以下或许是一位地理科研工作者的日常：为了让所需的地理模型表现得更好，他不断和大模型（如ChatGPT）对话，尝试改进代码或修复bug。
大模型给出的初版答案往往并不完美，于是研究者又会根据结果提出新的修改意见。就这样一来一回，经过不断交互，代码逐渐被打磨得完善。
这种「和大模型互动、改进算法」的方式，已经成为地理研究的常见操作。
那问题来了：能不能更进一步？——让这种交互—改进的过程自动发生，让AI不再只是帮手，而是真正像科学家一样，自己去进化地理模型？
MIT和斯坦福学者提出了GeoEvolve，尝试了这样一种探索：
🌍把地理知识「嵌入」AI，让它的进化更靠谱、更接近地理学原理；
🤖让大模型不只是辅助工具，而是成为能够自主改进算法的「科研合作者」。
传送门：https://arxiv.org/abs/2509.21593
项目地址：https://vezarachan.github.io/GeoEvolveWebPage/
GeoEvolve 已经开源为 Python 包，可直接安装使用（pip install geoevolve）。
研究背景
地理空间建模是理解气候变化、推动城市可持续发展的关键工具。
但传统方法往往依赖专家经验：提出假设、设计算法、不断调参改进。
近年来，大语言模型（LLMs）展现了自动进化代码的潜力。比如Google最新推出的AlphaEvolve，就能让AI自己尝试、变异、优化算法。
然而，这类系统有一个天然短板——它们并不懂地理。如果完全放任AI去进化，很容易「跑偏」，生成的模型缺乏地理学上的合理性。
正因如此，GeoEvolve的提出构建了一个结合AI自主进化与地理知识引导的新框架。
GeoEvolve框架
如图1所示，可以把GeoEvolve想象成一个「由导师和博士生组成的GeoAI研究团队」：
内循环：AI扮演博士生，基于初始代码，互相交流，不断试错、生成和改进算法；
外循环：一个「导师」——地理知识库（GeoKnowRAG）在旁提醒，确保演化方向符合空间理论。
GeoEvolve的四个核心模块分别是：
代码进化器(自动生成和变异候选算法)，
代码分析器(诊断问题、提出改进思路)，
地理知识检索器（GeoKnowRAG，提供空间学理论与经典方法），
知识驱动提示生成器(把复杂的地理知识转化为AI能理解的优化指令)。
通过这套双循环机制，GeoEvolve不仅能写代码，更能逐渐学会像地理学家一样思考。
整个GeoEvolve的输入，只有三样：
原始模型——需要改进的地理模型（甚至可以是一张「白纸」的空白模型）；
评价指标——衡量模型优劣的标准（比如RMSE、MAE）；
提示语——给大模型的一句话任务说明（例如：「请帮我改进这个Kriging模型」）。
图1.GeoEvolve所依赖的基本思想，地理知识引导下的算法进化。虚线框表示通用的算法生成引擎(例如AlphaEvolve)。外部流程展示了本文提出的知识引导型算法生成方法，专门面向地理空间建模场景。
图2展示了GeoEvolve详细的框架。
GeoEvolve旨在通过结合进化式代码生成与结构化地理空间知识，实现地理空间模型的自动发现。
与通用的代码智能体不同，GeoEvolve融合了来自空间建模文献与经典算法的领域知识，从而能够探索并发现新的地理空间算法。
它由四个主要部分组成：(1)代码进化器，(2)演化代码分析器，(3)地理知识检索器，以及(4)知识驱动提示生成器。
这些组件共同构成了一个闭环的代码生成、评估与改进过程，从而推动地理空间模型的自动化发现。
图2.GeoEvolve的框架
如图3所示，为了避免AI在进化过程中「跑偏」，GeoEvolve引入了一个专门的地理知识检索模块（GeoKnowRAG）。
它相当于一个「地理知识库」，收集了来自Wikipedia、arXiv和GitHub的核心资料，包括空间自相关、异质性、Kriging、地理加权回归等经典概念与算法。
系统会把这些知识转化为结构化数据库，并在AI进化时调用，通过智能检索与融合（RAG-Fusion），为代码生成提供有理论支撑的提示。
这样，AI就能在「懂地理」的前提下进行算法改进，确保进化出的模型既聪明又可靠。
图3.GeoKnowRAG的框架
案例研究：对Kriging的自动化改进
Ordinary Kriging是地质统计学中最经典的空间插值方法，被广泛应用于环境监测、气候分析和资源勘探。
但它的核心算法提出已久，后续研究更多是「外挂式」的结合，比如与回归模型结合形成regression kriging，而对Kriging本身结构的改进几乎没有新的突破。
GeoEvolve得到的全新Kriging model
在实验中，GeoEvolve在保留Kriging核心的基础上，通过进化和知识引导自动注入了多项改进，仅选取几个为例展示：
自适应经验变差图估计
原始方法用固定分箱，容易受异常值影响。
GeoEvolve借鉴统计学方法，引入Silverman分箱规则、分位数分箱和截尾均值，自动确定合适的区间数量。
多起点全局拟合
传统拟合容易陷入局部最优。
GeoEvolve用多起点优化+L1或加权最小二乘，保证参数物理意义合理（如变程不为负）。
自适应数据变换
在数据偏态严重时，GeoEvolve会自动选择合适的对数变换+偏移量，保证残差分布更合理，预测更稳定。
上述改进如果单独来看，也许只是一些「渐进式增强」；但当它们被GeoEvolve自动组合、进化，并在真实实验中显著提升预测精度时，就展现出强大的效果。
将GeoEvolve-Kriging与其他自动化算法发现的Kriging模型进行对比，选取澳大利亚某矿区的铜（Cu）、铅（Pb）、锌（Zn）预测作为实验场景。
如表格所示，结果差异十分明显：
原始Kriging：表现最差，预测误差最高；
OpenEvolve-Kriging：在部分指标上有所改善，但在锌元素预测中反而退步；
加入地理知识提示的OpenEvolve：并没有带来额外提升，说明缺乏针对性的知识很难真正帮助算法演化；
GeoEvolve（无知识库版本）：已经显著优于OpenEvolve，但仍不及完整版本；
完整GeoEvolve-Kriging：始终表现最佳，在三种金属元素的预测中都取得了最低RMSE和MAE。
具体来说，GeoEvolve相比OpenEvolve-Kriging，RMSE分别降低了11.3%（Cu）、20.9%（Pb）、13.5%（Zn）；相较于原始Kriging，降低幅度更是达到15.4%、21.2%、13.0%。
这清楚地表明，结构化的地理知识库（GeoKnowRAG）在算法进化中起到了关键作用，让AI不仅能写出代码，更能在「懂地理」的前提下进化出更强的插值模型。
总结
GeoEvolve的实验结果告诉我们：AI不只是会修改代码，它还可以在地理学知识的引导下，自主进化出更强的经典模型。这意味着：
未来的地理建模，不一定总是研究人员「手工设计」，然后基于LLMs进行修改；
我们可以让算法开发过程完全自动化，让AI不断试错、吸收知识，最终学会像地理学家一样思考；
GeoEvolve展示了一条通向可信赖的GeoAI的新道路，也为AI-for-Science在地理科学和可持续发展中的应用打开了可能。
或许在不久的将来，AI将不仅是工具，更是科研合作者。
参考资料：
Luo，P.，Lou，X.，Zheng，Y.，Zheng，Z.andErmon，S.，2025.GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models. arXiv preprint arXiv:2509.21593
本文来自微信公众号“新智元”，作者：新智元，编辑：KingHZ，36氪经授权发布。
