Google Earth AI、地球規模予測エンジン「PPE」を公開

Google Earth AI の取り組みの一環として、私たちは「惑星予測エンジン（PPE）」を発表します。これは実験的な研究機能であり、データ発見からモデル学習に至るまで、地理空間モデリングのワークフロー全体を自律的に実行するものです。これにより、公衆衛生、食料安全保障、環境リスク、社会経済分野など、多岐にわたる予測タスクで改善を実現しています。

地域ごとの食料安全保障や環境災害リスクの予測、リアルタイムでの疾病発生状況の追跡、社会経済的脆弱性のマッピングなど、人類が直面する喫緊の課題に対処するには、高精度な地理空間モデリングが不可欠です。しかし、これらのモデルを構築する過程では、断片的なデータ生態系が障壁となっています。専門チームが手作業によるデータのキュレーション、特徴量のエンジニアリング、専門的な空間検証に数週間を要してしまうのです。

既存の AutoML や LLM ベースのエージェントは標準的な機械学習パイプラインの自動化には効果的ですが、事前キュレーションされた表形式データに依存しており、地理空間ワークフローを自律的に処理するための専門能力が欠如しています。その結果、惑星規模での分析は依然として大きなボトルネックとなっており、特に人道危機において迅速な対応が求められる状況では、この限界が深刻さを増します。

本日、私たちは「惑星予測エンジン（PPE）」をご紹介します。これは、地球の情報を具体的な洞察へと変換する広範な「Google Earth AI」イニシアチブの一環として最新に登場した実験的研究機能です。

以前、私たちは Earth AI が多様な地理空間資産を知的に統合する能力について紹介しました。自律型 AI システムである PPE は、自然言語による問い合わせから直接、惑星規模のデータ発見とクリーニング、トレーニング、評価に至るまでの地理空間予測ワークフロー全体を実行します。

与えられた地理空間予測クエリに対して、PPE は関連データの自動取得、特徴量のエンジニアリング、予測モデルの訓練・評価、そして包括的なレポート生成を自律的に行います。手動介入なしに多様なベンチマークで改善を実現する PPE の能力は、複雑な惑星予測モデルの構築に必要な時間を、手動データエンジニアリングを含む数週間から、自律的な洞察をもたらす数分へと劇的に短縮することを示しています。

惑星予測エンジンの仕組み

PPE は予測ワークフローを、それぞれ LLM（大規模言語モデル）によって統括される3つのモジュール化されたステージに分解します。

ステージ 1：インテリジェントな地理空間データの選定

自然言語による問い合わせに対して、PPE はまず厳密な地理的制約（空間解像度、結合キー、時間範囲）に変換します。その後、実証された信号探索を行い、ドメイン仮説を構築するとともに、既存の文献と照合して検証済みの直接信号および因果関係を示す代理信号を特定します。PPE は Data Commons や Google Earth Engine といった確立された地理空間リポジトリから共変量を体系的に取得します。これらのリポジトリに存在しない信号については、推論時に政府ポータルや学術リポジトリを検索するライブなオープンウェブ探索を実行します。

ステージ 2：マルチモーダルデータセットのキュレーション

収集された共変量は、事前学習済みの地理空間基盤モデルの埋め込みと融合されます。これには、社会人口統計的な潜在状態を扱う Population Dynamics Foundation Models（PDFM）や、衛星画像の意味情報を担う AlphaEarth が含まれます。

本システムは厳格な「機能ゲート」を実装しており、自動化されたターゲットリーク防止を強制します。すべての候補共変量を4つのリーク防止基準（数学的サブコンポーネントの除外、共通調査データの除外、下流因果効果の除外、将来の時系列データの除外）に対して評価し、下流の評価の完全性を確保しています。

• ステージ3：自動化されたモデル構築と予測。ここではPPEはデータキュレーションからモデル最適化と評価へと移行します。システムは正則化線形モデルや勾配ブースト決定木（GBDT）、多層パーセプトロンなど複数のモデルファミリーを検索し、過学習を防ぐためのカスタムロジックを実装しています。これには「過学習防止プロトコル」が含まれ、データセットのリスクを事前に評価し、一般化失敗を検出・回復するための自己修正ループを実現します。

重要なのは、各ステージが明確に定義された入力と出力に基づいて独立して動作し、データのボトルネックを防ぐことです。データアーティファクトはLLMプロンプトへシリアライズするのではなく、非公開のハンドルを通じてステージ間で渡されます。これによりコンテキストウィンドウの制限を回避しています。

多様なベンチマークとタスクにおける改善点

PPEの評価は、機械学習のパラダイム、地理的範囲、科学ドメインにわたる多次元マトリックス上で行われました。

空間回帰分析：米国の公衆衛生と環境

CDC の健康指標 21 項目にわたる評価において、PPE（惑星予測エンジン）が採用するインテリジェントなデータ選択とマルチモーダル融合は、手動の専門家パイプラインと比較して平均 R²値を 76.8% に達し、従来手法の 60.0% を大きく上回りました。同様の精度向上は、FEMA の国家リスク指標（平均 R²値 64.9% vs ベースライン 60.0%）や社会脆弱性指数（平均 R²値 66.2% vs ベースライン 58.6%）の予測においても確認されています。

スーパー解像度によるダウンスケールリング：ナイジェリアの食料安全保障

データが不足している地域では、粗い地域報告が局所的な脆弱性を隠蔽してしまう傾向があります。PPE は、自律的に現地の市場ショック、食料価格の異常値、微気候指標を統合することで、州レベル（ADM1）から地方政府区域レベル（ADM2）への解像度向上において、ベースライン精度を倍増させました（R²値 66.1% vs 31.5%）。これにより、人道支援団体は即座に活用可能な高忠実度の脆弱性マップを利用できるようになります。

疫学的ナウキャスティング：コンゴ民主共和国のエボラ出血熱アウトブレイク

コンゴ民主共和国における 2026 年ブンディブギョ・エボラウイルスのアウトブレイク の最中に、新たな感染症の伝播ホットスポットをリアルタイムで予測するために PPE を使用すると、Recall@10 は 83.3% に達します。これは、5 週にわたる連続した週次予測を通じて、新たに侵入した 18 の保健地区のうち 15 か所を正しく特定することを意味しています。

この成果は、疫学的シグナルと PDFM（物理分散モデル）の埋め込みベクトル、そして PPE が選択した地理空間共変量を融合させることで実現されたもので、既存の最先端手法である ベイジアンモデリングベースライン（約 73%）と比較して、絶対値で 10.3 ポイントの大幅な向上を示しています。

知能化されたデータ選択を伴うマルチモーダル融合の威力

すべての実験に共通する重要な発見は、構造化された統計共変量と潜在基盤モデル埋め込みを組み合わせる相乗効果です。いずれのモダリティ単独でも全体像を捉えることはできません。統計的共変量は明示的で解釈可能なシグナルを提供する一方、Population Dynamics Embeddings や AlphaEarth Foundations embeddings は、大規模な事前学習データセットから学習した複雑な非線形パターンを符号化しています。アブレーション研究の一貫した結果は、知能化されたデータ選択と組み合わせたマルチモーダル融合がベースライン手法を上回ることを示しており、これらの表現が重複するものではなく補完関係にあることが確認されました。

今後の研究では、より多くの地理空間データソースや Remote Sensing Foundations multimodal embeddings といった基盤モデル埋め込みも対象範囲に拡大していく予定です。

結論

PPE（Planetary Prediction Engine）の実証により、自律型 AI システムが米国における慢性疾患の有病率推定から、ナイジェリアでの食料不安の解像度向上、コンゴ民主共和国におけるウイルスアウトブレイクのリアルタイム予測に至るまで、多様な地理空間予測タスクにおいて既存手法と同等かそれ以上の性能を発揮できることが示されました。

インテリジェントなデータ発見、マルチモーダル基盤モデルの融合、そして自動化されたモデル最適化を組み合わせることで、PPE は惑星規模の分析における技術的ハードルを大幅に低下させます。これにより、時間との戦いが求められる重要な意思決定の際にも、迅速な展開が可能となります。

本研究は、地理空間予測の民主化に向けた有意義な一歩であると確信しています。手動でのデータエンジニアリングから、高レベルな仮説設定へと焦点を移すことで、PPE は専門的なエンジニアチームを必要とせずとも、研究者や人道支援団体、政策決定者がモデルを構築・活用できる環境を提供します。

PPE はまだ初期段階の研究プロジェクトですが、今後さらに多くのユースケースを探求し、このアプローチが組織にとって複雑な地球規模の課題への事前対応と解決にどのように貢献できるか、その可能性に大きな期待を抱いています。

謝辞

本論文の共著者全員の貢献に感謝し、その功績を認めさせていただきます。データおよび研究支援を提供いただいた国連世界食糧計画（WFP）および脆弱性分析マッピング（VAM）チームに深く感謝いたします。また、コンゴ民主共和国におけるエボラ出血熱の現在予測に関する共同研究にご協力いただいた国立生物医学研究所（INRB）にも謝意を表します。さらに、本プロジェクトを支える基盤データとモデルインフラを提供いただいた Data Commons、Google Earth Engine、Population Dynamics Foundation Models、AlphaEarth の各チームにも心より感謝申し上げます。