Google Earth 以 Nano Banana 2 推出 AI 衛星影像生成功能後，因可快速製作虛構戰爭、災害與事故畫面而被撤回。此事件凸顯生成式 AI 與真實地理資料結合時的假訊息風險、平台信任問題與內容防護不足。
Google 於 7 月 30 日在全球 Google Earth 網頁版推出結合 Nano Banana 2 的 AI 圖像生成功能，讓使用者可在真實衛星、航空及 3D 影像基礎上，透過文字提示詞建立客製化場景。使用者只需在地點頁面按下 Create image，系統就會依據當地地形與建築特徵快速生成圖片。[1][2]
Google 原本將此功能定位為多用途工具，包含重現歷史場景、製作地點資訊圖、規畫房地產開發案、預覽建築工程與改造熟悉地點等情境。[1] 但功能上線後，研究人員與媒體很快證實，它也能被用來生成虛構的戰爭、災害與事故影像，例如邊境難民、核電廠火災、車禍、醫院旁彈坑等內容，且系統未有效拒絕這些請求。[1][2][6]
在輿論與安全疑慮升高後，Google 隔天便緊急撤回該功能，並表示將在建立更嚴格的防護措施期間暫停提供，未公布恢復時間。[1][5][8] Google 同時強調，生成圖像帶有 AI 生成標記，且不會出現在 Google Earth 的公開主要介面中。[2][4][5]
這起事件的核心問題，不在於單純的圖像生成，而是 生成式 AI 與 真實地理影像 的結合。Google Earth 本身提供衛星圖、航空影像與 3D 地圖作為視覺底座，這意味著模型輸出的內容具有高度地理可信度；當使用者看到熟悉地標、真實地形與建築輪廓時，便容易將 AI 生成內容誤認為真實照片。[1][2][9]
從風險設計角度看，這類功能屬於典型的 high-trust interface 問題。Google Earth 在大眾認知中通常是「觀察世界的可靠視角」，因此即使生成內容帶有浮水印，也無法完全消除視覺上的可信外觀。[1][2][10] 尤其當圖像被下載並轉貼至其他平台後，脫離原始介面與上下文，誤導效果會進一步放大。[7]
另一個技術缺口在於 policy enforcement。根據公開測試，系統對敏感提示詞的攔阻並不充分，研究者僅用一句話就能讓模型生成涉及難民、核設施、爆炸與醫院戰損等場景。[1][2] 這表示現有的 prompt screening、內容分類與輸出審查機制，至少在初期未能覆蓋地緣政治、災難與暴力情境。
Google 雖聲稱所有生成圖像都附有 SynthID 數位浮水印，且屬於 AI 生成標記，但這比較偏向 可追溯性，而非 事前防堵。[2][3][4] 換言之，水印有助於事後鑑別，卻不等於能阻止誤導內容被製作與散布。對於假訊息攻擊者而言，只要能先取得視覺上逼真的圖，再以截圖或轉載方式流通，風險就已經形成。[2][5][7]
短期影響主要落在 資訊可信度 與 平台聲譽。Google Earth 長期被視為地理資訊、教育展示與空間分析的重要工具，一旦 AI 生成功能被證明可快速製作假衛星圖，便會削弱使用者對平台「真實世界映射」的信任。[1][7][10]
中期影響則延伸到 新聞驗證 與 OSINT 工作流程。NPR 與研究人員的測試顯示，這些圖像看起來近似真正的衛星照片，若被用於社群平台傳播，可能造成媒體誤判，甚至被拿來包裝地緣衝突、災害現場或公共安全事件。[2][5][9]
對企業與政府單位而言，這代表未來在審視地理影像時，不能再只看畫面是否「像真」，還必須結合來源鏈、時間戳記、原始檔與多方比對。[1][2][13] 對一般使用者而言，風險則是更容易被以地圖為底的 AI 內容誤導，尤其是涉及戰爭、事故、天災與公共設施受損等高敏感議題時。[1][6][10]
此外，這次撤回也顯示生成式 AI 產品在 launch governance 上的壓力。功能雖可支援地理專業、建築規畫與歷史重建，但若缺乏更細緻的用途分級、敏感情境限制與分享控管，產品就可能在極短時間內從創新功能轉為假訊息工具。[1][2][8]
對平台方來說，第一步應強化 輸入端防護，針對戰爭、爆炸、災害、醫療攻擊、核設施等高風險情境建立更細緻的 prompt policy 與多語系偵測，避免使用者以簡短提示詞繞過限制。[1][2][5]
第二步是加強 輸出端審查，將地理真實性與事件真實性納入風險評估，對於看似衛星照、空照圖與災損畫面的內容，應加入更嚴格的分類、標註與人工覆核流程。[2][5][7]
第三步是提升 可驗證性。單靠可見浮水印不足以抑制誤導，還需要讓使用者更容易檢查生成歷程、來源資訊與 AI 標記，並提供跨產品驗證方式。[2][4] 這類機制雖不能完全阻止濫用，但能降低誤信機率。
第四步是建立 分享控管 與 傳播抑制。既然問題常發生在截圖外流與跨平台轉載，平台就應思考是否限制下載格式、增加分享警示，或在高風險內容上強制附帶上下文說明。[2][7][11]
第五步是將這次事件視為 AI 治理 的實務案例。對企業內部而言，若要導入類似功能，應先完成威脅建模、濫用情境盤點、紅隊測試與法遵審查，再進入正式上線，而不是邊上線邊修補。[1][8][12]