Google Research Blog

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Generative AI

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Algorithms & Theory

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Education Innovation

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Algorithms & Theory

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Machine Intelligence

Google Research 的研究人員開發了 MAPL-EMIT，這是一種基於深度學習的框架，用於自動檢測和量化全球甲烷羽流。該系統在 NASA 的 EMIT 高光譜數據上訓練，實現了 84% 的高召回率，並提供了可擴展的解決方案來追蹤點源排放。這一努力對於實現全球甲烷承諾（將甲烷排放量減少 30%）和減緩氣候變化至關重要。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Data Management

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Earth AI

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Health & Bioscience

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Human-Computer Interaction and Visualization

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Generative AI

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Algorithms & Theory

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：General Science

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Generative AI

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Health & Bioscience

谷歌研究團隊開展了一項包含13,917名參與者的全國性隨機研究，評估了名為SymptomAI的對話式AI代理在症狀評估和鑑別診斷中的表現。結果顯示，臨牀專家在超過50%的案例中更偏好SymptomAI生成的鑑別診斷列表，且其診斷準確率高於其他臨牀醫生。此外，SymptomAI的診斷與Fitbit可穿戴設備記錄的心率、呼吸、皮膚温度等生物信號變化存在顯著相關性，尤其是在呼吸道感染案例中。研究表明，主動提問策略能顯著提升診斷性能，為AI輔助醫療診斷提供了新方向。

谷歌量子AI團隊通過將強化學習與量子糾錯結合，展示了量子計算機能夠持續適應漂移並在長時間計算中保持穩定。

谷歌研究團隊在ICLR 2026發表論文，從數學上證明擴散模型的創造力源於神經網絡訓練中的“分數平滑”效應，使得模型能夠在訓練數據點之間插值，生成新穎且合理的樣本。

谷歌研究院推出 SensorFM，這是一個基於超過一萬億分鐘傳感器數據和五百萬人訓練的可穿戴健康基礎模型。它通過自監督學習掌握人類生理的通用表示，可遷移至35項健康任務，支持標籤高效適配，並能作為個人健康代理的基石。

谷歌研究在10個美國城市進行的一項大規模真實世界研究表明，通過導航應用程序對少量行程（不到2%）進行輕微改道，可顯著減少交通擁堵和排放。該研究發表在《自然·城市》上，發現目標路段行駛速度中位數提高約2%，每個城市每年可能減少數千噸二氧化碳當量排放。

谷歌研究推出TabFM，一種直接集成到BigQuery ML中的新型表格數據基礎模型，通過上下文學習實現零樣本分類與迴歸，無需手動調參或特徵工程。該模型基於合成數據訓練，在TabArena基準測試中表現出色。

Google研究人員提出了一種方法，將多token預測（MTP）改造到已部署的Gemini Nano v3模型上，無需重新訓練主幹網絡，從而在移動設備上實現更快的推理速度和更低的能耗。該方法在Pixel 9和10系列上已部署，使AI通知摘要和校對等功能速度提升50%以上。

谷歌研究人員提出線性彈性緩存，將緩存管理建模為滑雪租賃問題，通過輕量級機器學習動態調整緩存大小，在Spanner生產環境中降低了15.5%內存使用和約5%總擁有成本，同時緩存未命中僅增加5.5%，且對I/O成本影響極小。

Google Research 的研究揭示了一個反直覺的現象：即使對於簡單的事實性問題，讓大語言模型生成推理鏈也能提高答案的準確性。研究發現兩種機制：計算緩衝（生成額外標記用於潛在計算）和事實啓動（生成相關事實以幫助召回正確答案）。

谷歌研究團隊發佈了兩項關於皮膚病AI工具的研究。大型調查顯示，AI輔助使用户命名皮膚狀況的準確率提高了近三倍，但在決定下一步行動方面仍有挑戰。社區定性研究表明，該應用有助於用户和臨牀醫生溝通，92%的臨牀醫生認為其有幫助。

Google研究人員提出正則化f-散度核檢驗框架，用於審計機器學習模型的遺忘和隱私保護。該框架自適應選擇最優散度度量，能夠更敏感地檢測數據泄露和遺忘失敗，且所需樣本更少，調參更少。

Google Research 與 Google Cloud 合作推出智能體 RAG 框架，通過多智能體工作流將複雜企業查詢分解，迭代搜索足夠上下文後生成可靠回答。相比標準 RAG，準確性提升高達 34%。

谷歌研究人員開發了一種名為PHRM的系統，可在日常使用智能手機時，通過前置攝像頭被動測量心率和靜息心率。這項發表於《自然》雜誌的研究顯示，該系統的心率測量平均絕對百分比誤差（MAPE）低於10%（與心電圖相比），每日靜息心率測量平均絕對誤差（MAE）低於5次/分鐘（與可穿戴設備相比）。系統在來自近700名參與者的超過35萬段視頻片段上進行了訓練，確保膚色均衡代表性。PHRM優於15種領先的遠程光電容積描記法（rPPG）模型，是唯一在真實世界條件下對所有膚色均達到準確性標準的模型。

在2026年Google I/O大會上，Google Research展示了一系列前沿技術，涵蓋科學發現、健康、邊緣計算和天氣預測等領域。推出了Gemini for Science套件（包括ERA和Co-Scientist），加速科學研究；健康方面有Google Health應用、Symptom AI和AMIE系統；Coral NPU推動邊緣AI發展；還有極端天氣預測模型。這些創新展示了AI如何放大人類的智慧。

谷歌開發的實證研究助手（ERA）利用Gemini編寫和優化科學代碼，今日在《自然》雜誌上發表，並通過Google Labs的受信任測試計劃推出了計算發現原型。ERA在基因組學、流行病學等多個基準測試中達到專家級表現，並在預測、二氧化碳監測等領域帶來實際應用。