구글 리서치, 지리공간 추론 에이전트 보고서 공개

구글 리서치가 10월 14일 지구 데이터를 분석하는 지리공간 추론 에이전트의 기술 보고서를 공개하고 실험 접근을 넓혔다. 제미나이를 바탕으로 한 이 에이전트는 위성·기상·홍수·인구 기초 모델을 도구로 묶고, 질문을 받으면 분석 계획부터 세운 뒤 실행한다. 보고서에 따르면 전문가가 설계한 개방형 과제 벤치마크에서 도구 없는 대규모언어모델(LLM)은 0점, 웹 검색과 지도 같은 기본 도구를 붙인 모델은 3.3점에 그쳤고 이 에이전트는 62.7점을 받았다. 구글은 구글 어스 안의 대화형 심층 분석 기능과 개발자용 에이전트 간(A2A) 서비스로 일부 이용자에게 시험 사용을 연다.

출발점은 범용 모델의 약점이다. 구글 리서치의 슈라비아 셰티 디스팅귀시드 엔지니어와 루크 배링턴 제품 디렉터는 블로그 글에서 행성 규모 데이터셋은 너무 크고 지도·위성 형식이 특수해 여러 단계를 꼼꼼히 계획하지 않으면 정확히 결합하기 어렵다고 밝혔다. 그래서 에이전트는 제미나이를 WeatherNext, 홍수 예보, 인구 동태 기초 모델(PDFM), AlphaEarth Foundations, 원격탐사 기초 모델에 잇고 구글 지도 플랫폼의 장소·경로·대기질·지붕 태양광 잠재량 정보와 구글 어스 엔진, 데이터 커먼스, 데이터셋 검색까지 끌어온다.

설계의 핵심은 맥락 관리다. 어스 AI 기능은 모듈형 스킬로 포장돼 질문이 필요로 할 때만 호출된다. 에이전트는 복잡한 연산 전에 단계별 분석 계획을 짜고, 지역 데이터가 부족하면 대체 데이터셋을 고르고, 큰 지도 레이어는 모델의 맥락 창 밖 전용 작업 공간에서 처리한다. 답변마다 계획과 사용한 데이터 출처를 보여 줘 전문가가 가정을 점검하거나 데이터셋을 바꿀 수 있다. 이용자는 CSV 표, 사용자 지정 경계(GeoJSON), 클라우드 테이블로 자기 데이터를 올려 구글의 전 지구 모델과 결합할 수 있다.

평가는 네 가지 구성을 같은 모델 위에서 비교하는 방식이다. 39쪽 분량 보고서는 Gemini 3.8 Flash와 Gemini 3.1 Pro 각각에 도구 없는 LLM, 기본 도구를 붙인 LLM, 어스 AI 도구만 붙이고 사전 계획은 뺀 구성, 계획 단계까지 갖춘 완성형 에이전트를 놓고 벤치마크 네 종으로 쟀다. 구글이 새로 만든 GeoExpertQueries는 전문가가 쓴 132개 문제 가운데 풀 수 없는 것을 걸러 낸 101개 개방형 과제로, 문제마다 독립 전문가 세 명이 합의한 모범 작업 흐름이 붙어 있다. 함께 만든 GeoKTools는 92개 템플릿에서 뽑은 305개 문항으로 24종 도구 가운데 1~4종을 정확히 골라 써야 풀린다. 구글은 두 벤치마크의 개발용 문항을 연구자에게 공개했다.

결과는 도구가 가장 큰 차이를 만든다는 쪽이다. 메탈이 확인한 보고서 표에 따르면 Gemini 3.8 Flash 기준 GeoKTools 점수는 도구 없는 LLM 40.5점, 기본 도구 40.0점에서 어스 AI 도구를 붙이자 86.0점으로 뛰었다. 지구 관측 코딩 벤치마크 CBGB도 12.9점과 19.7점에서 87.9점이 됐다. 사전 계획은 개방형 과제에서 10.5점을 더해 GeoExpertQueries를 52.2점에서 62.7점으로 올렸고, 분야별로는 자연재해·위기 대응 과제가 45.6점에서 66.0점으로 가장 크게 올랐다. 반면 Gemini 3.1 Pro에서는 계획 단계를 붙인 에이전트가 47.6점으로 도구만 붙인 구성의 50.8점보다 3.2점 낮았다. 미국항공우주국(NASA) 문서 기반 문답인 UnivEARTH에서는 도구 없는 LLM도 93.6점을 받아, 구글은 원문이 웹에 공개된 탓에 이 벤치마크가 포화됐다고 봤다. GeoExpertQueries 점수는 최종 답의 정오가 아니라 전문가 작업 흐름과의 일치를 자동 채점기로 잰 값이어서, 구글은 에이전트의 결과물을 전문가가 검토할 초안으로 규정했다.

현장 시험에서 가장 구체적인 숫자는 공중보건에서 나왔다. 세계보건기구 아프리카 지역사무소(WHO AFRO)의 다카르 비상대비대응 허브는 2026년 콩고민주공화국 에볼라 발병 초기에 위성 영상의 산림 손실과 지도·웹의 광산 위치, 인구 데이터를 교차해 사람의 이동이 많은 외딴 광산 회랑을 지도로 그렸다. 몇 분 만에 노출된 정착지 48곳과 위험 인구 4만5500명 이상을 찾아냈고, 이는 보통 몇 주가 걸리던 작업이었다. 현지 대응팀은 이를 근거로 이동식 실험실을 먼저 배치하고 국경 감시를 조율했다. 콩고 국립생물의학연구소(INRB)의 감염병 모델링 부서는 행성 예측 엔진으로 미감염 지역에 에볼라가 번질 위험을 매주 추정했다. 에티엔 코우아 WHO AFRO 비상대비대응 허브 코디네이터는 "광부처럼 이동하는 인구는 기존 종이 감시가 따라잡지 못할 만큼 빨리 움직여 위험한 사각지대를 만든다"며 "어스 AI는 위성과 이동 신호로 그 틈을 메워 바이러스를 뒤쫓는 대응에서 다음에 닥칠 곳을 예측하는 대응으로 옮겨 준다"고 말했다.

재난 대비에서도 시간 단위가 바뀌었다. 구호단체 피플 인 니드는 과거 사이클론 경로 14개를 분석해 노출이 큰 마을을 찾았다. 알론소 곤살레스 GIS·원격탐사 코디네이터는 "수일 걸리던 수작업 GIS 대신 몇 분 만에 노출이 큰 마을을 가려내, 생명을 구하는 사전 대응에 쓸 시간을 벌었다"고 말했다. 현금 지원 단체 기브디렉틀리는 사용자 지정 경계를 올려 열대 사이클론 마일라의 풍속 구역별 인구 노출을 계산하고 미시시피 토네이도 피해를 가늠하며 위기 범위 산정을 며칠에서 몇 분으로 줄였다. 밀컨 연구소는 1500곳이 넘는 후보 건물 목록을 구글 지도 플랫폼의 태양광 API와 인구조사 자료에 붙여 지역 회복력 거점 부지를 골랐고, 광고 기업 WPP는 인구 동태 정보를 자사 데이터와 결합해 지역 마케팅 캠페인 성과를 높였다.

이번 발표는 앞선 연구의 연장선이다. 에이전트는 구글이 최근 내놓은 행성 예측 엔진도 움직인다. 지역별 질병률이나 작황, 정전 같은 사용자의 현장 데이터를 받으면 관련 인구·환경 신호를 스스로 골라 공간 예측과 고해상도 상세화, 예보용 머신러닝 모델을 학습시킨다. 구글의 공중보건 연구에서는 인구·위성 신호를 결합하자 건강 결과 예측이 인구통계 기준선보다 12% 좋아졌고 지도 해상도는 8배 세밀해졌다. 메탈은 구글 리서치가 지리공간 AI의 공중보건 사례를 공개했다고 보도한 바 있으며, 이번 보고서는 그 사례 뒤에 있는 에이전트를 처음으로 체계적인 벤치마크 위에 올렸다. 파트너 시험의 피드백으로 도로망 경로 계산, 더 큰 업로드 데이터 지원, 공신력 있는 지역 데이터 탐색 기능이 새로 붙었다.

엔지니어의 눈으로 보면 이 보고서의 결론은 모델 크기보다 배선이다. 같은 모델이라도 전문 도구를 붙이면 점수가 두 배 넘게 뛰었고, 계획 단계는 정답이 하나로 정해지지 않은 문제에서만 값을 했다. 보고서는 완성형 에이전트 안에서 더 최근 모델인 Gemini 3.8 Flash가 Gemini 3.1 Pro보다 GeoExpertQueries와 GeoKTools에서 앞서면서 비용은 더 낮았다고 적었다. 지구 규모 분석에서 경쟁력은 더 큰 모델이 아니라 어떤 데이터를 어떤 순서로 부르는지를 설계하는 쪽에서 나온다는 뜻이다. 구글은 관심 신청서와 조기 접근 풀로 시험 사용자를 받고 있다.