來源詳情
AI News Hub 持續追蹤 Google Research Blog 的 AI 更新，並公開來源狀態、授權邊界、抓取方式和已發布文章。
Official research blog; confirm reuse terms before enabling full body display.
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路，從而在移動裝置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快取，將快取管理建模為滑雪租賃問題，透過輕量級機器學習動態調整快取大小，在Spanner生產環境中降低了15.5%記憶體使用和約5%總擁有成本，同時快取未命中僅增加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）和事實啟動（生成相關事實以幫助召回正確答案）。
谷歌研究團隊釋出了兩項關於皮膚病AI工具的研究。大型調查顯示，AI輔助使使用者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。社群定性研究表明，該應用有助於使用者和臨床醫生溝通，92%的臨床醫生認為其有幫助。
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，能夠更敏感地檢測資料洩露和遺忘失敗，且所需樣本更少，調參更少。
Google Research 與 Google Cloud 合作推出智慧體 RAG 框架，透過多智慧體工作流將複雜企業查詢分解，迭代搜尋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，可在日常使用智慧手機時，透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（與可穿戴裝置相比）。系統在來自近700名參與者的超過35萬段影片片段上進行了訓練，確保膚色均衡代表性。PHRM優於15種領先的遠端光電容積描記法（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編寫和最佳化科學程式碼，今日在《自然》雜誌上發表，並透過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。
Google Research 秉持開放科學原則，透過開源軟體和開放資料集，與全球科研社群合作，推動基因組學、神經科學、氣候、生物多樣性、醫療等領域的突破性發現。文章詳細介紹了多個工具（如DeepVariant、Neuroglancer、Open Buildings、SpeciesNet、HAI-DEF）及其實際應用案例，展示了開放科學如何賦能全球研究人員併產生積極社會影響。
自2025年秋季引入實證研究輔助（ERA）以來，谷歌研究科學家已將其應用於流行病學、宇宙學、大氣監測和神經科學等領域的實際場景，展示了AI加速科學發現的變革能力。
Google Photos 的 Auto frame 功能利用機器學習模型將照片視為 3D 場景，自動調整相機視角，生成全新的照片。該方法分為 3D 場景估計和生成式修補兩個階段，能夠修復透視畸變，改善肖像照片。
Google Cloud的研究人員提出了ReasoningBank，一種新型智慧體記憶框架，能從成功和失敗經驗中提煉可推廣的推理策略，顯著提升智慧體在複雜任務中的表現和效率。
谷歌推出Simula框架，將合成資料生成重新定義為資料集層面的機制設計。透過從第一性原理出發的推理式方法，Simula實現了對資料覆蓋度、複雜度和質量的精細控制，適用於隱私敏感或資料稀缺的專門領域。
谷歌研究團隊開發了MoGen模型，利用AI生成合成神經元形態，用於訓練腦圖譜重建模型，使重建錯誤率降低4.4%。在完整小鼠大腦尺度上，這相當於節省157人年的人工校對工作。該成果為加速大規模腦連線組學專案提供了新工具。
谷歌研究與紐約大學合作開發了Vantage，這是一個利用生成式AI評估團隊合作和批判性思維等面向未來技能的系統。該系統透過AI化身模擬對話，由執行LLM動態引導，評估結果與人類專家高度一致。目前Vantage已在Google Labs開放註冊。
谷歌研究院釋出ConvApparel資料集和評估框架，用於量化LLM使用者模擬器的真實感差距，並訓練更魯棒的對話代理。透過雙代理資料收集和三支柱驗證，研究發現資料驅動模擬器優於提示基礎，但真實感差距依然存在。
Google Cloud 的研究團隊推出了兩個創新的 AI 代理：PaperVizAgent 用於自動生成高質量的學術圖表，ScholarPeer 用於自動進行嚴格的學術論文評審。這兩個系統透過多代理協作和迭代最佳化，在各自任務上顯著超越了現有基線，為科學研究流程帶來了實質性改進。
谷歌研究團隊提出了一種系統評估框架，將心理學問卷轉化為情境判斷測試，量化LLM行為傾向與人類共識的對齊程度。對25個模型的測試發現，模型在高共識場景下存在偏差，且在低共識場景中過度自信，未能反映人類觀點的多樣性。