Google Groundsource 用 Gemini 把新聞變成災害資料，說明 AI 正在吃進公共決策最難整理的一層

Google Research 在 3 月 12 日發表 Groundsource，核心目標很直接: 用 Gemini 把全球新聞報導轉成可計算、可比對、可拿來做預測的災害資料。第一個落地案例是洪水，官方說這套系統已從 150 多個國家、80 種語言的新聞中，整理出 260 萬筆 flash flood 事件。這條消息的真正價值，不在於 Google 又做出一個新資料庫，而在於它把一個長期難題推進了: 如何把自然語言中的混亂描述，變成足夠穩定的公共決策輸入。

傳統災害資料常有兩種困境。第一，官方通報速度未必快，且不同地區標準不一。第二，大量現場資訊其實已經存在於媒體與地方報導裡，但因為語言、格式與描述方式都太散，難以直接用來建模。Groundsource 要解決的正是這層摩擦。Google 官方寫得很清楚，Gemini 在這裡負責的不是華麗生成，而是分類、時間推理、地理定位與標準化抽取。

更重要的是，它把結果說成有「60% 精準命中地點與時間、82% 實務上可用」的品質，並聲稱能覆蓋 2020 到 2026 年間 GDACS 嚴重洪水事件的 85% 到 100%。這不是完美資料，但已經足夠說明一件事: 當 AI 模型被拿來處理跨語言、跨區域、跨格式的現實世界敘述時，它開始有能力在傳統官方資料還沒完全整理好之前，先把輪廓抓出來。

這個專案最值得市場注意的，不只是在防災，而是在資料產業。很多高價值決策並不是缺模型，而是缺整理過的輸入。語言裡明明有訊號，但進不了系統。Groundsource 代表的正是另一種 機器學習 方向: 不是追更大的 benchmark，而是把分散在新聞、通報、敘述和觀察裡的資訊，先拉進一個可運算層。

如果把它放回 Google 整體 AI 佈局看，會發現它其實有兩條腿。一條是面向使用者的入口產品，把查詢與任務變成更自然的互動；另一條是像 Groundsource 這種看起來沒那麼消費級，卻更深地把模型塞進資料生產層。前者搶流量，後者搶基礎能力。

Groundsource 還有一個容易被低估的點: 它不是只做「新聞摘要」，而是把新聞轉成支持 24 小時近全球都市 flash flood forecast 的資料基礎。這說明 Google 看中的不是內容理解本身，而是讓語言訊號能反過來改善預測與基礎設施系統。當新聞不只是被人閱讀，而是被模型持續吸收成結構化世界狀態，AI 的角色就開始從助理，往觀測層和決策層靠近。

這也讓人重新思考公共部門與企業資料流程。未來很多行業真正的競爭，不一定發生在模型 API 價格，而是誰先把原本散落在外部敘述裡的訊號收進自己的 operational layer。保險、物流、農業、能源、供應鏈甚至金融風控，都可能照著同一條路走。

因此，Groundsource 對 AI 產業的意義，不只是 Google 又多了一個 research demo。它更像一個範例，證明大型模型已經開始能把語言世界的雜訊，轉成決策世界的結構。當這件事做得夠穩，很多原本被視為「資料不足」的領域，接下來會變成「其實資料很多，只是以前沒人有能力整理」。