Google ResearchはFarmscapes 2020の高解像度ラスターマップを、生け垣、石垣、低木林の扱いやすい一覧に変えたベクトルデータを公開した。英国の13万平方キロメートル超を対象とする。世界の衛星画像3億枚超で事前学習したRSF Vision-Transformerを約247平方キロメートルの注釈で微調整し、Polsby–Popperコンパクト性スコアで森林、木の集まり、生け垣を区別する。線状特性の閾値は0.5未満だ。
Google は二つの研究を公表した。2,345人の調査では、AI を使った参加者の62%超が皮膚の状態の名前を挙げようとし、対照群は41%だった。正解率は23%で、対照群の8%の約3倍。もう一つの混合手法研究は、自分の皮膚の問題にツールを使う方法、理解の変化、医師との対話の違いを調べた。一方、次の受診行動を判断する支援は限定的だった。
Google ResearchはAISTATS 2026でRegularized f-Divergence Kernel Testsを提案した。相対距離で、モデルが安全な再学習版と元の損なわれた版のどちらに近いかを調べ、機械的忘却を監査する。
Google DeepMindはシエラレオネの事前登録済み無作為化比較試験の結果を公開した。8週間の試験でGuided Learning利用者の数学成績が対照群より0.258標準偏差高まり、通常の学習1.2～1.7年分に相当した。
Google ResearchはNatureにPHRMシステムの研究を発表した。顔認証によるロック解除後の数秒間に前面カメラで動画を撮影し、深層学習で心拍数と安静時心拍数をバックグラウンド推定する。
Googleは単一メッセージの暗号集計とTEEを組み合わせ、端末が複数回オンラインになる必要のないゼロトラスト分析を導入した。Googleは匿名の集団集計だけを得て、ハードウェア保護内でも生データを露出・再構築しない。TEE認証は公開コード通りの実行を証明する。
GoogleはGeminiで科学コードを作成・最適化する研究ツールEmpirical Research Assistance（ERA）を公開した。関連論文は本日Natureに掲載され、Gemini for Scienceの一部として世界の科学者に提供される。
Import AI 457は3研究を扱う。SentinelOneは約20年以上前のfast16.sysを分析し、LS-DYNA 970、PKPM、MOHIDなどの高精度計算のメモリー結果を改ざんして工学・物理シミュレーションを壊すと示した。
Calico Life SciencesのMatt OnsumとKatherine LabbéはCo-Scientistで老化生物学の散在する成果を統合し、検証可能な仮説を作っている。
Stanford医学部Gary PeltzのチームはCo-Scientistで肝線維症薬を選別した。提案3薬のうち2つが生きたヒト肝細胞で線維化を阻止し再生を促したが、Peltzが選んだ2薬は無効だった。抗がん剤vorinostatは瘢痕を起こす損傷反応の91%を阻止した。研究はAdvanced Scienceに掲載された。
Google DeepMindは医師の臨床的監督の下でAIエージェントが診療を支援するAI co-clinician研究計画を発表した。実際のプライマリーケアの98質問の盲検評価では97件に重大な誤りがなく、医師は既存のエビデンス統合ツールよりその回答を好んだ。140項目の診察技能評価でAIは68項目でプライマリーケア医と同等以上だったが、危険信号の発見と重要な身体診察の指示では専門医が全体として優れていた。
Google DeepMind は Decoupled DiLoCo の論文を公開した。大規模訓練を分離した計算の島々に分け、非同期データストリームで通信し、局所的なハードウェア障害を隔離する。
Google ResearchはICLR論文ReasoningBankを公開した。成功と失敗の経験から高次の推論パターンを抽出するエージェントメモリーの枠組みで、オープンソース化済みだ。
Berkeley AI Researchは学習済み世界モデルの勾配計画器GRASPを提案した。軌跡を仮想状態へ引き上げて時系列を並列最適化し、状態反復に乱数を直接注入して探索する。勾配を整えて行動へ明確な信号を送り、高次元視覚モデルの脆い「状態–入力」勾配を避け、長期計画を実用的かつ頑健にする。
Google は推論優先の合成データ基盤 Simula を提案した。データセット構築を機構設計問題として捉え直し、全体の多様化、局所の多様化、複雑化、二つの批評役による品質確認の四段階で、種データなしにゼロから作成する。
Google ResearchはPointInfinity点群フローマッチングで合成ニューロン形態を作るMoGen（Neuronal Morphology Generation）を提案した。PATHFINDER再構築モデルの学習データを補い、検証用のマウス軸索で誤り率を4.4%減らした。主に誤った結合の減少による。
Google は、高校生・大学生の問題解決や協働を生成 AI の模擬対話で評価する研究実験 Vantage を公開した。Google Labs で英語の登録を受け付ける。Executive LLM が会話を動的に進め、AI Evaluator が評価表で採点する。NYU との米国18～25歳188人の研究では、AI と専門家の採点一致度は専門家同士に近かった。
Google Researchは衣料品購入の4000以上の人・機械の複数ターン会話、約15000ターンのConvApparelを公開した。LLM利用者シミュレーターと人の現実感の差を測る。
Googleは論文の図を作るPaperVizAgentと自動査読のScholarPeerを公開した。PaperVizAgentは検索、計画、スタイル、可視化、審査の5エージェントで協働する。100点評価で60.2を得てGPT-Image-1.5、Nano-Banana-Pro、Paper2Anyを上回り、人の基準50.0を超えた唯一の枠組みだった。
Google ResearchはIRI、ERQなどの心理質問票を改変した状況判断テスト（SJT）で、実際のユーザー・助手の場面の行動傾向が人の共通認識に合うか評価する枠組みを提案した。
Google Research は『Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation』で評価項目数と項目ごとの注釈者数を比較した。一般的な1人、3人、5人では足りないことが多く、人の意見の違いを反映するには10人超が必要な場合が多い。
Google Quantum AI は白書で、将来の量子コンピューターが暗号資産を守る楕円曲線暗号を破るために必要な量子ビットとゲートの数は、従来の見積もりより少ないとした。
Google Research は TurboQuant を公開した。訓練や微調整なしで、モデル精度を損なわず KV キャッシュを3 bitに量子化できる。QJL と PolarQuant の二手法も提案した。
S2VecはS2 Geometryによる区画とラスタライズで建物・道路を多層画像へ変え、マスク付き自己符号化（MAE）で汎用埋め込みを学ぶ。米国人口密度や所得中央値など、未見地域のゼロショット社会経済予測でSATCLIP、GEOCLIPを上回るが、樹木被覆や標高では改善が必要だ。
Google Researchと複数のNHS機関によるAIMS研究は、Nature Cancerに2件の姉妹研究を発表し、NHS乳がん検診の手順におけるAI検出システムの性能を評価した。
GoogleとCornellはGPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM、独自RAGに高温超伝導の専門問題67問を解かせた。12人の国際専門家がバランス、網羅性、簡潔性、証拠、画像の関連性、定性的意見の6指標で盲検評価した。研究はPNASに掲載された。
Berkeley AI Research は、特徴、データ、モデル部品への寄与分析で LLM 出力を左右する相互作用を大規模に特定する SPEX と ProxySPEX を提案した。SPEX は疎性と低次数を使い探索を疎な復元問題へ変え、ProxySPEX は階層構造も使い、約10分の1のアブレーションで SPEX と同等性能を得る。
Google ResearchとBeth Israel Deaconess Medical Centerは、単一施設で前向きの実現可能性研究を実施した。外来のプライマリケア受診前にAMIEが患者とテキストで問診し、医師が動画でリアルタイムに監督した。
Google Researchは大規模な公開音声データセットWAXALを公開した。初期版は1億人超が使うサハラ以南アフリカの27言語を対象とし、CC-BY-4.0で提供する。
Berkeley AI Researchは相互情報量で画像システムを評価・最適化する枠組みを提案した。雑音付き測定と雑音モデルだけで情報量を測る。NeurIPS 2025でカラー写真、電波天文、レンズなし撮像、顕微鏡の復号器性能を予測した。設計は最先端の全工程学習に匹敵し、メモリーと計算量が少なく、課題別の復号器設計を要しない。
Berkeley AI ResearchはTD学習に依存しない分割統治のオフポリシー強化学習を提案した。Bellman再帰の回数を線形から対数へ減らし、長い期間のタスクへ拡張する。
Berkeley の AI 研究チームは word2vec の学習過程を定量予測する初の理論を提案した。現実の訓練条件で非加重最小二乗の行列分解に帰着でき、勾配流の閉形式解があり、最終表現は目標行列 M* の PCA に等しい。小さな初期値では直交線形部分空間を離散段階ごとに学び、埋め込みのランクを上げ損失を減らす。その特徴は M* の上位固有ベクトルで、コーパス統計とハイパーパラメーターから事前計算できる。