Google Research Blog

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Generative AI

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Algorithms & Theory

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Education Innovation

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Algorithms & Theory

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Machine Intelligence

Google Research 的研究人员开发了 MAPL-EMIT，这是一种基于深度学习的框架，用于自动检测和量化全球甲烷羽流。该系统在 NASA 的 EMIT 高光谱数据上训练，实现了 84% 的高召回率，并提供了可扩展的解决方案来追踪点源排放。这一努力对于实现全球甲烷承诺（将甲烷排放量减少 30%）和减缓气候变化至关重要。

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Data Management

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Earth AI

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Health & Bioscience

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Human-Computer Interaction and Visualization

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Generative AI

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Algorithms & Theory

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：General Science

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Generative AI

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Health & Bioscience

谷歌研究团队开展了一项包含13,917名参与者的全国性随机研究，评估了名为SymptomAI的对话式AI代理在症状评估和鉴别诊断中的表现。结果显示，临床专家在超过50%的案例中更偏好SymptomAI生成的鉴别诊断列表，且其诊断准确率高于其他临床医生。此外，SymptomAI的诊断与Fitbit可穿戴设备记录的心率、呼吸、皮肤温度等生物信号变化存在显著相关性，尤其是在呼吸道感染案例中。研究表明，主动提问策略能显著提升诊断性能，为AI辅助医疗诊断提供了新方向。

谷歌量子AI团队通过将强化学习与量子纠错结合，展示了量子计算机能够持续适应漂移并在长时间计算中保持稳定。

谷歌研究团队在ICLR 2026发表论文，从数学上证明扩散模型的创造力源于神经网络训练中的“分数平滑”效应，使得模型能够在训练数据点之间插值，生成新颖且合理的样本。

谷歌研究院推出 SensorFM，这是一个基于超过一万亿分钟传感器数据和五百万人训练的可穿戴健康基础模型。它通过自监督学习掌握人类生理的通用表示，可迁移至35项健康任务，支持标签高效适配，并能作为个人健康代理的基石。

谷歌研究在10个美国城市进行的一项大规模真实世界研究表明，通过导航应用程序对少量行程（不到2%）进行轻微改道，可显著减少交通拥堵和排放。该研究发表在《自然·城市》上，发现目标路段行驶速度中位数提高约2%，每个城市每年可能减少数千吨二氧化碳当量排放。

谷歌研究推出TabFM，一种直接集成到BigQuery ML中的新型表格数据基础模型，通过上下文学习实现零样本分类与回归，无需手动调参或特征工程。该模型基于合成数据训练，在TabArena基准测试中表现出色。

Google研究人员提出了一种方法，将多token预测（MTP）改造到已部署的Gemini Nano v3模型上，无需重新训练主干网络，从而在移动设备上实现更快的推理速度和更低的能耗。该方法在Pixel 9和10系列上已部署，使AI通知摘要和校对等功能速度提升50%以上。

谷歌研究人员提出线性弹性缓存，将缓存管理建模为滑雪租赁问题，通过轻量级机器学习动态调整缓存大小，在Spanner生产环境中降低了15.5%内存使用和约5%总拥有成本，同时缓存未命中仅增加5.5%，且对I/O成本影响极小。

Google Research 的研究揭示了一个反直觉的现象：即使对于简单的事实性问题，让大语言模型生成推理链也能提高答案的准确性。研究发现两种机制：计算缓冲（生成额外标记用于潜在计算）和事实启动（生成相关事实以帮助召回正确答案）。

谷歌研究团队发布了两项关于皮肤病AI工具的研究。大型调查显示，AI辅助使用户命名皮肤状况的准确率提高了近三倍，但在决定下一步行动方面仍有挑战。社区定性研究表明，该应用有助于用户和临床医生沟通，92%的临床医生认为其有帮助。

Google研究人员提出正则化f-散度核检验框架，用于审计机器学习模型的遗忘和隐私保护。该框架自适应选择最优散度度量，能够更敏感地检测数据泄露和遗忘失败，且所需样本更少，调参更少。

Google Research 与 Google Cloud 合作推出智能体 RAG 框架，通过多智能体工作流将复杂企业查询分解，迭代搜索足够上下文后生成可靠回答。相比标准 RAG，准确性提升高达 34%。

谷歌研究人员开发了一种名为PHRM的系统，可在日常使用智能手机时，通过前置摄像头被动测量心率和静息心率。这项发表于《自然》杂志的研究显示，该系统的心率测量平均绝对百分比误差（MAPE）低于10%（与心电图相比），每日静息心率测量平均绝对误差（MAE）低于5次/分钟（与可穿戴设备相比）。系统在来自近700名参与者的超过35万段视频片段上进行了训练，确保肤色均衡代表性。PHRM优于15种领先的远程光电容积描记法（rPPG）模型，是唯一在真实世界条件下对所有肤色均达到准确性标准的模型。

在2026年Google I/O大会上，Google Research展示了一系列前沿技术，涵盖科学发现、健康、边缘计算和天气预测等领域。推出了Gemini for Science套件（包括ERA和Co-Scientist），加速科学研究；健康方面有Google Health应用、Symptom AI和AMIE系统；Coral NPU推动边缘AI发展；还有极端天气预测模型。这些创新展示了AI如何放大人类的智慧。

谷歌开发的实证研究助手（ERA）利用Gemini编写和优化科学代码，今日在《自然》杂志上发表，并通过Google Labs的受信任测试计划推出了计算发现原型。ERA在基因组学、流行病学等多个基准测试中达到专家级表现，并在预测、二氧化碳监测等领域带来实际应用。