Google Research、ウェアラブル端末でCKMリスクのプロファイリングと個別化健康指導を実現
Google Researchは、コンシューマー向けウェアラブル端末のデータから介入可能な「コーチング可能な健康年齢」(CHA)を構築する研究フレームワークを提案した。約10万人のFitbitユーザー、228万人週分のデータに基づいてセンサー世界モデルSensorWMを訓練し、歩数・睡眠・運動習慣の違いに応じて今後12週間で20項目の生理指標がどう変化するかをシミュレーションできる。
Google Researchは、コンシューマー向けウェアラブル端末のデータから介入可能な「コーチング可能な健康年齢」(CHA)を構築する研究フレームワークを提案した。約10万人のFitbitユーザー、228万人週分のデータに基づいてセンサー世界モデルSensorWMを訓練し、歩数・睡眠・運動習慣の違いに応じて今後12週間で20項目の生理指標がどう変化するかをシミュレーションできる。
Google DeepMindは、先ごろ公開したWeatherNext 3モデルの重要なデータ源となるSatWeaveとPARDIGの2つのデータセットを公開した。
ElithとNVIDIAは、オープンソースのペルソナデータセットNemotron-Personas-Japanの金融分野向け拡張版であるNemotron-Personas-Finance-Japanを公開した。日本の公式統計と家計金融・金融リテラシーのデータを組み合わせた、100万件規模のオープンなペルソナデータセットとしては初めてだとしている。
Google ResearchのAIは、血圧計のカフによる較正なしに、スマートウォッチに搭載済みの脈拍センサーとモーションセンサーだけで高血圧の兆候を検出できる。研究はNatureに掲載された。このニューラルネットワークは約50万時間のセンサーデータから、短い区間を比較して同一人物のものかを見分けることで脈拍と心拍のパターンを学習し、数日間の平均から高血圧の確率を算出する。
Google ResearchはNatureに研究を発表し、スマートウォッチの光電容積脈波(PPG)と加速度計(ACC)の信号を用いてカフによる校正なしに高血圧状態を受動的に識別するマルチモーダルAIシステム「AI-PPG-ACC-HTN」を提案した。
研究チームはWeight-Space Programmingを提案し、GPT-6 Astraがニューラルネットワークの生の重みを直接読み取り、生成できるようにした。段階的な数学的最適化による訓練は不要となる。Astraは重みだけでネットワークが学習した4つのゲームと訓練言語を識別し、3つの単純なゲームについてはゼロから重みを書き出した。うちBreakoutでは平均スコア517点を記録し、標準的な訓練ベースラインの25点と対照的だった。
Hugging Faceは、言語モデルが長文書内でエンティティの状態変化を追跡する能力を評価するベンチマーク「StateBench」を公開した。難易度はR-trivial、Aperiodic、Soluble、General finiteの4段階で構成される。
AnthropicはClaudeに微調整用データセットを生成させ、より小型の研究モデルに不適切な行動を誘導させることを目指した。同時に、各データセットは同社の本番システムを模した安全監視を通過しなければならなかった。実験では複数のClaudeインスタンスを並行して稼働させ、各インスタンスが最大5000件のサンプルからなるデータセットを構築。監視側は行の10%超がフラグ付けされた場合にそのデータセットを却下し、通過したモデルにはさらに一連の不整合評価を実施した。
Google Researchは、LLMが能動的な対話とオフラインの睡眠を交互に繰り返し、短期的な文脈を長期的なパラメータへ定着させる「sleep」フレームワークを提案した。睡眠段階では、MoEによるパラメータ拡張、知識蒸留、RLによる模倣学習を通じて記憶の定着を図り、さらにランダムなエキスパートの活性化と勾配で選別した合成サンプルによって自己改善する。
Ai2は研究「Old Ideas, Novel Problems」を公開し、大規模言語モデルが科学研究アイデアの新規性を判断する信頼性を検証した。併せてベンチマーク、データ、コードをオープンソース化した。研究ではICLR 2026の査読意見に基づき、新規性の高い人間のアイデア154件と低い145件からなるプールを構築し、さらにLLMが生成したアイデア154件を用意した。
ニューヨーク大学とテキサス大学オースティン校の研究者が、Claude、GPT-5.6、GLM-5、Kimi K2.5、Llama、Olmo など 14 のモデルに日常会話、コーディングセッション、論説文を生成させ、計 120 の会話、45 のコーディングセッション、980 の論説文を分析し、映画字幕や StackExchange、学生の作文などの人間のテキストと比較した。
MicrosoftとHugging FaceはThinkingBox-Trainingを共同公開した。ThinkingBoxによるデータベース終状態の決定論的検証をそのままRL報酬として使い、状態を持つ業務エージェントの訓練に用いる。
Google DeepMindはGoogle Research、WRI、IIASAと共同でForest Typology(ForTy)2020を公開した。地球上の10×10メートルの各区画を6つの森林・土地利用類型に分類するもので、EUの森林破壊規制(EUDR)の重要なベースラインとなる。
OpenAIはPerturbAI、Scripps Researchと協力し、GPT-Rosalindを基盤とする数千のAIエージェントを展開して、数百万のマウス細胞を対象とした全脳CRISPRアトラスを解析した。所要時間は32分だった。
i14はAWSと協力し、TorchNeuron Nativeを通じて線形注意モデルLaplace 3BをAWS Trainium2へ移植した。Gated Linear Attention設計とMuon最適化器を維持している。
Google Researchは研究ブログを公開し、AIエージェントがウェットラボ実験を閉ループで進めるための3つの進展を紹介した。VERIDフレームワークは実験台の意味的デジタルツインを構築し、リアルタイムの3D状態追跡、仮想予行演習、ハードウェア安全チェック、映像による動作ログの同期を可能にする。
NVIDIAはIIT MadrasのAI4Bharatラボと共同でNemotron-pretraining-Indic-v1を公開した。約2.8兆トークンで22のインド言語をカバーし、うち2,601.0億が現地文字トークン、224.6億がローマ字化トークン。カウントにはGemma-4トークナイザーを使用。
研究者らはAIタンパク質設計ツールを使い、2種類のプロテアーゼの触媒コアを残してそれ以外の部分を置き換え、特定のタンパク質を狙って二分割できる酵素を設計した。神経疾患に関連するタンパク質を切断することで有効性を検証した。プロテアーゼはペプチド結合の切断を触媒するが、ペプチド結合自体の半減期は数百年と推定されている。
Ai2はHiRO-ACEシステムの新バージョンHiRO-ACEv2を公開した。ダウンスケーリングモデルHiROv2は複数の高解像度気象場を同時に予測でき、極端な降雨・風速・気圧事象の再現能力を高めている。
Sakana AIとUC Berkeleyの研究者らは、同一の言語モデルが問題解決、ワークフロー最適化、結果評価の三役を同時に担い、再帰的自己改善を実現するMulti-Agent Self-Supervision(MASS)を提案した。
Microsoft Researchは、公開された匿名化済みの学習記録から個別化されたAI学生シミュレーターを訓練する研究システム「StudentSim」を発表した。AIチューターが実学習者に触れる前にフィードバックを得られるようにするもの。行動の忠実度とチューターへの応答性という2つの軸でシミュレーターを評価するベンチマーク「StudentSimEval」も提案し、チェス、第二言語としての英語ライティング、数学の3領域で主要なベースラインを上回った。StudentSimは製品ではなく、教室に配備されることも、教師を代替することもない。
Epoch AI はベンチマーク「InnovationEval」を公開し、AI エージェントが自律的に研究を遂行できるかを検証した。課題は、言語モデルの訓練後段階を改善する新手法を発明し、独立して実装・テスト・最適化すること。出発点は GRPO で、人間による参考手法は SDPO。
NVIDIA のチームは Nemotron 3 を出発点に、SFT、RL、フィードバック駆動の推論フローを用いて、モデルを IOI 2026 と IMO 2026 の両方で金メダル水準に到達させた。IOI 2026 では Nemotron-3-Ultra-CC が 535.4/600 を記録し、金メダルラインの 361.12 と人間の最高得点 498.27 を上回った。IMO 2026 ではシステムが 30/42 を獲得し、公式の金メダルライン 29 を上回り、6 問のうち 4 問で満点を取った。
OpenAIは、数学の未解決問題に対して内部フロンティアモデルが得た新たな結果を発表し、Leanによる証明の形式化と関連する研究の詳細を公開した。関連資料はGitHubで公開されている。
Google Researchは、Google Earth AIのPopulation Dynamics Foundation Model(PDFM)を概念実証として用い、自己教師あり事前学習による「場所」の埋め込みベクトルを既存の疫学ワークフローに直接組み込む手法を示した。タスク固有の微調整なしで、従来の入力と同等以上の性能を達成できるという。
PhAI LabsとStanford、Oxford、Princetonの研究者らがJEPA-Anythingを提案。JEPAの予測状態を4つの直交因子に分解し、それぞれ独立した予測モジュールで処理した後に再統合することで、同一アーキテクチャで物理、ロボティクス、気象、単一細胞、臨床など7領域をカバーする。
Googleの研究者らがRRSI(Regularized Recursive Self-Improvement of Agent Harnesses)を提案した。エージェントの自己最適化がテスト課題を丸暗記し、新しい課題での効果が失われる問題を解決する。
Microsoft Researchは、L1での太陽風観測、AE指数とDst指数の予報、各地の地質の電気伝導率データを使うエンドツーエンドの機械学習パイプラインを開発した。米国本土の66,935変電所について、30〜60分先の局地的な宇宙天気リスクを推定する。
英国AI Security Institute(AISI)は評価の科学的再現性を高めるため、EvalEvalのEvery Eval EverスキーマとEvaluation Cardsで結果を公開共有している。
Microsoft は Nature で逆合成予測フレームワーク RetroChimera を発表し、実装とウェイトを公開した。Transformer の R-SMILES 2 と GNN ベースの NeuralLoc を組み合わせ、学習型アンサンブルで両者の予測を再順位付けする。盲検試験では化学者がその一段階反応予測を好んだ。
Google ResearchはRetrieve-for-Trainを提案した。オフライン強化学習で報酬に沿うクエリー展開を見つけ、教師信号に変えて53.9Mの拡散検索器へ蒸留する。推論時は1回の非自己回帰でクエリーを展開し、CoT推論トークンを生成しない。
Google ResearchはACL 2026でToolGradを提案した。「回答から質問へ」の手法で実際のツール呼び出し列を先に生成し、ユーザーの質問を逆算する。従来のDFSによる試行錯誤的な注釈付けを置き換える。
Google DeepMindはヒトゲノムの90億の一塩基変異の効果予測を収めたAlphaGenome Atlasを公開した。規模は1PBで、AlphaFold Databaseの30倍以上に達する。
Google Research は UK Biobank の欧州系集団と Biobank Japan の約20万人の日本人データで、八つの臨床指標について PRS の集団間転移を評価した。対象集団が15,000人以上では、その集団専用モデルが欧州データとの混合訓練を上回る。一方、遺伝的相関が強い形質では、対象が25,000~40,000人超になるまで欧州データの利点が続く。
Google ResearchはHHMI Janelia、ケンブリッジ大学などと協力し、Cellに論文を発表して、雄ショウジョウバエの脳と中枢神経系の完全なコネクトームを公開した。166,000超のニューロンと1.25億のシナプス結合を含み、ニューロン数ではこれまでで最大の脳地図である。
Google Research は Swin-S transformer ベースの MAPL-EMIT を提案した。NASA EMIT のハイパースペクトル衛星データからメタンのプルームを自動検出し、増加量を予測し、位置を特定する。専門家が注釈したプルームで再現率84%だった。
Google ResearchはGoogle Earth AIに実験的研究機能Planetary Prediction Engine(PPE)を導入した。自然言語の質問に基づき、地理空間データの発見、特徴量設計、モデル学習と評価を自律的に進め、報告を生成する。数週間の手作業を要したデータ処理を数分に縮める。
Googleは遅い血糖傾向と短期変動を分ける自己教師モデルGlucoFMを公開した。109066時間の未注釈CGMで事前学習し、4コホート、7臨床タスクの14評価でPR-AUCは最良GluFormerより平均5.8ポイント高かった。食後血糖予測でも最小MAEを達成した。
Multiverse ComputingはQuantization-Aware Healing(QAH)を提案する論文を公開した。GPT-OSS 120Bを60Bパラメーターへ圧縮しMXFP4へ量子化した後、復元したbfloat16チェックポイントではなく、圧縮前の元モデルから直接蒸留する。
METR の研究では、AI の科学的発見への影響は一様でない。2026年の脆弱性報告は2025年より大幅に速く、数学はわずかな加速にとどまり、AI 研究自体のアルゴリズム進歩には有意な加速がない。複数大学のチームは LLM が実行可能な訓練環境の生成と解法を交互に行う SPADE を提案した。Qwen3-30B-A3B のゲーム環境平均点は58.3で、基準より8.1上がった。