Google Research представила Planetary Prediction Engine (PPE) — экспериментальную систему в составе Earth AI, которая превращает запрос на обычном языке в выполненную геопространственную модель и итоговый прогноз. Научная работа опубликована 26 августа 2026 года на arXiv, а официальный обзор Google появился в последние дни августа.
Система автоматизирует цепочку, для которой обычно нужна команда специалистов: поиск подходящих данных, очистку и объединение источников, создание признаков, выбор алгоритма, настройку параметров, проверку переобучения и формирование результата. Авторы применили PPE к задачам общественного здоровья, эпидемиологии, природных рисков, социальной уязвимости и продовольственной безопасности.
Это не универсальный «предсказатель будущего». PPE работает внутри заранее подготовленного набора инструментов и типов задач. Но работа показывает, как агентный ИИ может автоматизировать сложный научно-аналитический процесс, а не только написать код или пересказать документы.
Что делает Planetary Prediction Engine
Пользователь формулирует цель естественным языком: например, построить карту риска распространения заболевания или оценить локальную продовольственную уязвимость. Система определяет тип задачи и запускает три последовательных этапа.
Первый этап — интеллектуальный выбор данных. Агент ищет сигналы, которые могут быть связаны с целевой величиной: демографию, климат, инфраструктуру, мобильность, спутниковые признаки, цены или официальную статистику.
Второй этап — сборка мультимодального набора данных. PPE объединяет показатели из Data Commons и Google Earth Engine с векторными представлениями географии, полученными из моделей PDFM и AlphaEarth. Такие представления называют embeddings — числовыми описаниями сложных объектов, в которых близкие по смыслу или структуре элементы оказываются рядом.
Третий этап — автоматический выбор и обучение модели. Система сравнивает несколько семейств алгоритмов: регуляризованные линейные модели, градиентный бустинг, XGBoost и многослойные нейронные сети. Отдельные проверки должны снизить риск переобучения и утечки целевой переменной.
Чем агентная система отличается от обычного AutoML
AutoML — автоматизированное машинное обучение — обычно начинает работу с уже подготовленной таблицей и известной метрикой качества. Оно помогает выбрать модель и параметры, но не решает, какие внешние данные нужно найти и как связать их с реальной проблемой.
PPE пытается подняться на уровень выше. Система сама интерпретирует цель, выбирает геопространственные сигналы, получает данные, преобразует их и только потом запускает поиск модели. В статье этот процесс описан как более чем 700 отдельных шагов для некоторых эпидемиологических задач.
Именно здесь находится связь с более общими ИИ-агентами. Ценность системы определяется не одной нейросетью, а способностью планировать многоэтапную работу, выбирать инструменты, проверять промежуточные результаты и исправлять ошибки.
Какие результаты получили авторы
На 21 показателе здоровья Центров по контролю и профилактике заболеваний США средний коэффициент R² у PPE составил 76,8% против 60,0% у экспертной базовой линии. R² показывает, какую долю изменчивости показателя объясняет модель; сравнивать его корректно только внутри одного набора данных и протокола.
Для индекса социальной уязвимости США авторы сообщают 66,2% против 58,6%. Для части показателей национального индекса рисков FEMA — 64,9% против 60,0%. В задаче детализации продовольственной безопасности в Нигерии PPE достиг R² 66,1% против 31,5% у базовой системы.
Отдельный эксперимент связан со вспышкой вируса Эбола в Демократической Республике Конго в мае—июле 2026 года. Система должна была каждую неделю назвать десять зон с наибольшим риском нового заражения. За пять прогнозов PPE выявила 15 из 18 фактически затронутых зон — Recall@10 83,3%. Авторы сравнивают это примерно с 73% у опубликованной байесовской модели.
Эти числа выглядят убедительно, но имеют ограничения. Работа опубликована как препринт и ещё не прошла завершённое независимое рецензирование. Большинство авторов связаны с Google Research. Систему тестировали на выбранном наборе задач и источников; перенос результата на другие страны, периоды и кризисы не доказан.
Почему задача сложнее обычного прогнозирования
Геопространственные данные легко дают ложное чувство точности. Соседние районы похожи, измерения зависят от административных границ, а целевая статистика часто неполна или запаздывает. Если случайно смешать близкие территории между обучением и тестом, модель может показать высокий результат, не научившись переносить закономерность.
Авторы PPE описывают проверки пространственной утечки и переобучения. Это необходимая часть дизайна, но не гарантия отсутствия скрытых зависимостей. Для кризисного применения важна внешняя проверка на данных, которые разработчики не использовали при создании системы.
Другая проблема — причинность. PPE ищет признаки, полезные для прогноза. Корреляция не объясняет, почему событие происходит. Модель может заметить связь между транспортной инфраструктурой и распространением болезни, но это не означает, что любое вмешательство в транспорт изменит риск предсказуемым образом.
Где такая система может принести пользу
Самая очевидная область — быстрый предварительный анализ там, где не хватает специализированных команд. Региональная администрация или гуманитарная организация сможет быстрее собрать рабочую модель для распределения полевых групп, вакцин, продовольствия или наблюдения.
В бизнесе похожий подход применим к оценке спроса по территории, логистическим рискам, страхованию, размещению инфраструктуры и анализу природных угроз. Агент может сократить время от вопроса до первого проверяемого прототипа.
Но PPE не должна автоматически принимать решения о людях или ресурсах. Ошибка в карте риска может оставить район без помощи или, наоборот, направить дефицитные ресурсы туда, где они менее нужны. Чем выше цена ошибки, тем сильнее требования к местным данным, объяснимости и человеческой проверке.
Связь с AGI и научной автоматизацией
Planetary Prediction Engine не является AGI. Она не обладает универсальной компетентностью и опирается на подготовленный набор геопространственных инструментов. Тем не менее система демонстрирует важный шаблон: языковая модель выступает не источником готового ответа, а координатором научного процесса.
Если подобные агенты научатся надёжно переносить подход между областями, они смогут ускорять исследование климата, эпидемий, экономики и материалов. Это приближает практическую автоматизацию интеллектуального труда даже без единого момента «достижения AGI».
Ключевой вопрос — не может ли модель произвести отчёт, а может ли она выбрать правильные данные, не допустить утечки, оценить неопределённость и остановиться, когда доказательств недостаточно. Именно эти качества отделяют полезного научного агента от убедительного генератора графиков.
Аргументы сторонников и контраргументы
Сторонники PPE укажут на масштаб экономии. Вместо недель ручной инженерной работы система за короткое время собирает модель и в ряде тестов превосходит экспертные базовые линии. Она также может находить сочетания признаков, которые человек не рассмотрел.
Скептики ответят, что автоматизация увеличивает число моделей быстрее, чем число специалистов, способных их проверить. Ошибочная модель, созданная за минуты, может быть опаснее медленной ручной работы, если пользователь принимает красивую карту за установленный факт.
Вероятнее всего, PPE ценна как инструмент ускорения специалиста, а не его замена. Она формирует гипотезу, рабочий набор данных и кандидатную модель. Эксперт проверяет источники, протокол, локальный контекст и допустимость применения.
Что остаётся неизвестным
Официальные материалы не дают публичного доступа к полной производственной системе для независимого тестирования. Неясны стоимость вычислений, скорость на разных задачах, устойчивость к недоступным источникам и поведение при противоречивых данных.
Также неизвестно, насколько часто агент выбирает правдоподобные, но содержательно слабые признаки. В геопространственной аналитике открытый веб может содержать устаревшие, политически смещённые или методологически несовместимые данные.
Наконец, высокий средний показатель не гарантирует справедливость по регионам. Ошибки могут концентрироваться именно там, где меньше данных и выше социальная уязвимость. Поэтому отчётность должна включать не только среднюю точность, но и разброс ошибок по группам и территориям.
Вывод
Planetary Prediction Engine — заметный пример перехода от модели-советчика к модели-исследователю, которая управляет полным аналитическим конвейером. Авторы показали сильные результаты на нескольких важных задачах, включая эпидемиологический прогноз и продовольственную безопасность.
Однако это препринт и экспериментальная система. Её выводы нельзя использовать как автоматическое основание для управленческих решений без независимой проверки. Главная ценность PPE сегодня — доказательство того, что агентная автоматизация может охватывать выбор данных и построение модели, а не только финальное написание отчёта.
Первоисточники
- Planetary prediction engine: Automating global models via Earth AI — Google Research, август 2026 года
- Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings — arXiv, версия 1 от 26 августа 2026 года
- Полный HTML научной работы PPE — arXiv, лицензия CC BY 4.0
- Вспышка болезни, вызванной вирусом Эбола, в ДР Конго — Всемирная организация здравоохранения, 2026 год
Добавить комментарий