Google przenosi geodane poza okno kontekstowe i robi z mapy przestrzeń pracy agenta

14 października Google opublikował raport techniczny o Geospatial Reasoning agent i poszerzył eksperymentalny dostęp przez Ask Google Earth oraz usługę headless A2A. Agent najpierw układa plan, potem dobiera modele, zbiory danych i narzędzia przestrzenne, a duże warstwy mapowe przetwarza w osobnym środowisku poza oknem kontekstowym.

System łączy Gemini z WeatherNext, Flood Forecasting, AlphaEarth Foundations, Earth Engine, Maps Platform i innymi źródłami. Użytkownicy mogą dodać własne pliki CSV, GeoJSON lub tabele chmurowe. Dostęp pozostaje ograniczony, a zainteresowani muszą wysłać formularz zgłoszeniowy.

Wyspecjalizowane narzędzia przewyższają sam model językowy

Google porównał cztery konfiguracje na czterech benchmarkach. Zaczął od samodzielnego modelu, następnie dodał zwykłe wyszukiwanie i maps grounding, umiejętności Earth AI, a na końcu etap planowania. Opublikowane wyniki pokazują wyraźny wkład narzędzi domenowych w ilościowe zadania przestrzenne.

Wyjątkiem był UnivEARTH, gdzie sam model uzyskał już 93,6 %. Google zaznacza, że źródłowe artykuły NASA i odpowiedzi są dostępne w publicznym internecie. Ten wynik może więc mierzyć wyszukanie znanej odpowiedzi bardziej niż wykonanie nowej analizy przestrzennej.

Osobne środowisko rozwiązuje ograniczenie, którego prompt nie usunie

Danych w skali całej planety nie da się rozsądnie zmieścić w oknie kontekstowym. Agent zachowuje w rozmowie plan i wnioski, a warstwy mapowe przetwarza w wydzielonym środowisku. Każda odpowiedź pokazuje plan i użyte źródła, dzięki czemu ekspert może zmienić założenie lub podmienić zbiór danych.

Ta architektura jest ważniejsza niż interfejs czatu. W analizie geograficznej liczą się projekcja, rozdzielczość czasowa, lokalne pokrycie i dobór danych zastępczych. Agent musi wiedzieć, kiedy uruchomić narzędzie, ale również kiedy dostępne dane nie pozwalają udzielić odpowiedzi.

Pilotaże partnerów imponują, lecz pozostają studiami przypadków

Według Google WHO AFRO i kongijski INRB użyły systemu podczas epidemii eboli w 2026 roku. Agent połączył dane o utracie lasów, kopalniach i ludności, po czym w kilka minut wskazał 48 narażonych miejscowości oraz ponad 45 500 zagrożonych osób. People in Need przeanalizowało 14 historycznych tras cyklonów, a Milken Institute sprawdził ponad 1 500 budynków.

To przypadki wybrane i opisane przez Google oraz jego partnerów. GeoExpertQueries ocenia też autorater na podstawie zgodności z eksperckim procesem, a nie poprawności końcowej odpowiedzi. Sam Google określa więc wynik agenta jako mocny pierwszy szkic do sprawdzenia przez specjalistę.

O wartości produkcyjnej zdecydują audyt, lokalne dane i czas poprawek

Kolejnym sprawdzianem nie powinno być następne demo na globalnym zbiorze. Liczy się praca z niepełnymi danymi lokalnymi, sprzecznymi źródłami i granicami, przy których drobny błąd zmienia liczbę zagrożonych ludzi lub budynków. Kluczowe będą ślad audytowy każdego kroku oraz czas potrzebny ekspertowi na poprawienie wyniku.

Ograniczony early access musi też pokazać, czy usługa A2A zachowuje pochodzenie danych po połączeniu z zewnętrznymi agentami i prywatnymi tabelami. Gdy ślad źródeł ginie między usługami, szybsza analiza jedynie szybciej produkuje trudny do znalezienia błąd.

Werdykt Lilith

Google posadził agenta nad mapą całej planety, ale ostatnią czerwoną strefę nadal musi narysować ekspert. Przy powodzi lub epidemii zła granica nie jest wadą kosmetyczną, lecz umieszcza ludzi po niewłaściwej stronie mapy.