تفعيل الذكاء الاصطناعي لخدمة الأرض: عوامل مكانية لمواجهة أكبر تحديات كوكبنا

تفعيل تقنية Earth AI: عوامل مكانية لأكبر تحديات كوكبنا

غالبًا ما تواجه نماذج اللغة الكبيرة ذات الاستخدام العام (LLMs) وأدوات البرمجة القياسية صعوبات في حل المشكلات المكانية في العالم الحقيقي. تتسم مجموعات بيانات الكواكب بضخامتها، وتحتوي على تنسيقات خرائط وأقمار صناعية متخصصة تتطلب تخطيطًا دقيقًا متعدد الخطوات لدمجها بدقة. لمواجهة هذه التعقيدات، طورت Google Research عاملاً للاستدلال المكاني مصممًا لإجراء تحليلات مكانية معقدة وتوقعات كوكبية لا يمكن لنماذج LLM المستقلة تحقيقها.

يربط هذا النظام نموذج Gemini بقدرات نماذج أساسية في تقنية Earth AI، وتشمل WeatherNext وتوقعات الفيضانات ونموذج أساسيات ديناميكيات السكان (PDFM) وأساسيات AlphaEarth وأساسيات الاستشعار عن بُعد. كما يدمج معلومات من منصة Google Maps وGoogle Earth Engine وData Commons وخدمة بحث مجموعات البيانات في Google. من خلال تجميع هذه القدرات كمهارات معيارية، يستخدم العامل الأدوات المحددة فقط عندما تتطلب أسئلة المستخدم ذلك، مما يضمن الكفاءة والدقة.

التطور المعماري والمهارات المعيارية

يمثل عامل الاستدلال المكاني تطورًا كبيرًا مقارنة بالمفاهيم الأولية، حيث أصبح نظامًا تجريبيًا مصممًا للتفكير المتعدد الخطوات عبر بيانات على مستوى الكوكب. يتمثل أحد المكونات الأساسية لهذا التصميم في القدرة على إجراء التخطيط المسبق. قبل تنفيذ العمليات المعقدة، يضع العامل خطة تحليلية خطوة بخطوة. كما يختار مجموعات بيانات بديلة مناسبة عندما يكون التغطية المحلية ضعيفة، ويعالج طبقات الخرائط الضخمة في مساحة عمل مخصصة.

يمنع هذا النهج تعرض سياق العامل للإغراق بكميات هائلة من البيانات المكانية، مع الحفاظ على الدقة وتتبع أصول البيانات. تتضمن كل استجابة يولدها العامل الخطة ومصادر البيانات المستخدمة، مما يسمح للخبراء بفحص الافتراضات أو استبدال مجموعات البيانات حسب الحاجة.

علاوة على ذلك، يدعم النظام سيناريوهات عمل "أحضر بياناتك الخاصة". يمكن للمؤسسات إدخال مجموعات بياناتها الخاصة عبر واجهة برمجة التطبيقات الخاصة بعامل الاستدلال المكاني كجداول CSV، أو حدود خرائط مخصصة بتنسيق GeoJSON، أو جداول سحابية. يمكن للمستخدمين بعد ذلك طلب من العامل دمج مواقعهم الخاصة مع النماذج والفهارس العالمية لـ Earth AI، مما يسهل إجراء تحليل هجين للبيانات المحلية والكوكبية.

من الاستدلال إلى التنبؤ الكوكبي

بالإضافة إلى الإجابة على الأسئلة التحليلية المعقدة، يُستخدم العامل في محرك التنبؤ الكوكبي الذي تم الإعلان عنه مؤخرًا. بناءً على بيانات النتائج المحلية للمستخدم — مثل معدلات الأمراض الإقليمية، أو محاصيل المزارع، أو انقطاعات الشبكة — يختار العامل تلقائيًا المؤشرات السكانية والبيئية ذات الصلة. يستخدم العامل رؤى ديناميكيات السكان ومجموعة بيانات تضمين الأقمار الصناعية السنوية (المبنية على PDFM وAlphaEarth Foundations على التوالي) لتدريب نماذج تعلم آلي مُعتمدة.

تُستخدم هذه النماذج للتنبؤ المكاني، وتقليل الدقة بشكل فائق، والتنبؤ. في أبحاث الصحة العامة الأخيرة، ساهم دمج هذه المؤشرات السكانية والأقمار الصناعية في تحسين توقعات النتائج الصحية بنسبة 12% مقارنةً بالمعايير الديموغرافية، كما سمح برسم خرائط بدقة مكانية أعلى تصل إلى 8X. يستجيب العامل لسؤال المستخدم عن طريق التخطيط أولاً لسيناريو عمل متعدد الخطوات، واختيار أدوات ومجموعات بيانات Earth AI الرئيسية، ثم تنفيذ كل مرحلة في مساحة عمل خارج نافذة السياق. يتضمن الرد النهائي قدرات متعددة لـ Earth AI في تقرير نصي وجدولي وقائم على الخرائط.

مقارنة الاستدلال المكاني

لقياس تأثير الأدوات المتخصصة والتخطيط المسبق، أجرى قسم أبحاث جوجل تقييمًا تقنيًا مقارنًا بين أربعة تكوينات للعوامل عبر Gemini 3.8 Flash وGemini 3.1 Pro. تراوحت التكوينات من نموذج LLM مستقل إلى عوامل تم تعزيزها تدريجيًا بمهارات وآليات تنسيق مُحسّنة للاستدلال المكاني.

شمل التقييم أربعة معايير قياس:

1. GeoKTools: يحتوي على استعلامات جاهزة مع إجابات قابلة للتحقق، وكل منها يتطلب الاختيار الصحيح واستخدام 1 إلى 4 أدوات مكانية مختلفة.
2. GeoExpertQueries: يقدم استعلامات معقدة من العالم الحقيقي مع سلاسل عمل ذهبية من تأليف خبراء توضح أفضل الممارسات في مجالات مثل مرونة الأزمات واختيار المواقع والصحة العامة.
3. CBGB: معيار قياس تم تطويره خارجيًا لتوليد الكودات المكانية.
4. UnivEARTH: معيار قياس تم تطويره خارجيًا للإجابة على الأسئلة.

ظهر استنتاجان رئيسيان من التقييم. أولاً، المهارات الخاصة بكل مجال ضرورية للتفكير المكاني؛ فالعامل المزود فقط بأدوات أساسية (البحث على الويب، تحديد المواقع عبر الخرائط، وتنفيذ الكود) يواجه صعوبات في المهام المكانية الكمية. أما تزويد العامل بمهارات Earth AI فيؤدي إلى تحسن كبير في الأداء في معايير GeoExpertQueries وGeoKTools وCBGB. الاستثناء الوحيد كان UnivEARTH، حيث حقق حتى نموذج LLM مستقل درجة 93.6%، وربما يعود ذلك إلى توفر مقالات وإجابات ناسا الأصلية على الويب العام.

ثانيًا، التخطيط المسبق يفتح الباب أمام سلاسل عمل غير محددة في العالم الحقيقي؛ فبينما كانت مهارات Earth AI وحدها كافية لمهام أضيق مثل تلك الموجودة في CBGB وGeoKTools، إلا أن التعامل مع المشكلات غير المحددة في GeoExpertQueries يتطلب تخطيطًا مسبقًا. تساعد هذه المرحلة من التخطيط العامل على الالتزام بالمسار الصحيح في التحليلات متعددة الخطوات وتمنعه من اتخاذ افتراضات غير موثوقة أو استخدام طرق مختصرة، مثل الاعتماد على البحث على الويب بدلاً من الأدوات المكانية.

يذكر التقرير التقني أن درجات GeoExpertQueries تأتي من مقيّم يقارن أداء العامل بسلاسل العمل التي وضعها الخبراء لتحديد الخطوات التي يجب اتخاذها في التحليل، وليس فقط مع الإجابة النهائية الصحيحة. لذلك، يُعتبر إخراج العامل مسودة أولى قوية يمكن للخبراء مراجعتها والبناء عليها، وليس إجابة نهائية.

التطبيقات في العالم الحقيقي والوصول المبكر

نتيجة للاختبارات الواعدة مع الشركاء، تقوم Google Research بتوسيع إمكانية الوصول إلى العوامل التجريبية عبر خدمة Ask Google Earth وخدمة Agent-to-Agent (A2A). يتم توفير إمكانية الوصول المبكر لتحديث تجريبي لأداة Ask Google Earth، بالإضافة إلى واجهة برمجة التطبيقات Agent-to-Agent للمطورين الذين يبنون سلاسل عمل مخصصة، بما في ذلك وصفات للتكامل مع Gemini.

في الاختبارات الواقعية، قامت مجموعة صغيرة من المنظمات الشريكة ذات التأثير الاجتماعي والتجاري، بما في ذلك المكتب الإقليمي لمنظمة الصحة العالمية لأفريقيا، وPeople in Need، وGiveDirectly، ومعهد ميلكن، وWPP، باختبار العوامل لدعم سلاسل عملهم الخاصة.

على سبيل المثال، في بداية تفشي فيروس إيبولا في جمهورية الكونغو الديمقراطية (DRC) في 2026، استخدم مركز الاستعداد للطوارئ والاستجابة التابع لمنظمة الصحة العالمية AFRO في داكار عامل التفكير المكاني لرسم خرائط لممرات التعدين النائية حيث كانت مخاطر التعرض وحركة البشر مرتفعة. من خلال المقارنة بين بيانات فقدان الغابات من الصور الفضائية، ومواقع التعدين من الخرائط وبيانات الويب، وبيانات السكان، حدد الفريق المستوطنات المعرضة في 48 ووجد أكثر من 45,500 شخصًا معرضًا للخطر في دقائق فقط – وهي عملية كانت ستستغرق أسابيع عادةً. سمح ذلك للفرق المحلية بنشر مختبرات متنقلة بشكل استباقي وتنسيق المراقبة على الحدود.

في الوقت نفسه، استخدمت وحدة نمذجة الأوبئة والاستخبارات (UMIE) التابعة للمعهد الوطني للبحوث الطبية الحيوية في جمهورية الكونغو الديمقراطية (INRB) محرك التنبؤ الكوكبي لتقدير خطر انتشار فيروس إيبولا إلى المناطق غير المصابة. من خلال دمج تدفقات الحركة مع الاتجاهات التاريخية للحالات ونماذج Earth AI، قدمت هذه الرؤى الأسبوعية للمنسقين وقتًا حاسمًا للتخطيط قبل وصول الحالات. كما هو مذكور في البحث، تتحرك الفئات المتنقلة مثل عمال التعدين بسرعة أكبر مما يمكن لأساليب المراقبة التقليدية على الورق تتبعها، مما يخلق نقاط عمياء خطيرة. يملأ Earth AI هذه الفجوات باستخدام إشارات الأقمار الصناعية وإشارات الحركة، مما يحول الاستجابة من مجرد متابعة الفيروس بشكل رد فعلي إلى الوقاية الاستباقية.

الخلاصة

نموذج التفكير المكاني يوضح كيف أن دمج النماذج الأساسية المتخصصة بالمجال، والأدوات المكانية، والتخطيط المسبق يمكّن من إجراء تحليلات مكانية معقدة وتوقعات كوكبية. من خلال التمييز بين قدرات التدريب المسبق وسلاسل العمل المُضبطة بدقة، وباستخدام مساحة عمل مكانية مخصصة، يتغلب النظام على قيود نماذج LLM ذات الاستخدام العام عند التعامل مع بيانات على مستوى الكوكب. ومع توسيع جوجل ريسيرش لإمكانية الوصول المبكر وإصدار معايير جديدة للمجتمع، يستمر إمكانية استخدام الذكاء الاصطناعي في مواجهة أكبر تحديات كوكبنا في النمو.

المصدر: https://research.google/blog/putting-earth-ai-to-work-geospatial-agents-for-our-planets-biggest-challenges