Google S2Vec：用咖啡店與公車站的位置，學出「城市的語言」

Google 訓練了一個 AI，光靠數地圖上有幾家咖啡店、幾個公車站、幾棟高樓，就能預測你住的社區收入大概多少。沒人告訴它「收入」是什麼。

這是 Google Research 在 2026 年 4 月發表的 S2Vec，Earth AI initiative 的一部分。論文已上 arXiv（2504.16942），原始 blog 在 research.google。

S2Vec 在做什麼

S2Vec 是一個 self-supervised geospatial embedding 模型——把任何地點變成一組數字（向量），這些數字壓縮了「這個地方是什麼樣的環境」。

關鍵字三個：

S2 Geometry library：Google 自家的地球網格切分工具，把地表切成階層式六邊形/矩形 cell。S2Vec 用它把世界切塊，每塊裡的 built environment（建築、道路、商店、交通節點）變成 rasterized feature image。
Masked autoencoding（MAE）：把 feature image 隨機遮住一部分，讓模型學著「補」回去。這是 ViT/MAE 那套 self-supervised 訓練方式搬到地圖上。
下游任務：訓練好的 embedding 拿來做地理空間迴歸——預測人口密度、median income、碳排放、樹覆蓋、海拔。

訓練過程從來沒有 income label。模型學到的是「都市紋理」本身——但這個紋理跟收入高度相關，所以下游迴歸 head 一裝上去就能預測。

為什麼這件事有意思

過去要做「社區層級的社會經濟預測」，主流路線是兩條：

政府統計資料——準，但更新慢、只有人口普查間隔有，地域粒度受限。
衛星影像 + CNN——粒度細，但需要大量標註資料，遷移到新國家就要重訓。

S2Vec 的提案：built environment 本身就是一種訊號密度極高的資料。一條街上有什麼商店、幾個公車站、建築物多高——這些都是公開地圖資料（OpenStreetMap、Google Maps），可以全球取得。把這些變成 embedding，下游接一個小的迴歸模型，就能跨地域、跨時間做預測。

Google 自家的評估：在地理外推（用美國某些州訓練、預測沒看過的州）上 S2Vec 跟影像基準競爭力不錯。

但...

論文有一個 Google 自己也承認的弱點：

結果顯示「built environment」資料單獨並非總是足夠。

具體來說：

環境變數（樹覆蓋、海拔、碳排放）預測比較弱。理由很直觀：一個社區有沒有森林、海拔多高，跟「有幾家咖啡店」沒有強相關。
社經變數（人口密度、median income）預測強——因為這兩件事本來就跟「都市纹理」高度相關。

換句話說，S2Vec 學到的是人造環境的語言，不是地球本身的語言。要做完整的 geospatial AI，還需要把衛星影像、地形、氣候資料融合進來。

倫理面的潛在問題

「用商店分布預測收入」這個能力可以被很多方式使用，並不全是好的：

保險定價、信貸授信：基於 ZIP code 的歧視已經有歷史包袱。把它推到「街區」粒度只會加劇問題。
房地產預測：商業上有用，但同樣會放大既有的價格分層。
政策研究：相對正向——快速找出資源不足的社區，但前提是別變成「貼標籤」工具。

Google blog 沒有花太多篇幅談這部分。但 self-supervised 模型最危險的就是「沒人告訴它定義，所以它學到的可能是 spurious correlation」。咖啡店密度跟收入的關聯，在某些地區可能反映的是 gentrification 的歷史創傷，而不是因果。

對台灣 / 華語區的意義

S2Vec 訓練在美國資料上，但因為它不依賴 supervised label，理論上把台灣 / 中國 / 東南亞的 OpenStreetMap 餵進去，可以重新 embed 整個區域。

實務挑戰：

OSM 在亞洲的覆蓋度不均——台灣、日本、韓國 OK，東南亞鄉村區域稀疏。
「都市紋理」的文化遷移性——夜市、寺廟、機車店這種類別在 S2Vec 的特徵空間裡可能完全沒有對應。
隱私法規：歐盟 GDPR、台灣個資法對「街區層級的社經推論」會怎麼看，目前是灰色地帶。

S2Vec 是一個漂亮的研究——把 self-supervised + geospatial 結合，省下標註成本，跨地域可遷移。但它同時也是又一個提醒：沒有 label 不代表沒有偏見，只代表偏見藏在資料分布裡。

論文連結：arXiv:2504.16942 原文 blog：research.google/blog/mapping-the-modern-world