Google Research cria agente geoespacial que combina modelos de Earth AI para análise planetária
Google Research apresenta agente de raciocínio geoespacial que une modelos Earth AI, planejamento prévio e dados do usuário para análises ambientais complexas.
Resumo: O Google Research publicou um relatório técnico que mostra como um agente de Raciocínio Geoespacial combina modelos de fundação Earth AI, ferramentas espaciais e planejamento prévio para executar análises que LLMs isolados não conseguem. A novidade importa agora porque amplia o acesso experimental a agentes geoespaciais via Ask Google Earth e um serviço Agent-to-Agent (A2A).
Pontos-chave
- O Google Research publicou um relatório técnico sobre um agente de Raciocínio Geoespacial baseado em Gemini e Earth AI.
- O agente usa planejamento prévio e habilidades modulares para análises espaciais de múltiplas etapas em escala planetária.
- Habilidades específicas de domínio elevaram o desempenho em benchmarks como GeoExpertQueries, GeoKTools e CBGB.
- Parceiros testaram o agente em saúde pública, resposta a desastres e planejamento de infraestrutura.
- O acesso experimental foi ampliado via Ask Google Earth e serviço Agent-to-Agent (A2A), com vagas limitadas.
Nesta matéria
O que é o agente de Raciocínio Geoespacial do Google Research?#
O Google Research descreve um agente experimental que conecta o Gemini aos modelos de fundação do Earth AI para responder perguntas espaciais complexas. A proposta é ir além de um LLM genérico, que costuma falhar em lidar com formatos de mapas e satélites e com planejamento em várias etapas.
O sistema foi evoluído de um protótipo inicial para uma versão mais capaz, voltada a raciocínio geoespacial em escala planetária e ao treinamento autônomo de modelos preditivos personalizados. A relevância imediata está na expansão do acesso experimental a parceiros e desenvolvedores.
Quais capacidades técnicas o agente reúne?#
Segundo o relatório, o agente combina quatro capacidades principais para lidar com fluxos de trabalho espaciais complexos. Ele chama as habilidades do Earth AI apenas quando a pergunta exige, evitando sobrecarregar o contexto com grandes volumes de dados.
Antes de executar operações pesadas, o agente monta um plano analítico passo a passo, seleciona conjuntos de dados alternativos quando a cobertura local é escassa e processa camadas de mapa em um workspace dedicado. Cada resposta exibe o plano e as fontes usadas, permitindo que especialistas revisem premissas.
- Conexão do Gemini a modelos como WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations e Remote Sensing Foundations
- Uso de informações do Google Maps Platform, Google Earth Engine, Data Commons e Google Dataset Search
- Empacotamento das capacidades Earth AI como habilidades modulares acionadas sob demanda
- Workspace separado do contexto do modelo para processar grandes camadas de mapa
Como funcionam os testes e o que os benchmarks mostram?#
O relatório técnico compara quatro configurações de agente em Gemini 3.8 Flash e Gemini 3.1 Pro: LLM isolado, LLM com busca web e mapas, LLM com ferramentas Earth AI sem planejamento prévio e o agente completo com etapa de planejamento. A avaliação cobre quatro benchmarks, incluindo dois externos (CBGB e UnivEARTH) e dois novos desenvolvidos pelo Google Research.
Os resultados indicam que habilidades específicas de domínio são essenciais para raciocínio espacial quantitativo. O agente com apenas ferramentas básicas tem dificuldade em tarefas espaciais, enquanto equipá-lo com habilidades Earth AI gera salto significativo no GeoExpertQueries, GeoKTools e CBGB. A exceção é o UnivEARTH, em que até um LLM isolado atinge 93,6%, provavelmente porque os artigos e respostas da NASA estão disponíveis na web pública.
- GeoExpertQueries: consultas abertas do mundo real com fluxos de trabalho de referência escritos por especialistas
- GeoKTools: consultas com respostas verificáveis que exigem seleção e uso correto de 1 a 4 ferramentas geoespaciais
- CBGB e UnivEARTH: benchmarks externos para geração de código geoespacial e perguntas e respostas
O planejamento prévio realmente faz diferença?#
Sim, segundo a avaliação do Google Research. Habilidades Earth AI isoladas bastam para tarefas mais restritas, como as do CBGB e GeoKTools. Para problemas abertos do GeoExpertQueries, porém, o planejamento prévio é necessário para manter o agente no caminho ao longo de análises de múltiplas etapas.
Sem essa etapa, o agente pode fazer suposições não confiáveis ou atalhos, como usar busca na web em vez de ferramentas espaciais. O relatório ressalta limitações: as notas do GeoExpertQueries vêm de um autorater que compara o desempenho aos fluxos de especialistas, não à resposta final correta. Por isso, o resultado deve ser tratado como um primeiro rascunho forte para revisão especializada.
Como parceiros usaram o agente em problemas reais?#
O Google Research deu acesso antecipado a um pequeno grupo de parceiros para testar o agente experimental em desafios de saúde pública, resposta a desastres e planejamento de infraestrutura. Os testes ajudaram a avaliar e expandir as habilidades geoespaciais do sistema, segundo o relatório.
Entre as adições recentes estão roteamento por rede viária, suporte a conjuntos de dados maiores enviados por usuários e melhor descoberta de fontes locais autoritativas. O texto não detalha nomes de parceiros nem resultados específicos por setor.
O que é o Planetary Prediction Engine e como ele se conecta?#
Além de responder perguntas analíticas, o agente alimenta o Planetary Prediction Engine, anunciado recentemente. A partir de dados locais do usuário, como taxas regionais de doenças, produtividade agrícola ou quedas de energia, o sistema seleciona sinais populacionais e ambientais relevantes e treina modelos de machine learning validados para previsão espacial, downscaling de super-resolução e previsão.
Em pesquisa de saúde pública citada no relatório, a combinação desses sinais populacionais e de satélite melhorou as previsões de desfechos de saúde em 12% sobre linhas de base demográficas e permitiu mapeamento com resolução espacial 8 vezes mais fina. Os números são os apresentados pelo Google Research.
Como desenvolvedores podem acessar as capacidades experimentais?#
O Google Research está ampliando o acesso experimental às capacidades de Earth AI para um grupo limitado de usuários iniciais. O acesso inclui o agente via Ask Google Earth e um serviço Agent-to-Agent (A2A), além de uma API que aceita conjuntos de dados próprios em CSV, GeoJSON ou tabelas na nuvem.
As capacidades do Planetary Prediction Engine também estão em prévia inicial, disponíveis por interface interativa e pela Agent API para fluxos personalizados. Para manifestar interesse, o Google Research disponibiliza um formulário e um Early Access Pool. Datas, preços e critérios de seleção não foram informados na notícia.
O que isso muda para quem usa IA#
Para quem desenvolve com IA, o relatório reforça que modelos de fundação isolados não bastam para problemas espaciais do mundo real. A combinação de habilidades modulares, planejamento prévio e fontes de dados diversas aparece como caminho para respostas mais confiáveis e auditáveis.
A Invision oferece acesso a vários modelos por uma única chave, o que pode simplificar a experimentação com diferentes abordagens de raciocínio sem gerenciar integrações separadas. A escolha de qual modelo usar continua dependendo do tipo de tarefa e das ferramentas disponíveis.
Modelos citados na Invision
Perguntas frequentes
O que é o agente de Raciocínio Geoespacial do Google Research?
É um agente experimental que conecta o Gemini a modelos e ferramentas do Earth AI para executar análises espaciais complexas em várias etapas, com planejamento prévio e exibição das fontes usadas.
Quais modelos do Earth AI o agente utiliza?
O relatório cita WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations e Remote Sensing Foundations, além de dados do Google Maps Platform, Earth Engine, Data Commons e Dataset Search.
Por que o planejamento prévio é importante no agente geoespacial?
Segundo a avaliação, o planejamento mantém o agente no caminho em análises abertas de múltiplas etapas e evita suposições não confiáveis ou atalhos, como substituir ferramentas espaciais por busca na web.
O agente geoespacial já está disponível para qualquer pessoa?
Não. A notícia informa que o acesso é experimental e limitado a um grupo de usuários iniciais, com formulário de interesse e um Early Access Pool. Datas e critérios não foram informados.
Fonte original: Putting Earth AI to work: Geospatial agents for our planet's biggest challenges (Google Research). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.