چه چیزی اعلام شد
گوگل ریسرچ در ۱۴ اکتبر ۲۰۲۶ گزارش فنی تازه‌ای درباره عامل Geospatial Reasoning منتشر کرد. به گفته گوگل، ترکیب مدل‌های بنیادین تخصصی، ابزارهای مکانی و برنامه‌ریزی پیش از اجرا به این عامل امکان می‌دهد تحلیل‌های مکانی پیچیده و پیش‌بینی در مقیاس سیاره‌ای انجام دهد؛ کارهایی که به ادعای گوگل مدل‌های زبانی مستقل از پس آن برنمی‌آیند.
عامل Gemini را به مدل‌هایی مانند WeatherNext، Flood Forecasting، PDFM، AlphaEarth Foundations و Remote Sensing Foundations وصل می‌کند و از Google Maps Platform، Earth Engine، Data Commons و Dataset Search هم داده می‌گیرد. هر پاسخ طرح عامل و منابع داده را نشان می‌دهد تا کارشناس بتواند فرض‌ها را بررسی یا داده را جایگزین کند. کاربران همچنین می‌توانند داده خود را به‌صورت CSV، مرز GeoJSON یا جدول ابری وارد کنند.
نتایج ارزیابی و محدودیت‌ها
گزارش چهار پیکربندی را روی Gemini 3.8 Flash و Gemini 3.1 Pro مقایسه می‌کند: مدل مستقل، مدل با جست‌وجوی وب و نقشه، مدل با ابزارهای Earth AI بدون برنامه‌ریزی، و عامل کامل. چهار بنچمارک استفاده شده‌اند: CBGB، UnivEARTH و دو بنچمارک جدید GeoExpertQueries و GeoKTools که بخش توسعه آن‌ها برای پژوهشگران منتشر شده است.
به گفته گوگل، مهارت‌های Earth AI در GeoExpertQueries، GeoKTools و CBGB جهش قابل‌توجهی ایجاد کرده‌اند. استثنا UnivEARTH است که مدل مستقل هم ۹۳٫۶٪ می‌گیرد و گوگل دلیلش را احتمالاً در دسترس بودن پاسخ‌ها در وب عمومی می‌داند. برنامه‌ریزی پیشین برای مسائل باز مانند GeoExpertQueries مهم‌تر توصیف شده است. امتیازها ۰ تا ۱۰۰ و میانگین سه اجرا هستند و بین بنچمارک‌ها قابل مقایسه نیستند.
محدودیت مهم این است که امتیاز GeoExpertQueries را یک خودارزیاب (autorater) بر پایه تطبیق با مراحل کاری کارشناسان می‌دهد، نه درستی پاسخ نهایی. گوگل خروجی را پیش‌نویس قوی برای بازبینی کارشناس می‌داند، نه پاسخ نهایی. در این منبع، آزمون مستقل از گوگل ارائه نشده است.
آزمایش با شرکا
گوگل می‌گوید گروه کوچکی از شرکا، از جمله دفتر منطقه‌ای WHO برای آفریقا، People in Need، GiveDirectly، Milken Institute و WPP، عامل را روی کارهای واقعی آزمودند. بر اساس گزارش گوگل، تیم WHO AFRO در آغاز شیوع ابولا در کنگو با ترکیب داده جنگل‌زدایی، معادن و جمعیت ۴۸ سکونتگاه در معرض خطر و بیش از ۴۵٬۵۰۰ نفر را در چند دقیقه شناسایی کرد؛ کاری که به گفته منبع معمولاً هفته‌ها زمان می‌برد. این اعداد ادعای گوگل و شرکای آن هستند و در این منبع مستقل راستی‌آزمایی نشده‌اند.
People in Need از تحلیل ۱۴ مسیر تاریخی طوفان در چند دقیقه خبر داد. GiveDirectly مرزهای سفارشی را برای محاسبه مواجهه جمعیت بارگذاری کرد. Milken بیش از ۱۵۰۰ ساختمان نامزد را با Solar API و داده سرشماری برای مراکز تاب‌آوری بررسی کرد.
دسترسی و معنای آن برای خواننده
دسترسی فعلاً آزمایشی و برای گروه محدودی از کاربران اولیه است. گزینه‌ها شامل پیش‌نمایش تحلیل عمیق در Ask Google Earth، سرویس A2A بدون رابط برای توسعه‌دهندگان با دستورالعمل اتصال به محیط Gemini for business، و پیش‌نمایش Planetary Prediction Engine از طریق رابط تعاملی یا API است. علاقه‌مندان باید فرم درخواست را پر کنند یا در Early Access Pool ثبت‌نام کنند.
منبع درباره دسترسی در ایران، قیمت یا اشتراک مورد نیاز مطلبی نمی‌گوید. گوگل همچنین برای پیش‌بینی سلامت از بهبود ۱۲٪ نسبت به مبنای جمعیتی و نقشه‌برداری با وضوح ۸ برابر ریزتر در پژوهش پیشین خود یاد می‌کند؛ این نتیجه به همان پژوهش سلامت عمومی مربوط است، نه به همه حوزه‌ها.
پشت این نوشته
منابع و جزئیات
این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.
این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.
- Putting Earth AI to work: Geospatial agents for our planet's biggest challengesresearch.googleبررسی:
نخستین انتشار:
روش تهیه و بازبینی نوشته‌ها