A Google Research a Research@ rendezvényen Mountain View-ban tíz, kutatáson alapuló fejlesztést és eszközt mutatott be, amelyek célja, hogy a tudósok, orvosok, fejlesztők, közegészségügyi döntéshozók és vállalati csapatok kezébe olyan képességeket adjanak, amelyek korábban nem álltak rendelkezésre. Az eseményen hangsúlyozták, hogy az AI az emberi kreativitás és kiváncsiság erősítőjeként működik.
1. Google Earth AI: planetáris intelligencia
A Google Earth AI a valós világ pontos, nagy léptékű megértésére törekszik, amely segíthet közegészségügyi kockázatok előrejelzésében, a tiszta energia beruházások gyorsításában, illetve üzleti előrejelzésekben. A bejelentés szerint kiterjesztették az early access lehetőségeket, és három új elérési módot kínálnak: mélyebb geospaciális elemzések a Google Earth korai hozzáféréses funkciójaként; kockázatértékelések és forgatókönyv-előrejelzések a planetary prediction engine segítségével; valamint a Geospatial Reasoning agent képességek integrálása agent-to-agent API-n keresztül, ami programozott hozzáférést ad műholdképek feldolgozásához, útvonaltervezéshez és demográfiai beágyazásokhoz.
A rendszer több mint 70 geospaciális eszközt használ, köztük a Remote Sensing Foundation Model (RSFM) és a Population Dynamics Foundation Model (PDFM) alapmodelleket. A funkcionalitást az Earth AI Technical Report empirikus benchmarkjai támasztják alá. Emellett integrálták a Google Dataset Search szolgáltatást több mint 100 millió nyilvános adatkészlet lekérdezéséhez, és a TimesFM modellt planetary nowcasting és forecasting feladatokra. Google.org 10 millió dollár támogatást nyújt válság-ellenállósági és közegészségügyi projekteket végző szervezeteknek; ebből 2 millió dollár The Milken Institute-nak infrastruktúra akadályok feloldására, például megfizethető lakhatás, tiszta energia, szélessáv, biztonságos víz- és más alapvető rendszerek terén.
2. Multi-agent orchestrator: irodalmi tudás újrafelhasználása
A Google Research egy multi-agent orchestrator-t fejlesztett, amely segíti a kutatókat korábbi módszerek és elemzések reprodukálásában, majd azok új környezetben való alkalmazásában. Például ez a megközelítés lehetővé tette egy új inverz tervezési módszertan átvételét folyadékdinamikai problémákból vizeletkatéterek tervezéséhez, ahol a szimulációk szerint a találatok csökkentették a bakteriális fertőzés kockázatát. Ez kiegészíti az Empirical Research Assistance és a Co-Scientist eszközöket: az előbbi párhuzamosan képes több ezer kódvariánst generálni és tesztelni, az utóbbi (a Google DeepMinddal közösen fejlesztett) többügynökös rendszer pedig új hipotézisek generálására alkalmas — például a Stanford University kutatóival való együttműködésben újrahasznosítható gyógyszerek felderítésében a májfibrózis kezelésére.
3. Deep Review: a technikai dokumentumok ellenőrzése
A Deep Review egy agentikus rendszer, amely komplex dokumentumok alapos ellenőrzését célozza meg, különösen a logikai következetesség és a tények megalapozottsága tekintetében. Egy korai változatát már sok Google-kutató és külső szerző használta: több mint 16 000 tudományos publikációt vizsgáltak át számítógéptudományi konferenciák számára. Most a Deep Review hozzáférését kiterjesztik a nyilvánosságra, hogy jogi megállapodásoktól a pénzügyi jelentésekig különféle technikai dokumentumok hitelességét segítsen ellenőrizni.
4. Következő generációs Edge AI lapka
A viselhető eszközök és más élőhelyi AI-megoldások igénylik az alacsony fogyasztású, magas hatékonyságú hardvert. A Google és a Synaptics közösen bevezettek korábban egy Coralboardot a Coral NPU gyorsítómaggal, és a jövő héten bemutatják a nyílt forráskódú IP-re épülő, közösen tervezett, következő generációs, alacsony fogyasztású Edge AI chipet. A lapka célja, hogy jobb hatékonyságot és teljesítményt nyújtson olyan eszközök tervezőinek, mint az okosszemüvegek, okosórák, kapcsolódó kamerák, streamerek, valamint ipari látás- és hangrendszerek.
5. TimesFM és TabFM: számokra épülő döntéstámogatás
A TimesFM és a TabFM alapmodellek kifejezetten nyers numerikus eloszlásokkal való érvelésre készültek — időbeli sorozatokra (time-series) és strukturált, táblázatos adatokra. Mindkét modell azonnal, külön tanítás nélkül képes pontos előrejelzésekre, és vezető helyen szerepelnek a nyilvános benchmarkokban. A modellek elérhetőek a Cloud BigQuery felhasználók számára, és hamarosan integrálják őket a Gemini for business szolgáltatásba. Ennek eredményeként vállalati elemzők és műveleti vezetők komplex táblákból és millió soros adathalmazokból kaphatnak másodpercek alatt előrejelzéseket; érzékeny adatok a szervezet keretein belül maradnak.
6. MedGemma: nyílt alap a egészségügyi AI-alkalmazásokhoz
A MedGemma, amelyet a Nature Medicine-ben publikáltak, több mint 10 millió letöltést ért el és több mint 65 000 egyedi fejlesztő használta. Nyílt alapként szolgál speciális alkalmazások fejlesztéséhez: a helyi igényekre szabott megoldások között szerepel a zsúfolt rendelők gyorsabb triázsa, szemészeti és méhnyakrák-szűrés. A Google Research további fejlesztéseket tett, például eszközhasználat támogatását, hogy a MedGemma hozzáférhessen egészségügyi feljegyzésekhez és más, klinikusok által használt alkalmazásokhoz. Kísérleteznek új modalitásokkal, mint a mammográfia, ultrahang és elektrokardiogramok; az első eredmények jobb képességeket jeleznek klinikai kérdések megválaszolásában és radiológiai, bőrképi és patológiai képek értelmezésében.
7. AMIE: párbeszédes AI a klinikai támogatásban
Az AMIE kutatása a klinikai következtetés és a beszélgetésalapú támogatás lehetőségeit vizsgálja, hogy miként erősítheti a klinikusokat és javíthatja a beteg–orvos kapcsolatot. A Nature-ben közzétett munkák a diagnózison túl a hosszú távú betegségmenedzsment felé tett előrelépéseket mutattak, a Nature Medicine-ben pedig multimodális adatokon (képek, laboreredmények) való érvelést demonstráltak. Egy, a The Lancet-ben bemutatott új vizsgálatban a Beth Israel Deaconess Medical Centerben 98 beteg konzultált biztonságosan AMIE-vel sürgősségi ellátás előtt; a klinikusok azt jelentették, hogy az AI-összefoglalók a felkészülésben az esetek 75%-ában voltak hasznosak. A fejlesztés kiterjed real-time videokonzultációk multimodális képességeire, és országos, randomizált vizsgálat indult Included Health partnerrel a virtuális ellátás valós környezetében.
8. Groundsource: természeti katasztrófák előrejelzése
A Google Research célja egy olyan válság-ellenállósági cél (north star), hogy senkit ne érjen váratlanul egy természeti katasztrófa. A globális hidrológiai modell, amelyről a Nature-ben is beszámoltak, képes akár 7 napra előre megbízható folyóvíz-előrejelzéseket adni, több mint 2 milliárd embert lefedve több mint 150 országban a jelentős folyami árvizek esetében. Egy évvel ezelőtt a hirtelen kialakuló flash floods előrejelzése még nehéznek tűnt.
A Groundsource egy AI-alapú módszertan, amely közérdekű forrásokból álló válságadatokat magas minőségű történeti adathalmazokká alakít. Ezt a módszert Gemini segítségével alkalmazták árvizekről szóló híradások elemzésére, és egy több mint 2,6 millió árvíri eseményt tartalmazó, strukturált adatkészletet hoztak létre. Ez segített pótolni a flash flood-okra vonatkozó ground-truth hiányát, és egy új modellt képeztek, amely városi környezetben akár 24 órával előre képes becslést adni a flash flood valószínűségére. A készlet részévé vált a Google Earth AI gyűjteménynek, és nyíltan elérhetővé tették tudósok további elemzéséhez.
9. Learning interactives: tanárok számára testreszabott, vezetett szimulációk
A generatív UI segítségével dinamikusan létrehozható interaktív szoftver, nem csupán statikus output. A Google Research egy oktatási kísérleti projektben finomhangolta a generatív UI-t pedagógiai biztonsági korlátokkal, hogy tanárokhoz igazítható, vezetett STEM-szimulációkat állíthassanak elő. A mintatár több mint 30 AI-által generált tanulási interaktív példát tartalmaz, amelyeket tanárok validáltak közép- és középiskolai fizika, kémia, biológia és matematika tantárgyakhoz. Iskolák jelentkezhetnek a Google for Education Pilot Programba visszajelzés adására.
10. Play with Putty: valós idejű, közös prototípus-készítés
A Play with Putty lehetővé teszi, hogy csapatok egy megosztott környezetben, megszakítás nélkül dolgozzanak együtt prototípusokon. A rendszer azt demonstrálja, mit lehet elérni, ha az AI-modellek képesek teljes felületeket generálni természetes nyelvi utasítások alapján; a felhasználók közvetlenül bármit módosíthatnak az interfészen, a többjátékos szerkesztés pedig valós idejű együttműködést támogat. Eredetileg belső használatra tervezték a Google kutatóinak, például Google Earth AI vizualizációk közös felfedezésére; most a Google Labs várólistáján keresztül szélesebb hozzáférést is kínálnak.
Összegzés
A bemutatott tíz fejlesztés a Google Research széles körű kutatási portfóliójának része, és különböző területeken — földmegfigyelés, tudományos munkafolyamatok, egészségügy, oktatás és vállalati analitika — ad új eszközöket a szakemberek kezébe. A hangsúly azon van, hogy az AI ne helyettesítse, hanem kiterjessze az emberi találékonyságot és szakértelmet.
