Google Earth AI ra mắt công cụ dự báo hành tinh: Tự động hóa mô hình hóa địa không gian toàn cầu

Là một phần của Google Earth AI, chúng tôi giới thiệu planetary prediction engine (PPE), một năng lực nghiên cứu thử nghiệm có khả năng tự động thực hiện toàn bộ quy trình mô hình hóa không gian địa lý — từ khám phá dữ liệu đến huấn luyện mô hình — qua đó đạt được những cải tiến trên nhiều nhiệm vụ dự báo đa dạng trong các lĩnh vực y tế công cộng, an ninh lương thực, rủi ro môi trường và kinh tế xã hội.

Việc giải quyết những thách thức toàn cầu cấp bách nhất của nhân loại — từ dự báo an ninh lương thực khu vực và rủi ro thiên tai môi trường đến theo dõi dịch bệnh theo thời gian thực và lập bản đồ mức độ tổn thương kinh tế xã hội — đòi hỏi mô hình hóa không gian địa lý có độ chính xác cao. Tuy nhiên, việc xây dựng các mô hình này bị cản trở bởi một hệ sinh thái dữ liệu phân mảnh, đòi hỏi các đội ngũ chuyên gia phải mất hàng tuần để xử lý thủ công việc quản lý dữ liệu, kỹ thuật đặc trưng (feature engineering) và kiểm chứng không gian chuyên biệt. Mặc dù các tác nhân AutoML và LLM hiện nay tự động hóa hiệu quả các quy trình học máy tiêu chuẩn, chúng vẫn dựa vào dữ liệu dạng bảng đã được chuẩn bị sẵn và thiếu các năng lực chuyên biệt cần thiết để tự động xử lý các quy trình không gian địa lý. Hệ quả là, phân tích ở quy mô hành tinh vẫn là một nút thắt đáng kể, một hạn chế đặc biệt nghiêm trọng khi cần phản ứng nhanh trong các cuộc khủng hoảng nhân đạo.

Hôm nay, chúng tôi giới thiệu planetary prediction engine (PPE), năng lực nghiên cứu thử nghiệm mới nhất trong sáng kiến Google Earth AI rộng lớn hơn của chúng tôi, giúp chuyển đổi thông tin hành tinh thành những thông tin chi tiết có thể hành động được. Trước đây, chúng tôi đã chứng minh khả năng suy luận của Earth AI trong việc kết hợp thông minh các tài nguyên không gian địa lý đa dạng. Là một hệ thống AI tự động, PPE thực hiện toàn bộ quy trình dự báo không gian địa lý, từ khám phá và làm sạch dữ liệu quy mô hành tinh đến huấn luyện và đánh giá, trực tiếp từ các truy vấn ngôn ngữ tự nhiên. Với một truy vấn dự báo không gian địa lý, PPE sẽ tự động truy xuất dữ liệu liên quan, thực hiện kỹ thuật đặc trưng, huấn luyện và đánh giá các mô hình dự báo, đồng thời tạo ra một báo cáo toàn diện. Chúng tôi chứng minh rằng bằng cách mang lại những cải tiến vượt trội so với các tiêu chuẩn đánh giá mà không cần sự can thiệp thủ công, PPE giảm hiệu quả thời gian cần thiết để xây dựng các mô hình dự báo hành tinh phức tạp từ hàng tuần (bao gồm cả kỹ thuật dữ liệu thủ công) xuống chỉ còn vài phút để đưa ra những thông tin chi tiết tự động.

Cách thức hoạt động của planetary prediction engine

PPE phân tách quy trình dự báo thành ba giai đoạn mô-đun, mỗi giai đoạn được điều phối bởi một LLM:

Điều quan trọng là mỗi giai đoạn hoạt động độc lập trên các đầu vào và đầu ra được xác định rõ ràng để ngăn chặn các nút thắt dữ liệu. Các cấu phần dữ liệu (data artifacts) được truyền giữa các giai đoạn thông qua các trình xử lý ẩn (opaque handles) thay vì được tuần tự hóa vào các câu lệnh (prompt) của LLM, giúp tránh các giới hạn về cửa sổ ngữ cảnh.

Những cải tiến so với các tiêu chuẩn đánh giá đa dạng trên nhiều nhiệm vụ

Chúng tôi đã đánh giá PPE trên một ma trận đa chiều gồm các mô hình học máy, khu vực địa lý và lĩnh vực khoa học.

Hồi quy không gian: Y tế công cộng và môi trường tại Hoa Kỳ

Trên 21 chỉ số sức khỏe của CDC, việc lựa chọn dữ liệu thông minh và kết hợp đa phương thức của PPE đạt mức R² trung bình là 76,8% so với 60,0% của quy trình chuyên gia thủ công. Chúng tôi quan sát thấy những mức tăng tương tự đối với việc dự báo các chỉ số rủi ro quốc gia của FEMA (R² trung bình 64,9% so với mức cơ sở 60,0%) và Chỉ số tổn thương xã hội (R² trung bình 66,2% so với mức cơ sở 58,6%).

Hạ quy mô siêu phân giải: An ninh lương thực tại Nigeria

Ở những khu vực khan hiếm dữ liệu, các báo cáo khu vực thô thường che khuất mức độ tổn thương tại địa phương. Bằng cách tự động tích hợp các cú sốc thị trường cục bộ, các bất thường về giá lương thực và các chỉ số vi khí hậu, PPE tăng gấp đôi độ chính xác cơ sở khi hạ quy mô an ninh lương thực từ cấp tỉnh (ADM1) xuống cấp chính quyền địa phương (ADM2) (R² 66,1% so với 31,5%), cung cấp cho các tổ chức nhân đạo các bản đồ tổn thương có độ chính xác cao và có thể hành động được.

Dự báo dịch tễ học tức thời: Bùng phát Ebola tại CHDC Congo

Để dự báo theo thời gian thực các điểm nóng lây truyền dịch bệnh mới trong đợt bùng phát virus ebolavirus Bundibugyo năm 2026 tại Cộng hòa Dân chủ Congo, PPE đạt chỉ số Recall@10 là 83,3%, xác định chính xác 15 trong số 18 khu vực y tế bị xâm nhập mới qua năm dự báo hàng tuần liên tiếp. Điều này đại diện cho mức cải thiện tuyệt đối +10,3 điểm phần trăm so với mức cơ sở mô hình hóa Bayes hiện đại đã được công bố (~73%), nhờ vào việc kết hợp các tín hiệu dịch tễ học với các nhúng PDFM và các biến đồng biến không gian địa lý do PPE lựa chọn.

Sức mạnh của kết hợp đa phương thức với lựa chọn dữ liệu thông minh

Một phát hiện quan trọng trong tất cả các thử nghiệm là giá trị cộng hưởng của việc kết hợp các biến đồng biến thống kê có cấu trúc với các nhúng mô hình nền tảng tiềm ẩn. Không phương thức nào đơn lẻ có thể nắm bắt toàn bộ bức tranh: các biến đồng biến thống kê cung cấp các tín hiệu rõ ràng, có thể diễn giải, trong khi các nhúng Population Dynamics và các nhúng AlphaEarth Foundations mã hóa các mô hình phi tuyến tính phức tạp được học từ các tập dữ liệu tiền huấn luyện lớn. Các nghiên cứu cắt bỏ (ablation studies) của chúng tôi liên tục cho thấy rằng việc kết hợp đa phương thức cùng với lựa chọn dữ liệu thông minh vượt trội hơn các phương pháp cơ sở, xác nhận rằng các biểu diễn này mang tính bổ sung thay vì dư thừa. Trong công việc tương lai, chúng tôi muốn mở rộng các năng lực này để bao gồm nhiều nguồn dữ liệu không gian địa lý hơn và các nhúng mô hình nền tảng như các nhúng đa phương thức Remote Sensing Foundations.

Kết luận

PPE chứng minh rằng các hệ thống AI tự động có thể đạt được hoặc cải thiện hiệu suất trên nhiều nhiệm vụ dự báo không gian địa lý: từ ước tính tỷ lệ mắc bệnh mãn tính ở Hoa Kỳ, đến cải thiện độ phân giải về tình trạng mất an ninh lương thực ở Nigeria và dự báo tức thời các đợt bùng phát virus đang hoạt động ở Cộng hòa Dân chủ Congo. Bằng cách kết hợp khám phá dữ liệu thông minh, kết hợp mô hình nền tảng đa phương thức và tối ưu hóa mô hình tự động, PPE hạ thấp rào cản kỹ thuật đối với phân tích quy mô hành tinh, cho phép triển khai nhanh chóng khi các quyết định nhạy cảm về thời gian là tối quan trọng.

Chúng tôi tin rằng nghiên cứu thử nghiệm này đại diện cho một bước tiến ý nghĩa hướng tới việc dân chủ hóa dự báo không gian địa lý. Bằng cách chuyển trọng tâm từ kỹ thuật dữ liệu thủ công sang định hướng giả thuyết cấp cao, planetary prediction engine giúp các nhà nghiên cứu, tổ chức nhân đạo và các nhà hoạch định chính sách xây dựng mô hình mà không cần các đội ngũ kỹ thuật chuyên biệt. Mặc dù PPE là một dự án nghiên cứu giai đoạn đầu, chúng tôi rất hào hứng khám phá thêm các trường hợp sử dụng và xem cách tiếp cận này có thể giúp các tổ chức dự đoán và giải quyết tốt hơn các thách thức toàn cầu phức tạp.

Lời cảm ơn

Chúng tôi cảm ơn và ghi nhận những đóng góp từ tất cả các đồng tác giả của bài báo. Chúng tôi biết ơn Chương trình Lương thực Thế giới (WFP) của Liên Hợp Quốc và nhóm Phân tích và Lập bản đồ Tổn thương (VAM) vì sự hỗ trợ về dữ liệu và nghiên cứu. Chúng tôi cũng cảm ơn Viện Nghiên cứu Y sinh Quốc gia (INRB) vì sự hợp tác trong dự báo tức thời Ebola tại CHDC Congo, và các đội ngũ đứng sau Data Commons, Google Earth Engine, Population Dynamics Foundation Models và AlphaEarth vì đã cung cấp dữ liệu nền tảng và cơ sở hạ tầng mô hình hỗ trợ cho PPE.