Google Earth AI, presentado anteriormente con un conjunto de modelos fundacionales geoespaciales, ha evolucionado su agente de razonamiento geoespacial hasta convertirlo en un sistema experimental mucho más capaz. El agente está diseñado para el razonamiento de varios pasos sobre datos a escala planetaria y para entrenar de forma autónoma modelos predictivos personalizados.
Google comparte tres actualizaciones. Un nuevo informe técnico presenta evaluaciones sistemáticas en cuatro puntos de referencia, incluidos dos nuevos, Geo KTools y Geo Expert Queries, que se publican para que los investigadores puedan probar sus propios agentes geoespaciales. Los resultados cuantifican el valor de las herramientas especializadas y la planificación de Earth AI frente a los LLM listos para usar. También han comenzado las pruebas con socios del mundo real, con un pequeño grupo de organizaciones de impacto social y comerciales, entre ellas la Oficina Regional para África de la Organización Mundial de la Salud (OMS), People in Need, Give Directly, el Instituto Milken y WPP, que utilizan el agente para investigar brotes de enfermedades, preparación ante desastres y evaluación de energía limpia.
Google también amplía el acceso anticipado. Los usuarios pueden probar una actualización experimental de investigación profunda para Ask Google Earth, y los desarrolladores pueden usar una API de agente a agente con recetas de integración para Gemini. El agente conecta Gemini con los modelos fundacionales de Earth AI, entre ellos Weather Next, Flood Forecasting y el Modelo Fundacional de Dinámica Poblacional (PDFM), además de Google Maps Platform, Google Earth Engine y Data Commons. Sus capacidades se empaquetan como habilidades modulares y elabora un plan paso a paso antes de ejecutar operaciones complejas. Cada respuesta muestra ese plan y las fuentes de datos utilizadas, para que los expertos puedan verificar las suposiciones.
Las organizaciones también pueden aportar sus propios datos en archivos CSV, límites GeoJSON o tablas en la nube y combinarlos con los modelos globales de Earth AI. Además, el agente impulsa el Motor de Predicción Planetaria, que toma datos locales de resultados, como tasas regionales de enfermedades, rendimientos de cultivos o cortes de la red eléctrica, y selecciona automáticamente las señales poblacionales y ambientales pertinentes para generar predicciones.
Fuente: Google AI Blog · Resumido por HeadlinesBriefing