Google Research weitet Zugang zum Geospatial-Reasoning-Agenten von Earth AI aus

Was der Agent leistet

Laut Google Research tun sich universelle Sprachmodelle und gängige Programmierwerkzeuge schwer mit räumlichen Problemen der realen Welt. Planetare Datensätze sind riesig und liegen in spezialisierten Karten- und Satellitenformaten vor, deren korrekte Kombination eine sorgfältige, mehrstufige Planung erfordert.

Der Geospatial-Reasoning-Agent verbindet Gemini mit den Foundation-Modellen von Earth AI, darunter WeatherNext, Flood Forecasting, das Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations und Remote Sensing Foundations. Hinzu kommen die Google Maps Platform (Ortsinformationen, Routenplanung, Luftqualität, Solarpotenzial von Dächern), Google Earth Engine, Data Commons und Google Dataset Search.

Die Fähigkeiten von Earth AI sind als modulare Skills gebündelt, die der Agent nur dann aufruft, wenn eine Frage sie erfordert. Vor komplexen Operationen erstellt der Agent einen schrittweisen Plan, wählt Ausweichdatensätze, wenn die lokale Abdeckung dünn ist, und verarbeitet große Kartenebenen in einem eigenen Arbeitsbereich. Laut Google bleiben so riesige Geodatenmengen aus dem Kontext des Agenten heraus, während die Genauigkeit erhalten bleibt und die Herkunft der Daten nachvollziehbar ist. Jede Antwort zeigt den Plan und die verwendeten Datenquellen, sodass Fachleute Annahmen prüfen oder Datensätze austauschen können.

Nutzer können über die API des Geospatial-Reasoning-Agenten auch eigene Daten einbringen, etwa als CSV-Tabellen, GeoJSON-Grenzen oder Cloud-Tabellen, und sie mit den globalen Modellen und Katalogen von Earth AI verknüpfen.

Planetare Vorhersagen und Tests mit Partnern

Der Agent steht auch hinter der kürzlich angekündigten Planetary Prediction Engine. Anhand lokaler Ergebnisdaten eines Nutzers, etwa regionaler Krankheitsraten, Ernteerträge oder Stromausfälle, wählt sie relevante Bevölkerungs- und Umweltsignale aus. Sie führt Population Dynamics Insights und Custom Satellite Embeddings zusammen, zwei Produkte der Google Maps Platform, die auf PDFM beziehungsweise AlphaEarth Foundations aufbauen, und trainiert validierte Machine-Learning-Modelle für räumliche Vorhersagen, hochauflösendes Downscaling und Prognosen.

Google verweist auf eigene aktuelle Forschung im Bereich öffentliche Gesundheit: Die Kombination dieser Bevölkerungs- und Satellitensignale verbesserte die Vorhersage von Gesundheitsergebnissen um 12 % gegenüber demografischen Basislinien und ermöglichte Karten mit 8-fach feinerer räumlicher Auflösung.

In den vergangenen Monaten testete eine kleine Gruppe von Partnern aus dem sozialen und kommerziellen Bereich den Agenten in ihren eigenen Arbeitsabläufen. Dazu zählen das Regionalbüro für Afrika der Weltgesundheitsorganisation (WHO), People in Need, GiveDirectly, das Milken Institute und WPP. Google nennt als Anwendungsfälle unter anderem die Untersuchung von Krankheitsausbrüchen, Katastrophenvorsorge und die Vorauswahl von Standorten für saubere Energie.

Benchmarks und Ergebnisse

Der technische Bericht vergleicht vier Konfigurationen mit Gemini 3.8 Flash und Gemini 3.1 Pro: ein eigenständiges Sprachmodell; das Sprachmodell mit einfacher Websuche und Maps-Grounding; das Sprachmodell mit Earth-AI-Werkzeugen, aber ohne vorherige Planung; und den vollständigen Agenten, der jede Anfrage mit einer Planungsphase beginnt.

Die Auswertung stützt sich auf vier Benchmarks. CBGB und UnivEARTH wurden extern entwickelt und testen die Generierung von Geodatencode sowie die Beantwortung von Fragen. Zwei weitere hat Google neu aufgebaut:

• GeoExpertQueries: komplexe, praxisnahe Anfragen mit von Experten verfassten Referenz-Workflows in Bereichen wie Krisenresilienz, Standortwahl und öffentliche Gesundheit.
• GeoKTools: vorlagenbasierte Anfragen mit überprüfbaren Antworten, die jeweils den korrekten Einsatz von 1 bis 4 verschiedenen Geodatenwerkzeugen erfordern.

Google veröffentlicht die Entwicklungs-Splits beider neuen Benchmarks vollständig, damit Forschende eigene Agenten testen können.

Das Unternehmen zieht zwei Schlüsse. Erstens seien fachspezifische Skills unverzichtbar: Ein Agent mit nur einfachen Werkzeugen scheitere an quantitativen räumlichen Aufgaben, und mit den Earth-AI-Skills steigen die Werte bei GeoExpertQueries, GeoKTools und CBGB deutlich. Die Ausnahme ist UnivEARTH, wo schon ein eigenständiges Sprachmodell 93,6 % erreicht, was laut Google wahrscheinlich daran liegt, dass die zugrunde liegenden NASA-Artikel und Antworten im offenen Web stehen. Zweitens sei vorherige Planung bei offenen Aufgaben wichtig. Für enger gefasste Aufgaben wie CBGB und GeoKTools genügen Skills allein, doch GeoExpertQueries verlangt Planung, damit der Agent auf Kurs bleibt und keine unzuverlässigen Annahmen trifft oder Abkürzungen nimmt, etwa die Websuche statt räumlicher Werkzeuge zu nutzen.

Der Bericht erörtert auch Einschränkungen. Die Werte bei GeoExpertQueries stammen von einem automatischen Bewerter (Autorater), der die Leistung des Agenten mit den Experten-Workflows vergleicht.

So gelangt man zum Zugang

Google bietet frühen Zugang zu einem experimentellen Update der Deep Research für Ask Google Earth sowie zu einer Agent-to-Agent-API für Entwickler, die eigene Workflows bauen, einschließlich Integrationsanleitungen für die Anbindung an Gemini. Beide Angebote bleiben experimentell, und Google verlinkt ein Interessentenformular für alle, die teilnehmen möchten.

Für Forschende bieten die beiden veröffentlichten Benchmarks eine gemeinsame Grundlage, um Geodaten-Agenten zu vergleichen. Organisationen, die an Fragen zu Gesundheit, Katastrophen und Energie arbeiten, erhalten über die Zugangsprogramme die Möglichkeit, den Agenten mit eigenen Daten auszuprobieren.