Google เปิดตัว Earth AI เอเจนต์เชิงพื้นที่อัจฉริยะกู้วิกฤตโลก

เมื่อครั้งเปิดตัว Google Earth AI เราได้นำเสนอชุดโมเดลพื้นฐานเชิงพื้นที่ (geospatial foundation models) ที่ครอบคลุมทั้งการสำรวจระยะไกล สภาพอากาศ อุทกวิทยา และพลวัตประชากร พร้อมแสดงตัวต้นแบบเอเจนต์ Gemini ที่สามารถเชื่อมโยงโมเดลเหล่านั้นเพื่อตอบคำถามข้ามโหมด (cross-modal) ได้

ปัจจุบันเราได้พัฒนาเอเจนต์การให้เหตุผลเชิงพื้นที่ (Geospatial Reasoning agent) จากแนวคิดเริ่มต้นสู่ระบบทดลองที่ทรงพลังยิ่งขึ้น โดยเน้นการให้เหตุผลเชิงพื้นที่หลายขั้นตอนในข้อมูลระดับโลก พร้อมระบบฝึกอบรมโมเดลคาดการณ์อัตโนมัติ โดยมีอัปเดตสำคัญ 3 ประการ ดังนี้:

1. รายงานทางเทคนิคฉบับใหม่ technical report เกี่ยวกับการให้เหตุผลเชิงพื้นที่: นำเสนอการประเมินใน 4 เกณฑ์มาตรฐาน รวมถึง GeoKTools และ GeoExpertQueries ซึ่งเป็นชุดทดสอบใหม่ที่เราพัฒนาขึ้น ผลลัพธ์ชี้ให้เห็นว่าเครื่องมือเฉพาะทางของ Earth AI มีประสิทธิภาพเหนือกว่า LLM ทั่วไปอย่างชัดเจน

2. ข้อมูลจากการทดสอบกับพันธมิตรจริง: ในช่วงที่ผ่านมา เราได้ร่วมกับพันธมิตรด้านสังคมและพาณิชย์ เช่น World Health Organization (WHO) Regional Office for Africa, People in Need, GiveDirectly, Milken Institute และ WPP เพื่อทดสอบเอเจนต์ในงานจริง เช่น การสืบสวนโรคระบาด และการเตรียมรับมือภัยพิบัติ

3. ขยายการเข้าถึงล่วงหน้าบน Google Earth และ Google Cloud: เราเปิดให้ทดสอบการวิเคราะห์เชิงพื้นที่และคาดการณ์ระดับโลกผ่าน Ask Google Earth รวมถึงเปิด API แบบ agent-to-agent สำหรับนักพัฒนาที่สร้างเวิร์กโฟลว์เฉพาะทางร่วมกับ Gemini

มีอะไรใหม่ในการให้เหตุผลเชิงพื้นที่

LLM ทั่วไปมักมีข้อจำกัดในโจทย์เชิงพื้นที่เนื่องจากข้อมูลมีขนาดมหาศาลและมีรูปแบบเฉพาะตัว เอเจนต์ของเราจึงถูกออกแบบมาให้รวบรวมความสามารถหลัก 4 ประการเพื่อจัดการเวิร์กโฟลว์ที่ซับซ้อน:

เชื่อมต่อกับโมเดลพื้นฐาน Earth AI และข้อมูลระดับโลก

เอเจนต์เชื่อมต่อ Gemini เข้ากับโมเดลของ Earth AI อย่าง WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations และ Remote Sensing Foundations นอกจากนี้ยังใช้ข้อมูลจาก Google Maps Platform, Google Earth Engine, Data Commons และ Google Dataset Search

ทักษะแบบโมดูลาร์ การวางแผนล่วงหน้า และพื้นที่ทำงานเชิงพื้นที่โดยเฉพาะ

ความสามารถของ Earth AI ถูกจัดเป็นทักษะแบบโมดูลาร์ที่เอเจนต์จะเรียกใช้ตามความจำเป็น ก่อนเริ่มงานเอเจนต์จะสร้างแผนวิเคราะห์ทีละขั้นตอน เลือกชุดข้อมูลที่เหมาะสม และประมวลผลในพื้นที่ทำงานเฉพาะเพื่อป้องกันข้อมูลล้น context window ทุกคำตอบจะแสดงที่มาของข้อมูลเพื่อให้ผู้เชี่ยวชาญตรวจสอบได้

นำข้อมูลของคุณมาเอง

ผู้ใช้สามารถนำเข้าชุดข้อมูลของตนเองผ่าน Geospatial Reasoning agent API ทั้งในรูปแบบ CSV, GeoJSON หรือตารางบนคลาวด์ เพื่อให้เอเจนต์เชื่อมโยงข้อมูลส่วนตัวเข้ากับโมเดลระดับโลกของ Earth AI

จากการให้เหตุผลหลายขั้นตอนสู่การคาดการณ์ระดับโลกโดยอัตโนมัติ (Planetary Prediction)

เอเจนต์ยังขับเคลื่อน Planetary Prediction Engine โดยเมื่อได้รับข้อมูลท้องถิ่น เช่น อัตราการระบาดของโรค เอเจนต์จะเลือกสัญญาณประชากรและสิ่งแวดล้อมที่เกี่ยวข้อง เช่น Population Dynamics Insights และ Custom Satellite Embeddings มาฝึกโมเดล machine learning เพื่อพยากรณ์เชิงพื้นที่ที่ละเอียดขึ้นถึง 8 เท่า

เอเจนต์การให้เหตุผลเชิงพื้นที่เริ่มต้นจากการวางแผนเวิร์กโฟลว์ เลือกเครื่องมือและข้อมูลที่เกี่ยวข้อง แล้วดำเนินการในพื้นที่ทำงานแยกต่างหาก โดยรายงานผลเป็นข้อความ ตาราง และแผนที่

การประเมินเอเจนต์การให้เหตุผลเชิงพื้นที่

รายงานทางเทคนิค ของเราได้เปรียบเทียบการกำหนดค่าเอเจนต์ 4 แบบผ่าน Gemini 3.8 Flash และ Gemini 3.1 Pro ตั้งแต่ LLM ทั่วไปไปจนถึงเอเจนต์เชิงพื้นที่แบบเต็มรูปแบบที่มีระบบวางแผนล่วงหน้า

เราประเมินเอเจนต์ 4 ระดับ เพื่อเปรียบเทียบประสิทธิภาพระหว่างโมเดลพื้นฐานกับเอเจนต์ที่เสริมทักษะเชิงพื้นที่

การทดสอบครอบคลุม 4 เกณฑ์มาตรฐาน ทั้งเกณฑ์ภายนอกอย่าง CBGB และ UnivEARTH รวมถึงเกณฑ์ใหม่ที่เราพัฒนาคือ GeoExpertQueries สำหรับงานวิเคราะห์ที่ซับซ้อน และ GeoKTools สำหรับการเลือกใช้เครื่องมือเชิงพื้นที่ โดยเราได้เผยแพร่ชุดข้อมูลสำหรับพัฒนา ให้นักวิจัยนำไปใช้งานได้

ตัวอย่างคำถามจาก GeoKTools (ซ้าย) และ GeoExpertQueries (ขวา) ที่ใช้ประเมินความสามารถในการเลือกเครื่องมือและการให้เหตุผลหลายขั้นตอน

ผลลัพธ์และประเด็นสำคัญ

ผลการประเมินสรุปประเด็นสำคัญได้ 2 ประการ: หนึ่งคือทักษะเฉพาะทางจำเป็นอย่างยิ่ง เอเจนต์ที่มีเพียงเครื่องมือพื้นฐานมักทำคะแนนได้น้อยในงานเชิงปริมาณ แต่เมื่อติดตั้งทักษะ Earth AI คะแนนจะเพิ่มขึ้นอย่างมาก สองคือการวางแผนล่วงหน้าเป็นกุญแจสำคัญสำหรับเวิร์กโฟลว์ปลายเปิด ช่วยป้องกันการเดาข้อมูลหรือการใช้ทางลัดที่ไม่แม่นยำ

ตารางคะแนนใน 4 เกณฑ์มาตรฐานโดยใช้ Gemini 3.8 Flash:

คะแนนเฉลี่ยจากการทดสอบสามครั้ง แสดงให้เห็นความแตกต่างของประสิทธิภาพในแต่ละเกณฑ์มาตรฐาน

Earth AI ในการปฏิบัติจริง: การทดสอบระยะแรกกับพันธมิตร

เราได้ร่วมมือกับพันธมิตรเพื่อนำเอเจนต์ไปใช้แก้ปัญหาจริงในหลายด้าน:

• องค์การอนามัยโลก (WHO AFRO) & INRB: ในเหตุการณ์ระบาดของอีโบลาปี 2026 ใน DRC ทีมงานได้ใช้เอเจนต์ระบุชุมชนเสี่ยง 48 แห่งภายในไม่กี่นาที แทนที่จะใช้เวลาหลายสัปดาห์ ช่วยให้ส่งความช่วยเหลือได้ทันท่วงที

  • “Earth AI ช่วยเติมเต็มช่องว่างด้วยสัญญาณดาวเทียม ทำให้เราเปลี่ยนจากการไล่ตามไวรัสเป็นการพยากรณ์เชิงรุก” Dr Etien Koua*, WHO AFRO* (ชมวิดีโอ)

• People in Need: ใช้ระบุหมู่บ้านเสี่ยงภัยไซโคลน 14 เส้นทางในเวลาเพียงไม่กี่นาที ช่วยประหยัดเวลาการทำงาน GIS แบบเดิมได้หลายวัน

• GiveDirectly: ประเมินความเสียหายจากพายุไซโคลนและทอร์นาโดได้รวดเร็วขึ้นจากระดับวันเหลือเพียงไม่กี่นาที

• WPP & Milken Institute: นำไปใช้ในงานการตลาดเชิงพื้นที่และการคัดกรองสถานที่สร้างศูนย์ความยืดหยุ่นชุมชน โดยผสานข้อมูลโซลาร์เซลล์และความเสี่ยงด้านสภาพภูมิอากาศ

รับชมภาพยนตร์

Link to Youtube Video

การทดสอบเหล่านี้ช่วยให้เราพัฒนาความสามารถด้านการหาเส้นทางเครือข่ายถนน และการรองรับข้อมูลขนาดใหญ่ที่ผู้ใช้อัปโหลดได้ดียิ่งขึ้น

การขยายการเข้าถึงล่วงหน้า

เรากำลังเปิดให้ผู้ใช้กลุ่มจำกัดเข้าถึงความสามารถในการวิจัยเหล่านี้:

• Ask Google Earth: ประสบการณ์แชทที่ตอบคำถามเชิงพื้นที่ซับซ้อนและแสดงผลบนแผนที่โดยตรง
• Geospatial Reasoning Agent API: บริการ Agent-to-Agent สำหรับนักพัฒนาที่ต้องการเชื่อมต่อกับระบบ Gemini for business

ผู้ที่สนใจสามารถกรอกแบบฟอร์มแสดงความจำนง หรือสมัครเข้าร่วม Early Access Pool เพื่อทดสอบโปรเจกต์ระยะเริ่มต้นได้