谷歌将 Earth AI 推向公共卫生现场，利用卫星影像、人口流动和地理空间基础模型帮助 WHO AFRO 与刚果民主共和国等合作伙伴更早识别疾病传播风险并优化资源部署。研究原型在埃博拉试点和慢性病、疫苗覆盖率及登革热等任务中展示了提高预测时效和识别高风险区域的潜力，但仍受数据、可迁移性和地方能力限制，尚非临床或监管认证的决策系统。
谷歌正在把 Earth AI 从地理空间分析平台进一步推进到公共卫生现场。公司 10 月 6 日表示，研究团队正与世界卫生组织非洲区域办事处（WHO AFRO）、刚果民主共和国国家生物医学研究院等机构合作，用卫星影像、人口流动、环境信号和地理空间基础模型，帮助卫生部门更早发现疾病传播风险，并把有限的实验室、药品和人员部署到更需要的地方。
在一项与正在持续的刚果民主共和国埃博拉疫情有关的试点中，谷歌称，WHO AFRO 团队使用其地理空间推理代理，几分钟内定位出 48 个暴露聚落和超过 45,500 名可能处于风险中的人口。按照谷歌的说法，过去完成相近的地图和数据处理工作通常需要数周。
这项成果仍属于研究原型的应用，而不是经过监管认证的临床或疫情决策系统。但它显示出人工智能进入公共卫生后最现实的一个方向：不是替代流行病学家或地方卫生机构，而是缩短从分散数据到可执行判断之间的时间。
从“哪里发生了疫情”到“下一步可能发生在哪里”
公共卫生监测长期面对两个相互关联的问题：数据往往按照行政边界收集，而疾病传播和人口流动并不遵守这些边界；同时，病例、死亡率和疫苗接种等数据经常存在数月乃至数年的延迟。
谷歌此次公布的方案试图把这些缺口交给一组地理空间模型处理。其核心包括 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM），以及两个研究原型：用于自然语言空间查询和地图分析的 Geospatial Reasoning agent，以及可自动完成数据选择、模型训练和预测的 planetary prediction engine。
PDFM 会把经过聚合和隐私保护处理的搜索趋势、人口流动、建筑环境、地点活跃度、天气和空气质量等信号，压缩成代表某一地区的“位置嵌入”。这些嵌入并不是诊断结果，也不是单独的病例数据库，而是为传统公共卫生模型提供更及时、更细致的地理背景。
谷歌研究团队在 一篇发表于 10 月 6 日的研究介绍 中说，PDFM 可以作为现有统计和机器学习流程的输入，而不必让每个卫生机构从头建立一套地理数据管线。相关研究论文已经上传至 arXiv，目前仍是预印本，尚未经过同行评审。
埃博拉试点把“代理”带到了疫情现场
谷歌称，WHO AFRO 的应急准备和响应团队与刚果民主共和国国家生物医学研究院传染病建模和情报部门，已经在一场 Bundibugyo 病毒疫情中使用上述原型。
在其中一个场景里，WHO 团队需要了解偏远采矿走廊的暴露风险。采矿活动带来的跨地区流动、边境交易和交通联系，可能让病毒沿着传统行政地图难以显示的路径传播。研究团队使用地理空间推理代理，把人口流动和地点信息组织成可供响应人员查看的风险地图，随后标记出 48 个暴露聚落和 45,500 多名可能处于风险中的人口。
另一个场景则关注疫情走势。谷歌表示，团队与刚果民主共和国研究人员结合人口流动、历史病例趋势和 Earth AI 模型，建立了用于估计病毒向未感染卫生区扩散风险的预测模型，并以每周更新的方式为协调人员提供提前量。
相关的 Planetary Prediction Engine 研究 给出了更具体的模型评估结果。谷歌称，在对 2026 年刚果民主共和国 Bundibugyo 埃博拉疫情的五次连续周预测中，该系统在排名前十的高风险卫生区中识别出 18 个新受感染卫生区中的 15 个，Recall@10 为 83.3%；相较公开的约 73% 基线，绝对提高了 10.3 个百分点。
不过，这些结果应被理解为研究团队报告的模型评估，而不是对疫情实际控制效果的证明。Recall@10 衡量的是模型是否在高风险名单中找到了后来被观察到的区域，它并不等同于减少了多少感染，也不能说明模型在其他国家、病原体或数据条件下会保持同样表现。
同一套模型也被用于慢性病和疫苗接种监测
谷歌公布的研究并不只针对快速暴发的传染病。研究人员还把 PDFM 用于心血管疾病死亡率的及时估计、跨境麻疹—腮腺炎—风疹（MMR）疫苗接种覆盖率推断，以及墨西哥登革热预测等任务。
与纽约大学朗格尼健康中心合作的研究，尝试利用实时人口信号弥补官方心血管死亡数据通常存在的一至两年延迟。谷歌称，PDFM 支持的模型在美国县级死亡率“现在预测”中取得了与依赖人口普查数据的传统模型相近、部分情况下更好的表现。
在美国和加拿大边境附近的 146 个县，Mount Sinai Health System 和波士顿儿童医院的研究人员把跨境人口流动和信息传播纳入 MMR 接种率估计。谷歌研究页面称，模型解释的接种覆盖率变化从 16% 提高到 22%，并帮助重新估计约 470 万名边境居民所在地区的覆盖情况。
对于登革热，牛津大学和 Tecnológico de Monterrey 的团队把 PDFM 与当地气候模型结合，预测墨西哥约 2,450 个市级区域的短期疫情变化。研究结果显示，模型在活跃传播热点中的一月期预测有所改善，理论上可以为灭蚊和其他防控措施提供更早的部署窗口。
谷歌还在与 WHO AFRO 合作的霍乱评估中报告称，加入 PDFM 后，可以将识别高风险卫生区的时间提前到最多八周。研究页面给出的指标包括四周预测的精确率—召回率曲线下面积相对提高 9.7%，以及八周时前五个高风险区域的 Precision@5 相对提高 18.1%。这些是模型评估指标，不能直接转换为减少病例的比例。
地理空间 AI 的关键限制仍然是数据和地方能力
从技术角度看，Earth AI 的价值在于把原本需要专业团队手动搜集、清理和匹配的数据，转换成可以被预测模型调用的地理特征。但这也意味着，模型输出会受到输入数据质量和覆盖范围的限制。
搜索趋势、人口流动和地点活跃度只能提供群体层面的信号，不能替代个体医疗记录；卫星和环境数据可以帮助发现条件变化，却不能单独确认一个人是否感染疾病。即使模型成功预测某个卫生区的风险，地方机构还需要有足够的实验室、人员、药品、交通和跨境协作能力，才能把预测变成实际行动。
隐私问题同样没有因为数据被“聚合”就自动消失。谷歌强调 PDFM 使用隐私保护信号，但公共卫生部门仍需要明确数据授权、用途边界、更新频率和保存方式，尤其是在把多个来源的移动性或行为数据结合起来时。
这类系统还面临模型偏差和可迁移性问题。一个在美国县级数据上表现良好的模型，不一定适用于刚果民主共和国偏远地区；对登革热、霍乱和埃博拉有效的信号，也不一定能解释其他病原体的传播。谷歌的研究论文也指出，地理空间嵌入可以补充流行病学流程，但不能填补所有人口统计筛查缺口，更不能取代本地专业判断。
这与医疗 AI 领域的其他部署经验相似：正如 MedGemma 已被用于离线筛查和分诊，但仍需本地验证，模型在真实医疗体系中的作用取决于本地数据、专业人员审核和监管流程，而不只是实验室指标。
从研究原型走向公共卫生基础设施
谷歌目前把 PDFM 嵌入作为 Google Maps Platform 的 Population Dynamics Insights，以预览形式提供给商业用户；符合条件的研究机构和公共卫生组织也可以申请部分免费访问或 Google Earth credits。公司同时表示，Google.org 已向刚果民主共和国国家生物医学研究院提供资金，用于升级本地检测和疾病监测基础设施。
这说明 Earth AI 的推进路径并不是单纯发布一个面向公众的疫情应用，而是把模型、数据集、云平台和地方合作机构组合在一起。对谷歌而言，这也是把长期积累的地图、天气、卫星和人口动态能力转化为公共服务场景的一次尝试。此前，公司已经把类似的卫星和机器学习能力用于野火监测，例如 用 AI 追踪野火和模拟火势传播，其共同逻辑都是把环境变化转化为更早的风险提示。
真正的考验将出现在研究论文之外：预测能否持续、数据能否及时更新、地方机构能否理解模型的不确定性，以及预警是否会带来更快、更准确的资源调度。Earth AI 可以让公共卫生部门更早看到风险，但它不能单独完成检测、隔离、治疗或疫苗接种。
如果这些条件能够同时成立，地理空间基础模型可能让公共卫生从“病例出现后再响应”，逐步转向“在风险形成时提前准备”。但在这一转变完成之前，谷歌公布的数字仍应被视为合作项目和研究评估中的积极信号，而不是已经得到普遍验证的疫情预测能力。
来源：Google News、Google Research、Planetary Prediction Engine、arXiv 论文、WHO 刚果民主共和国疫情页面。