Google 推出行星預測引擎 PPE：輸入一句話，全自動完成地理建模

如果明天某個地區突然面臨饑荒危機或者未知的病毒擴散，最致命的延誤往往不是缺少算力，而是找資料實在太慢。

人口資料在某個統計局的資料庫裡，高解析度衛星影像在另外的衛星遙感平臺，而當地糧價又藏在某個政府網站的 PDF 報告裡。過去，專業團隊要把這些七零八碎的資料收集、清洗、拼接並做特徵工程，往往要花上數週時間。等預測模型建好，災情可能早就擴散了。

Google Research 正式公佈了一個名為行星預測引擎（Planetary Prediction Engine，簡稱 PPE）的實驗性系統。它的目標很直白：使用者只要輸入一句自然語言，它就像個自帶全球地相簿的 AI 資料科學家，自動把原本幾週的活壓縮到幾分鐘內搞定。

三個步驟，把幾週的活壓縮到幾分鐘

傳統的 AutoML 也能自動訓練模型，但前提是你必須把整理妥當的表格直接喂到它嘴邊。面對現實世界散落各處的地理資料，傳統工具完全抓瞎。

PPE 改變了這一套邏輯。整個系統分為三個互相獨立的模組，每個模組由大語言模型統籌運作。

第一階段是智慧地理資料檢索。系統會把你的提問拆解為地理和時間約束，主動去翻 Google Earth Engine、Data Commons 甚至直接上網搜尋相關資料。

第二階段是多模態資料加工。它不僅抓取常規的統計指標，還會融合兩套基礎模型嵌入：用人口動態模型 PDFM 提取社會人口特徵，用 AlphaEarth 提取衛星遙感影像的語義特徵。為了避免上下文視窗爆滿，模組之間直接傳遞資料控制代碼，而不是把龐大的資料塞進 Prompt 裡面。

第三階段則是自動化建模與預測。它會在正則化線性模型、梯度提升樹、多層感知機之間自動調參搜尋，並內建過擬合防護，最終生成一份完整的預測報告。

在三個實戰場景裡打敗了專家團隊

這套系統並不是紙上談兵，Google 把它拉到了三個極度依賴時效的真實場景中進行了硬碰硬的檢驗。

在美國疾病控制與預防中心（CDC）的 21 項健康指標預測中，PPE 跑出了 76.8% 的平均 R²，大幅超過了人類專家手工搭建流程的 60.0%。在 FEMA 風險評估和社會脆弱性指數上，它也全面壓制了傳統基準。

在資料極度匱乏的發展中國家，PPE 的表現更抓人眼球。在奈及利亞，它把省級糧食安全資料下采樣推算到更細顆粒度的縣級行政區，預測精度從基準的 31.5% 直接翻倍躍升至 66.1%。

而在剛果（金）本迪布焦埃博拉疫情暴發期間，PPE 接入流行病學資料和環境特徵，在連續 5 周的即時預警中，準確鎖定了 18 個新感染衛生區中的 15 個，命中率達到 83.3%，比學術界最先進的貝葉斯模型高出 10.3 個百分點。

為什麼重要

我們認為，PPE 最大的亮點並不是自動選了什麼機器學習模型，而是它打通了地理空間預測裡最髒、最累的「資料發現與跨模態對齊」環節。

對於聯合國糧食計劃署、紅十字會或者地方疾控部門來說，以往要啟動一次全球維度的精準推演，必須養一支昂貴的多學科工程團隊。PPE 證明了哪怕是非技術背景的決策者，只要給出一句清晰的假設，系統就能在幾分鐘內端出可靠的基線模型，這在搶救生命的人道主義救援中價值巨大。

從技術路線來看，Google 聰明地把統計協變數和自家的地球遙感大模型嵌入結合起來，既保留了統計資料的可解釋性，又吃到了大模型處理衛星影像的非線性表徵紅利。

不過，我們也要看到它的侷限。PPE 目前仍屬於 Google 的早期實驗性專案，並未對外完全開放。而且現實裡的跨國行政壁壘、未公開的私有資料來源，光靠 AI 主動爬取依然很難徹底解決。但毫無疑問，它給未來的全球級氣候與公共衛生決策提供了一種全新範式。