Google 推出行星预测引擎 PPE：输入一句话，全自动完成地理建模

如果明天某个地区突然面临饥荒危机或者未知的病毒扩散，最致命的延误往往不是缺少算力，而是找数据实在太慢。

人口数据在某个统计局的数据库里，高分辨率卫星影像在另外的卫星遥感平台，而当地粮价又藏在某个政府网站的 PDF 报告里。过去，专业团队要把这些七零八碎的数据收集、清洗、拼接并做特征工程，往往要花上数周时间。等预测模型建好，灾情可能早就扩散了。

Google Research 正式公布了一个名为行星预测引擎（Planetary Prediction Engine，简称 PPE）的实验性系统。它的目标很直白：用户只要输入一句自然语言，它就像个自带全球地图库的 AI 数据科学家，自动把原本几周的活压缩到几分钟内搞定。

三个步骤，把几周的活压缩到几分钟

传统的 AutoML 也能自动训练模型，但前提是你必须把整理妥当的表格直接喂到它嘴边。面对现实世界散落各处的地理数据，传统工具完全抓瞎。

PPE 改变了这一套逻辑。整个系统分为三个互相独立的模块，每个模块由大语言模型统筹运作。

第一阶段是智能地理数据检索。系统会把你的提问拆解为地理和时间约束，主动去翻 Google Earth Engine、Data Commons 甚至直接上网搜索相关数据。

第二阶段是多模态数据加工。它不仅抓取常规的统计指标，还会融合两套基础模型嵌入：用人口动态模型 PDFM 提取社会人口特征，用 AlphaEarth 提取卫星遥感影像的语义特征。为了避免上下文窗口爆满，模块之间直接传递数据句柄，而不是把庞大的数据塞进 Prompt 里面。

第三阶段则是自动化建模与预测。它会在正则化线性模型、梯度提升树、多层感知机之间自动调参搜索，并内置过拟合防护，最终生成一份完整的预测报告。

在三个实战场景里打败了专家团队

这套系统并不是纸上谈兵，Google 把它拉到了三个极度依赖时效的真实场景中进行了硬碰硬的检验。

在美国疾病控制与预防中心（CDC）的 21 项健康指标预测中，PPE 跑出了 76.8% 的平均 R²，大幅超过了人类专家手工搭建流程的 60.0%。在 FEMA 风险评估和社会脆弱性指数上，它也全面压制了传统基准。

在数据极度匮乏的发展中国家，PPE 的表现更抓人眼球。在尼日利亚，它把省级粮食安全数据下采样推算到更细颗粒度的县级行政区，预测精度从基准的 31.5% 直接翻倍跃升至 66.1%。

而在刚果（金）本迪布焦埃博拉疫情暴发期间，PPE 接入流行病学数据和环境特征，在连续 5 周的实时预警中，准确锁定了 18 个新感染卫生区中的 15 个，命中率达到 83.3%，比学术界最先进的贝叶斯模型高出 10.3 个百分点。

为什么重要

我们认为，PPE 最大的亮点并不是自动选了什么机器学习模型，而是它打通了地理空间预测里最脏、最累的「数据发现与跨模态对齐」环节。

对于联合国粮食计划署、红十字会或者地方疾控部门来说，以往要启动一次全球维度的精准推演，必须养一支昂贵的多学科工程团队。PPE 证明了哪怕是非技术背景的决策者，只要给出一句清晰的假设，系统就能在几分钟内端出可靠的基线模型，这在抢救生命的人道主义救援中价值巨大。

从技术路线来看，Google 聪明地把统计协变量和自家的地球遥感大模型嵌入结合起来，既保留了统计数据的可解释性，又吃到了大模型处理卫星图像的非线性表征红利。

不过，我们也要看到它的局限。PPE 目前仍属于 Google 的早期实验性项目，并未对外完全开放。而且现实里的跨国行政壁垒、未公开的私有数据源，光靠 AI 主动爬取依然很难彻底解决。但毫无疑问，它给未来的全球级气候与公共卫生决策提供了一种全新范式。