークで体系的な評価を実施。これらの新しいベンチマークは、研究者が自身の地理空間推論エージェントをテストするために公開されます。この結果は、Earth AIの専門ツールと計画が、既存のLLMと比較してどれだけ価値があるかを定量的に示しています。
実際のパートナーテストからの洞察： 世界保健機関（WHO）アフリカ地域事務所、People in Need、GiveDirectly、Milken Institute、WPPなどのパートナー組織が、疾病発生調査、災害準備、クリーンエネルギー選定といった実際のワークフローでエージェントをテストしました。
Google EarthとGoogle Cloudでの早期アクセス拡大： 多段階の地理空間分析と惑星予測の両方で実験的なアクセスを拡大しています。Ask Google Earthの実験的な詳細研究アップデートへの早期アクセスを提供し、開発者がカスタムワークフローを構築するためのエージェント間API（Agent-to-Agent API）も提供。これにはGeminiへの接続レシピも含まれます。

地理空間推論の新しい機能

一般的なLLMや標準的なコーディングツールは、惑星規模のデータセットが膨大で、特殊な地図や衛星フォーマットを正確に組み合わせるための慎重な多段階計画が必要なため、実際の空間問題には苦戦します。このエージェントは、以下の4つの主要な機能を統合して、複雑な空間ワークフローに対処します。

Earth AI基盤モデルと惑星規模データへの接続： GeminiをEarth AIの基盤モデル（WeatherNext、Flood Forecasting、Population Dynamics Foundation Model (PDFM)、AlphaEarth Foundations、Remote Sensing Foundationsなど）の機能に接続します。さらに、Google Maps Platform、Google Earth Engine、Data Commons、Google Dataset Searchからの情報も利用します。
モジュール化されたスキル、事前の計画、専用の空間ワークスペース： Earth AIの機能は、ユーザーの質問が必要な場合にのみエージェントが呼び出すモジュール化されたスキルとしてパッケージ化されています。複雑な操作を実行する前に、エージェントは段階的な分析計画を立て、ローカルカバレッジが不足している場合は適切なフォールバックデータセットを選択し、大規模な地図レイヤーを専用のワークスペースで処理します。これにより、エージェントのコンテキストが大量の空間データで圧倒されるのを防ぎつつ、精度を維持し、データ帰属を追跡します。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、専門家が仮定を確認したり、データセットを置き換えたりできます。
独自のデータ持ち込み： ユーザーは、CSVスプレッドシート、カスタム地図境界（GeoJSON）、またはクラウドテーブルとして、地理空間推論エージェントAPIを介して独自のデータセットを入力できるようになりました。これにより、ユーザーはプライベートな場所をEarth AIのグローバルモデルやカタログと結合するようエージェントに依頼できます。
多段階推論から自律的な惑星予測へ： 複雑な分析質問に答えるだけでなく、エージェントは最近発表されたPlanetary Prediction Engineも強化します。ユーザーの地域の疾病率、作物収量、グリッド停止などのローカルな結果データが与えられると、エージェントは関連する人口および環境シグナルを自動的に選択し、Population Dynamics Insightsと年間衛星埋め込みデータセット（それぞれPDFMとAlphaEarth Foundationsに基づいて構築されたGoogle製品）を使用し、空間予測、超解像度ダウンスケーリング、および予測のための検証済み機械学習モデルをトレーニングします。

地理空間推論エージェントの評価

ドメイン固有のツールと事前の計画が地理空間推論に与える影響を測定するため、技術レポートでは、Gemini 3.8 FlashとGemini 3.1 Proの4つのエージェント構成を比較しています。

スタンドアロンLLM
基本的なウェブ検索と地図グラウンディングツールを備えたLLM
Earth AIツール（Remote Sensing FoundationsやWeatherNext 3など）を備えているが、事前の計画がないLLM
専用の計画段階でクエリを開始する完全な地理空間推論エージェント。利用可能な機能を推論して何ができるか、できないかを評価し、回答に到達するために必要な取得と処理の段階を設定します。

評価は、専門家レベルのオープンエンド分析、マルチツールオーケストレーション、コミュニティ開発の地理空間問題（決定論的な回答を持つもの）をカバーする4つのベンチマークにわたって行われました。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挑戦的なタスクでエージェントをテストするために、GeoExpertQueriesとGeoKToolsという2つの新しいベンチマークが開発され、研究者向けに公開されます。

評価結果の主要なポイント

ドメイン固有のスキルは空間推論に不可欠： 基本的なツール（ウェブ検索、地図グラウンディング、コード実行）のみのエージェントは、定量的な空間タスクで苦戦します。Earth AIスキルをエージェントに装備することで、GeoExpertQueries、GeoKTools、CBGB全体で大幅な向上が見られました。唯一の例外はUnivEARTHで、スタンドアロンLLMでも93.6%のスコアを記録しており、これはNASAの元の記事と回答が公開ウェブで利用可能であるためと考えられます。
事前の計画がオープンエンドの実際のワークフローを可能にする： Earth AIスキルだけでもCBGBやGeoKToolsのような狭いタスクには十分ですが、GeoExpertQueriesのようなオープンエンドの問題に取り組むには、多段階分析全体でエージェントを軌道に乗せ、信頼できない仮定をしたり、空間ツールの代わりにウェブ検索を使用するなどの近道を取ったりするのを防ぐために、事前の計画が必要です。