Google Research가 10월 14일(현지시간) 지리공간 추론 에이전트(Geospatial Reasoning agent)의 기술 보고서를 공개했다. 위성·날씨·홍수·인구 데이터를 다루는 Earth AI 모델과 공간 분석 도구를 Gemini에 연결하고, 작업 전에 계획부터 세우게 한 시스템이다. 단독 대규모 언어 모델은 이런 공간 분석을 해내지 못한다고 회사는 밝혔다.
Google은 접근 범위도 넓힌다. Ask Google Earth에는 실험적인 딥 리서치 업데이트를 early access로 제공하고, 개발자용으로는 에이전트 간 통신(A2A) 기반 API를 early access로 연다. Gemini와 연결하는 통합 예시도 함께 제공한다.
작동 방식
에이전트는 WeatherNext, Flood Forecasting, 인구 역학 파운데이션 모델(PDFM), AlphaEarth Foundations, Remote Sensing Foundations 같은 Earth AI 파운데이션 모델과 연결된다. Google Maps Platform(장소 정보, 경로, 대기질, 지붕 태양광 잠재력), Google Earth Engine, Data Commons, Google Dataset Search의 정보도 쓴다.
Earth AI 기능은 모듈형 스킬로 묶여 있어 질문에 필요할 때만 호출된다. 복잡한 작업 전에는 단계별 분석 계획을 짜고, 지역 데이터가 부족하면 대체 데이터셋을 고른다. 용량이 큰 지도 레이어는 별도 작업 공간에서 처리한다. 이렇게 하면 정확성을 유지하고 데이터 출처를 추적하면서도 에이전트의 컨텍스트 창이 방대한 공간 데이터로 넘치는 일을 피할 수 있다. 응답에는 계획과 사용한 데이터 출처가 함께 표시되어, 전문가가 가정을 점검하거나 데이터셋을 바꿀 수 있다.
사용자는 API로 자체 데이터를 넣을 수 있다. CSV 스프레드시트, GeoJSON 형식의 사용자 지정 경계, 클라우드 테이블을 지원하며, 비공개 위치 정보를 Earth AI의 글로벌 모델·카탈로그와 결합해 달라고 요청할 수 있다.
이 에이전트는 최근 발표된 Planetary Prediction Engine도 구동한다. 지역별 질병 발생률, 작물 수확량, 전력망 장애 같은 지역 결과 데이터를 주면 관련 인구·환경 신호를 자동으로 고르고, Population Dynamics Insights와 Custom Satellite Embeddings를 결합해 검증된 머신러닝 모델을 학습시킨다. 용도는 공간 예측, 초해상도 다운스케일링, 예보다. Google은 공중보건 연구에서 두 신호를 합치자 인구통계 기준선보다 건강 결과 예측이 12% 좋아졌고 8배 더 세밀한 해상도로 지도를 그릴 수 있었다고 밝혔다.
평가 결과와 한계
보고서는 Gemini 3.8 Flash와 Gemini 3.1 Pro를 기반으로 네 가지 구성을 비교했다. 단독 LLM, 웹 검색과 지도 그라운딩 도구를 붙인 LLM, 계획 단계 없이 Earth AI 도구만 붙인 LLM, 모든 질의를 계획 단계로 시작하는 전체 에이전트다. 계획 단계에서는 가능한 일과 불가능한 일을 판단하고 필요한 검색·처리 단계를 정한다.
벤치마크는 네 가지다. 외부에서 만든 CBGB(지리공간 코드 생성)와 UnivEARTH(질의응답)에 더해, Google이 GeoExpertQueries와 GeoKTools를 새로 개발했다. GeoExpertQueries는 위기 대응, 입지 선정, 공중보건 같은 분야의 실제 질의에 전문가가 작성한 모범 작업 흐름을 붙였다. GeoKTools는 정답을 검증할 수 있는 템플릿형 질의로, 각 질의에 지리공간 도구 1~4개의 올바른 선택과 사용이 필요하다. Google은 두 벤치마크의 개발용 분할을 전부 공개해 연구자가 자신의 에이전트를 시험할 수 있게 했다.
Google은 결과에서 두 가지를 꼽았다. 웹 검색, 지도 그라운딩, 코드 실행만 가진 에이전트는 정량적 공간 과제에 약했고, Earth AI 스킬을 붙이자 GeoExpertQueries, GeoKTools, CBGB에서 큰 폭으로 올랐다. 예외는 UnivEARTH로, 단독 LLM도 93.6%를 받았다. 원본인 NASA 기사와 정답이 공개 웹에 있기 때문으로 추정했다. 또 CBGB와 GeoKTools 같은 좁은 과제는 스킬만으로 충분하지만, GeoExpertQueries 같은 개방형 문제는 사전 계획이 있어야 다단계 분석에서 길을 잃거나, 신뢰하기 어려운 가정을 세우거나, 공간 도구 대신 웹 검색으로 지름길을 택하는 일을 막을 수 있다고 밝혔다.
보고서는 한계도 적었다. GeoExpertQueries 점수는 정답 자체가 아니라 분석이 거쳐야 할 단계를 정의한 전문가 작업 흐름과 에이전트의 수행을 비교하는 자동 평가기에서 나온다. 그래서 Google은 에이전트의 결과물을 전문가가 검토하고 보완할 초안으로 본다. 점수는 0~100이며 세 번 실행한 평균이고, 벤치마크마다 채점 방식이 달라 같은 행 안에서만 비교해야 한다.
파트너 시험
최근 몇 달간 WHO 아프리카 지역사무소, People in Need, GiveDirectly, Milken Institute, WPP 등이 질병 발생 조사, 재난 대비, 청정에너지 후보지 선별 같은 자체 업무에 이 에이전트를 시험했다.
WHO 아프리카 지역사무소(WHO AFRO) 다카르 비상대응 허브는 2026년 콩고민주공화국(DRC) 에볼라 발병 초기에 이 에이전트를 썼다. 위성 영상의 산림 손실, 지도·웹 데이터의 광산 위치, 인구 데이터를 교차해 노출 위험과 이동성이 높은 외딴 광산 회랑을 지도로 그렸다. 몇 분 만에 노출 정착지 48곳과 위험 인구 4만 5,500명 이상을 찾았고, 보통 몇 주 걸리는 작업이라고 Google은 전했다. 현지 대응팀은 이동 검사실 배치와 국경 감시 조율에 이를 활용했다. DRC 국립생물의학연구소(INRB)의 감염병 모델링·인텔리전스 부서(Epidemic Modeling and Intelligence Unit, UMIE)는 Planetary Prediction Engine으로 감염되지 않은 지역으로 에볼라가 퍼질 위험을 추정했다.
출처
이 기사는 아래 자료를 바탕으로 정리했습니다. 제목을 누르면 원문이 새 창으로 열립니다.
