🧠 Google собрал гео-агента, который планирует анализ до запуска

По данным Google Research, команда опубликовала технический отчёт о Geospatial Reasoning agent — системе, которая соединяет Gemini с набором специализированных моделей Earth AI: WeatherNext, Flood Forecasting, PDFM, AlphaEarth Foundations и Remote Sensing Foundations. Перед выполнением сложного запроса агент строит план шагов, выбирает подходящие навыки и обрабатывает большие картографические слои в отдельном рабочем пространстве, не забивая контекст LLM сырыми пространственными данными. Каждый ответ сопровождается планом и списком источников — эксперты могут проверить допущения или заменить датасеты.

В отчёте сравнили четыре конфигурации: голый LLM, LLM с базовыми инструментами (веб-поиск, карты, код), LLM с инструментами Earth AI без планирования и полный агент с планированием. На бенчмарке UnivEARTH даже голый Gemini 3.8 Flash набрал 93.6% — потому что ответы лежат в открытом вебе. На GeoExpertQueries, где задачи открытые и требуют многошагового анализа, только связка навыков с предварительным планированием удержала агента от «коротких путей» вроде использования веб-поиска вместо пространственных инструментов. Навыки Earth AI дали значительный скачок на GeoKTools (1–4 инструмента на запрос) и CBGB (генерация гео-кода).

Для практики Google запустил Planetary Prediction Engine: пользователь загружает CSV или GeoJSON с локальными данными (например, урожайность, отключения сетей), а агент сам подбирает популяционные и спутниковые сигналы, обучает ML-модели и предсказывает пространственное распределение. В пилотном исследовании по общественному здравоохранению комбинация этих сигналов улучшила прогноз на 12% по сравнению с демографическим бейзлайном и позволила картировать с разрешением в 8 раз выше. Доступ к агенту расширяют через Ask Google Earth и A2A для ограниченного круга пользователей.

Ограничение из самого отчёта: GeoExpertQueries оценивает соответствие экспертным «золотым» процессам с помощью автоматической системы оценки, а не корректность итогового ответа. Авторы честно называют результат «сильным первым черновиком для ревью эксперта», а не готовым ответом.

Узкие доменные навыки и явное планирование дают больше, чем просто наращивание размера LLM — но пока это работает в основном на задачах, где есть формализованный процесс. Для открытых гео-вопросов без «правильной» последовательности шагов автоматическая система оценки превращается в проверку, что агент повторил ход мысли экспертов, а не нашёл верный результат. Это удобно для пилотных внедрений, но слабо предсказывает поведение на реальных, неразмеченных запросах.

#GoogleResearch #Geospatial #Agent #Gemini #EarthAI