Earth AI 拼接資料時，缺失值必須保留原意

Google 的2026 年 10 月 14 日更新擴大了 Earth AI 的實驗性存取範圍，其中包括智慧體間 API。對決策者而言，重要的問題是：智慧體合併資料之後，哪些資訊仍然保留？一張精緻的地圖，可能掩蓋意義上的關鍵變化：空白儲存格變成了確定的答案。

以下是我們提出的評估框架，並非認定 Google 的系統存在這種錯誤。原則很簡單：系統應區分實測為零、結果未被觀察，以及無法匹配至所需地點或時間的觀測。

兩張地圖，兩種過程

Groundsource於 2026 年 3 月推出，從新聞中擷取洪水事件。其配套預測研究說明指出，報導缺失會增加精確率衡量的難度。

假設兩個社區的實際洪水風險相同，各發生十次洪水，但資料庫在一個社區記錄了九次，在另一個社區只記錄了三次。按紀錄數量排序，前者是後者的三倍。這並不能證明實際洪水風險相差三倍。資料庫同時反映了物理事件，以及事件能夠被觀察和記錄的過程。

增加紀錄可以改善涵蓋範圍，卻未必消除這項區別。同樣，將資料庫與人口或物業資料結合，只有在分子和分母對應的地點、時期及觀測條件相容時，所得比率才有意義。更大的試算表無法修復不匹配的分母。

合併之後，含義仍須可見

我們建議地理空間智慧體在給出答案時，同時附上一份簡明的證據說明。對每項重要輸入，標明觀測時期、地理單位、缺失資料的處理方式，以及實施的轉換。目的不是堆出很長的參考文獻，而是清楚交代輸入如何變成輸出。

例如，使用者詢問兩個候選倉庫地點中，哪一個受到的洪水威脅較低。智慧體可能合併事件紀錄、建築物輪廓和預測。我們建議它先說明各類來源能夠支持什麼判斷，再給出排序。歷史報導描述已記錄事件；預測描述未來可能性；建築位置是曝險程度的輸入。合併之後，這些不同角色仍應清晰可見。

如果地點或時間無法協調，帶有限定條件的比較也許更合適。它同樣有用：它告訴決策者，補充哪一項觀測可能改變選擇，而不是把不確定性變成令人安心的顏色。

檢驗決策，而不只是答案

一個實用的驗收測試，可以從刻意不完整的資料開始。保持假設中的實際事件不變，只刪除某個地區的報導，再觀察智慧體是否調整信心程度、提示涵蓋差異，還是悄悄得出風險已經下降的結論。隨後用不匹配的時間區間和僅部分重疊的邊界重複測試。

第二項測試應檢查不確定性是否保留到最終摘要。智慧體可能在內部正確保留缺失值標記，卻在一句話建議中將它抹去。因此，地圖、計算和文字需要一起核對。

採購評估時，我們會比較系統在這些受控變化下的決策穩定性、限定條件的清晰程度，以及檢查資料轉換的便利程度。這些指標都不能單獨證明真實世界中的預測表現。它們回答的是一個更具體的運作問題：介面是否讓使用者分得清證據和假設？

地理空間 AI 的價值，在於合併來源時仍能保留它們之間的差異。最有用的輸出未必總是確定的排序。有時，它是準確說明哪些事情仍然未知，以及還需要什麼證據，才能讓排序經得起推敲。