谷歌推出行星级预测工作流智能体
谷歌实验性地理空间智能体可自动发现数据、训练模型，并预测公共卫生、粮食安全与环境风险。
从自然语言问题直接生成预测模型
谷歌研究院推出实验性“行星预测引擎”（PPE），用智能体自动完成端到端地理空间建模。用户以自然语言提出问题后，系统会寻找相关信号、获取并清洗数据、构建特征、训练和评估候选模型，最后输出预测结果与报告。
PPE可从Data Commons和Google Earth Engine等资源提取结构化数据；当现有资料库缺少合适变量时，还会搜索政府及学术网站。系统将这些变量与AlphaEarth、人口动态基础模型生成的嵌入结合。其自动检查机制会排除未来数据、目标变量的下游结果，以及其他可能造成答案泄漏的特征。
谷歌在公共卫生、环境风险、粮食安全和流行病预测任务上测试了PPE。在美国疾控中心的21项健康指标中，系统平均R²达到76.8%，人工专家流程为60%。在尼日利亚粮食安全的细粒度推算中，PPE取得66.1%，基线为31.5%。针对刚果（金）2026年的埃博拉疫情，系统在连续五周预测中找出了18个新受影响卫生区中的15个，Recall@10达到83.3%。
相关论文在本期时间窗开始前已上传至arXiv，但谷歌在本期内首次正式介绍这项实验能力。PPE目前并非普遍开放的产品，现有比较结果也主要来自开发团队，尚缺少独立部署验证。
为什么重要
地理空间预测通常需要专业团队耗费数周，把分散在不同来源的数据按地点和时间重新对齐。若这一流程能够可靠自动化，公共卫生和人道救援机构便可能在突发危机中用几分钟建立初步模型。不过，速度也可能掩盖代理变量失真、地区数据不均和过度自信。尤其当预测地图决定有限援助或医疗资源的投放地点时，清晰的数据来源记录与领域专家复核不可省略。