来源详情
AI News Hub 持续跟踪 Google Research Blog 的 AI 更新，并公开来源状态、授权边界、抓取方式和已发布文章。
Official research blog; confirm reuse terms before enabling full body display.
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。
Google Research 秉持开放科学原则，通过开源软件和开放数据集，与全球科研社区合作，推动基因组学、神经科学、气候、生物多样性、医疗等领域的突破性发现。文章详细介绍了多个工具（如DeepVariant、Neuroglancer、Open Buildings、SpeciesNet、HAI-DEF）及其实际应用案例，展示了开放科学如何赋能全球研究人员并产生积极社会影响。
自2025年秋季引入实证研究辅助（ERA）以来，谷歌研究科学家已将其应用于流行病学、宇宙学、大气监测和神经科学等领域的实际场景，展示了AI加速科学发现的变革能力。
Google Photos 的 Auto frame 功能利用机器学习模型将照片视为 3D 场景，自动调整相机视角，生成全新的照片。该方法分为 3D 场景估计和生成式修补两个阶段，能够修复透视畸变，改善肖像照片。
Google Cloud的研究人员提出了ReasoningBank，一种新型智能体记忆框架，能从成功和失败经验中提炼可推广的推理策略，显著提升智能体在复杂任务中的表现和效率。
谷歌推出Simula框架，将合成数据生成重新定义为数据集层面的机制设计。通过从第一性原理出发的推理式方法，Simula实现了对数据覆盖度、复杂度和质量的精细控制，适用于隐私敏感或数据稀缺的专门领域。
谷歌研究团队开发了MoGen模型，利用AI生成合成神经元形态，用于训练脑图谱重建模型，使重建错误率降低4.4%。在完整小鼠大脑尺度上，这相当于节省157人年的人工校对工作。该成果为加速大规模脑连接组学项目提供了新工具。
谷歌研究与纽约大学合作开发了Vantage，这是一个利用生成式AI评估团队合作和批判性思维等面向未来技能的系统。该系统通过AI化身模拟对话，由执行LLM动态引导，评估结果与人类专家高度一致。目前Vantage已在Google Labs开放注册。
谷歌研究院发布ConvApparel数据集和评估框架，用于量化LLM用户模拟器的真实感差距，并训练更鲁棒的对话代理。通过双代理数据收集和三支柱验证，研究发现数据驱动模拟器优于提示基础，但真实感差距依然存在。
Google Cloud 的研究团队推出了两个创新的 AI 代理：PaperVizAgent 用于自动生成高质量的学术图表，ScholarPeer 用于自动进行严格的学术论文评审。这两个系统通过多代理协作和迭代优化，在各自任务上显著超越了现有基线，为科学研究流程带来了实质性改进。
谷歌研究团队提出了一种系统评估框架，将心理学问卷转化为情境判断测试，量化LLM行为倾向与人类共识的对齐程度。对25个模型的测试发现，模型在高共识场景下存在偏差，且在低共识场景中过度自信，未能反映人类观点的多样性。