Planetary Prediction Engine 自動組裝地理資料與模型，伊波拉熱點 Recall@10 達 83.3%

Google 研究團隊發表 Planetary Prediction Engine（PPE），嘗試把地理預測最耗人力的部分——找資料、核對時空範圍、組合特徵及選模型——交由代理完成。使用者提交自然語言目標及帶標籤資料後，系統先判斷任務屬於空間迴歸、超解析度、傳播模型或疫情即時預測，再從 Data Commons、Google Earth Engine、政府入口網站及學術資料庫尋找可連接的協變數。

PPE 不把大型資料表塞進 LLM 上下文，而以不透明 handle 在三個隔離階段間傳遞 DataFrame、GeoJSON 與移動矩陣。LLM 只負責解析要求及選擇預先定義的工具；資料層則把統計變數與 PDFM、AlphaEarth 的凍結地理 embedding 融合，再於線性模型、boosting、XGBoost 及 MLP 等候選架構間搜尋。Feature Gate 會排除目標公式的組成項、共用調查來源、時間穿越資料及被判定為結果而非原因的變數，缺失值統計也只從訓練分割計算。

作者報告，完整管線在 21 項美國 CDC 健康指標取得平均 76.8% R²，人工管線為 60%；奈及利亞糧食安全降尺度則由 31.5% 提升至 66.1%。在 2026 年剛果民主共和國 Bundibugyo 伊波拉疫情的五次每週預測中，系統於每期最高風險十區捕捉15個新增感染區中的15個，整體 Recall@10 為83.3%，共識基線約73%。

這仍不是可以直接交付公共衛生決策的通用代理。伊波拉驗證只有單一疫情，因果方向過濾尚未形式化；高解析度 AlphaEarth 特徵在一項社會脆弱度降尺度測試反而令 R² 由52.0%降至40.1%，顯示更多衛星訊號也可能帶來空間雜訊。論文目前亦未提供完整可重現程式庫。接下來應觀察跨病原、跨國前瞻驗證，以及資料與模型搜尋成本能否公開量化。