核心架构：PDFM基础模型与商业化预览
Google Earth AI技术架构涵盖人口动态基础模型（PDFM）与地理空间推理代理（Geospatial Reasoning agent）。作为一种新型地理空间基础模型，PDFM将保护隐私的搜索趋势、人类流动性、建筑环境密度以及环境决定因素压缩为330维的位置嵌入向量。
在商业化应用方面，基于该基础模型构建的商业数据集命名为Population Dynamics Insights（PDI），目前已在Google Maps Platform上以预览版形式开放。
突破传统流行病学监测瓶颈
传统流行病学监测常受制于数据报告滞后、地缘政治边界所导致的数据孤岛以及数据稀疏性等挑战；此外，传统建模通常高度依赖特定任务的数据采集和定制化工程管道，在疫情快速暴发或资源受限环境中难以快速部署。
为应对这些问题，PDFM在美国各邮政编码及县域建立了地理索引数据集，通过地图、繁忙度、搜索趋势以及天气和空气质量综合捕捉人类行为特征。其生成的即插即用嵌入向量能够直接增强流行病学家现有的统计和机器学习模型，无需从头搭建数据管道。
多国科研与公共卫生机构实证落地
谷歌已与牛津大学、蒙特雷科技大学、西奈山卫生系统、波士顿儿童医院、纽约大学朗格尼健康中心以及世界卫生组织非洲区域办事处（WHO AFRO）展开公共卫生领域合作。
在热带传染病预警方面，牛津大学与蒙特雷科技大学将PDFM与时间序列基础模型TimesFM 2.0相结合，预测墨西哥约2,450个市镇的登革热病例，在多达72%的活跃传播区域提升了预测精度。
在非洲，谷歌与WHO AFRO共同评估了刚果民主共和国（DRC）的次国家级霍乱病例预测模型，该模型整合了TimesFM 2.0、PDFM嵌入以及天气预报数据。
在疫苗接种与慢病监测领域，西奈山卫生系统、波士顿儿童医院与哈佛大学研究人员利用PDFM推算细化至邮政编码级别的MMR疫苗接种覆盖率，揭示了潜在的低接种率聚集区；针对美加边境146个县的研究显示，捕获跨境流动和信息溢出使模型解释方差提升了36%。同时，纽约大学朗格尼健康中心人口健康系也将该模型拓展到了心血管疾病等非传染性疾病的研究中。
Gemini驱动的跨模态决策推理
由Gemini驱动的地理空间推理代理能够将复杂的自然语言提问拆解为多步骤计划，并调用不同的基础模型进行跨模态协同推理。
该代理允许非专业用户使用自然语言进行复杂提问，自动关联气象、人口动态与卫星图像模型，在数分钟内为假设性场景（what-if scenarios）生成综合研判，为公共卫生决策提供支持。