Planetary Prediction Engine（PPE）
Planetary Prediction Engine（PPE） 是 Google Research 在 Google Earth AI 旗下介紹的 experimental research capability。它把自然語言的 geospatial predictive query，交給由 LLM 編排的資料發現、資料清理／整理、特徵工程、模型訓練、評估與報告生成流程；來源主張原本需要數週的人工資料工程，可縮短到數分鐘，但 PPE 仍是 early-stage research project，這些效能與 benchmark 結果都是 Google Research attribution，不等於獨立重現或可直接部署的證據。
最小架構
PPE 的核心不是單一 foundation model，而是把 geospatial modeling 拆成可交接的模組：
- Intelligent data selection：依預測問題尋找並選擇相關的地理空間資料與 covariates。
- Dataset curation：清理資料、處理資料缺口並完成 feature engineering，形成可供模型使用的資料集。
- AutoML & prediction：訓練、評估與最佳化預測模型，產出 predictions 與 final report。
每個階段由 LLM 作為 orchestrator，但階段之間以 well-defined inputs／outputs 交接。資料 artifact 使用 opaque handles 傳遞，而不是把完整資料序列化進下一個 LLM prompt；這是把大型中間結果移出 context window、降低上下文瓶頸的具體設計。這個模式可與 data-science-agents 的 Planner／Coder／Verifier／Router loop 對照，但 PPE 把資料型態從一般異質檔案推進到需要 spatial validation 的 planetary-scale data。
研究任務與報告結果
Google Research 以不同 machine-learning paradigms、地理區域與科學領域組成多維評估矩陣：
- 美國公共衛生與環境 spatial regression：21 項 CDC health indicators 的平均 R² 為 76.8%，對照 manual expert pipeline 的 60.0%；FEMA national risk indicators 為 64.9% 對 60.0%，Social Vulnerability Index 為 66.2% 對 58.6%。
- 奈及利亞 food security super-resolution downscaling：從 ADM1 省級資料下推至 ADM2 local government area，R² 為 66.1% 對 31.5% baseline。
- 剛果民主共和國 Ebola nowcasting：五次連續每週預測中，Recall@10 為 83.3%，辨識 18 個新入侵 health zones 中的 15 個；相對發表的 Bayesian baseline 約 73%，絕對提升 10.3 個百分點。
這些數字只能說明來源報告的特定任務結果；評估 PPE 時仍需追問資料切分、地理泛化、時間外推、baseline 是否公平，以及是否有外部重現與真實決策成效。
Multimodal fusion 與 intelligent data selection
PPE 的可重用判準是把兩種互補訊號放在一起：
- Structured statistical covariates 提供可解釋的顯式訊號。
- Foundation model embeddings（例如 Population Dynamics Embeddings 與 AlphaEarth Foundations embeddings）提供從大規模預訓練資料學到的非線性地理空間表徵。
來源的 ablation 結果主張，multimodal fusion 加上 intelligent data selection 優於只用單一模態的 baseline。這不只是「再接一個模型」，而是讓 agent 先決定哪些資料值得進入任務，再把可追蹤的資料 artifact 交給後續預測流程；因此可連到 world-models 所強調的可更新世界狀態與預測層，也和 agent-ready-data-governance 的資料語意、權限與可驗證中間結果相接。
與既有研究 loop 的關係
PPE、empirical-research-assistance 與 discovery-loop 都採用相近的 問題／成功指標 → 搜尋或選擇資料 → 執行可計算產物 → 評估 → 回報或下一輪修正 抽象，但焦點不同：
- ERA 偏 scientific coding 與跨領域 computational experiments。
- Discovery Loop 偏把 research loop 作為公司與跨領域研究基礎設施。
- PPE 偏 geospatial data discovery、spatial modeling 與 time-sensitive prediction，並把各階段的大型資料用 artifact handle 隔離於 LLM context 之外。
因此 PPE 是 data-science-agents 從資料分析 agent 延伸到地理空間預測的一個案例，不應被簡化成「LLM 自動跑 AutoML」；真正的工程難點在於資料選擇、空間泛化、任務級評估與中間 artifact 的交接。
AI Ark 的採用檢核
- 先定義預測目標、時間 horizon、地理單位與成功指標，再決定是否值得自動化。
- 將 data selection、curation、feature engineering、training、evaluation 與 report 分成可回查的階段，不把大資料直接塞入 prompt。
- 同時保留 interpretable covariates 與 latent embeddings，透過 ablation 檢查融合是否真的提供增益。
- 以 unseen geography、時間外推、data-scarce 區域與 failure cases 做 task-level eval；不要只採用 demo 或單一平均分數。可參考 eval-is-spec。
- 高風險的公共衛生、糧食安全與災害決策仍需要領域專家、資料 provenance、人工覆核與 deployment gate；來源沒有證明 PPE 已取代這些責任。