Google Researchは2026年8月27日(現地時間)、地球規模の予測モデリングを自動化する実験的な研究機能「planetary prediction engine (PPE)」を導入したと発表した。Google Earth AIの一環として開発されたPPEは、地理空間モデリングの全ワークフローを自律的に実行する。これにより、データ発見からモデルトレーニングまでのプロセスが効率化され、公衆衛生、食糧安全保障、環境リスク、社会経済学といった多様な予測タスクにおける改善を目指す。
PPEは、地理空間予測モデル構築における従来の課題を解決するために設計された。これまで、断片化したデータエコシステムが原因で、専門チームが手動でのデータキュレーションや特徴量エンジニアリングに数週間を要していた。PPEは自然言語クエリから関連データの取得、特徴量エンジニアリング、予測モデルのトレーニングと評価、レポート生成までを一貫して自律的に実行し、複雑なモデル構築に必要な時間を数週間から数分に短縮できるとしている。
PPEの予測ワークフローは、3つのモジュール段階で構成され、それぞれが大規模言語モデル (LLM) によって調整される。第一段階はIntelligent geospatial data selection (知的な地理空間データ選択)で、自然言語クエリを地理的制約に変換し、Data CommonsやGoogle Earth Engineを含む地理空間リポジトリから共変量 (covariates) を取得する。第二段階はMultimodal dataset curation (マルチモーダルデータセットキュレーション)で、集約された共変量をPopulation Dynamics Foundation Models (PDFM)やAlphaEarthなどの基盤モデル埋め込みと統合し、ターゲットリーケージを軽減する「Feature Gate」でデータセットの整合性を確保する。第三段階のAutomated model building and prediction (自動モデル構築と予測)では、正規化線形モデル、勾配ブースティング決定木 (GBDT)、多層パーセプトロンなどの複数のモデルファミリーを探索し、過学習を防止するOverfitting Guard Protocolを実装する。
評価では、PPEは多様なベンチマークで改善を示した。米国の公衆衛生および環境に関する21のCDC健康指標では、手動による専門家パイプラインのR²が60.0%であったのに対し、PPEはR² 76.8%を達成した。ナイジェリアの食糧安全保障に関する超解像度ダウンスケーリングでは、地方レベルから地方政府レベルへの精度をベースラインのR² 31.5%からR² 66.1%へと倍増させた。さらに、コンゴ民主共和国における2026年のブンディブギョエボラウイルスアウトブレイクの疫学的ナウキャスティングでは、Recall@10で83.3%を記録し、既存のPublished state-of-the-art Bayesian modeling baseline (~73%)と比較して+10.3パーセントポイントの絶対的改善を実現した。
参考: Google Research Blog (アーカイブ) — 2026年8月28日 02:37 (JST)
原文ハイライト"as an autonomous AI system, PPE executes the full geospatial prediction workflow"