公共卫生监测长期受制于数据滞后与缺口，疫情往往在察觉前已蔓延。如今，这一局面正被打破。谷歌已将地球平台转化为全球健康传感器，融合卫星影像、人口流动、气象记录及匿名搜索信号，通过基础模型生成按月更新的位置嵌入向量。
从被动响应到早期预警
卫生机构已开始在实际场景中应用该工具。在世卫组织非洲办事处应对刚果（金）埃博拉疫情时，一款原型地理空间推理代理系统仅用数分钟便识别出48个受暴露定居点及超4.55万名风险人群，而传统制图需数周。这使救援人员能更快调动移动实验室并加强边境检查。
核心在于谷歌的人口动态基础模型（PDFM）。它将多元信号压缩为地点的“指纹”向量，无需针对特定任务训练即可插入现有统计模型，显著提升性能。
在西奈山医院、波士顿儿童医院和哈佛大学的研究中，PDFM成功捕捉美加边境跨境行为溢出效应，使麻疹疫苗接种覆盖范围预测的解释方差提高36%。模型生成的邮政编码级估算值与实际爆发地点高度吻合，助力精准开展外展工作。
针对滞后的心血管疾病数据，PDFM实现了对新近死亡数据的实时预测，准确性比肩人口普查数据且更新更及时。在大型异常县，其均方根误差降低20%，有效填补数据空白而非取代传统社会经济数据。
在墨西哥，牛津大学与蒙特雷科技大学团队将PDFM与TimesFM时间序列模型结合，提升了登革热短期预测精度，尤其在活跃传播热点地区。早期研究显示，类似在巴西的应用使长期预测质量在12个月内从R² 0.456提升至0.656。
对于随水流和人口密度传播的霍乱，世卫组织非洲办事处在刚果（金）将PDFM与历史病例及气象数据配对，使热点区域预测准确率较基线模型提高35%以上，官员可提前八周发现高风险区。该方法还帮助Cooper/Smith精准预测马拉维诊所利用率，优化资源分配。
即便在孕产妇心理健康领域，PDFM也增加了美国各州产后抑郁症风险模型的预测价值。但研究强调，该工具仅为辅助，无法消除人口统计学偏见或替代临床筛查。
自动化引擎与潜在风险
谷歌研究人员在10月6日的博客文章及arXiv论文中指出，PDFM作为“即插即用”组件，在多种疾病和地理环境中表现匹配或优于传统输入。结合AlphaEarth卫星嵌入向量，原型的行星预测引擎自动化了大部分建模流程，早期测试显示其平均表现高于手动专家流程。
然而，技术伴随风险。今年早些时候，Google Earth内AI生成虚假灾难图像的功能因引发虚假信息担忧而被禁用，削弱了卫星影像作为“地面真相”的信任度，可能延缓谨慎机构的采用步伐。
目前，访问权限正通过Google Maps Platform和云服务扩大。GiveDirectly、Victor Chang心脏研究所及Direct Relief等合作伙伴已超越研究阶段，利用模型引导洪水后援助、探索慢性病模式及测试传染病应用。
谷歌地球AI不诊断患者或制定政策，而是在行星尺度揭示模式、减少盲区。在马拉维、墨西哥和刚果，官员们正查看比自身报告周期更新更快的风险地图。随着模型持续吸收新信号，公共卫生预测正从被动反应转向主动预期，为资源前置争取宝贵时间。