Google 研究用智能手表传感器无校准检测高血压迹象
Google Research 在 Nature 发表 AI-PPG-ACC-HTN 系统,仅用智能手表 PPG 与加速度计数据、无需袖带校准即可检测高血压迹象。
推荐理由:研究以 24 小时动态血压监测为金标准,给出智能手表无袖带校准筛查高血压的敏感度与特异度对比。
Google Research 在 Nature 发表 AI-PPG-ACC-HTN 系统,仅用智能手表 PPG 与加速度计数据、无需袖带校准即可检测高血压迹象。
推荐理由:研究以 24 小时动态血压监测为金标准,给出智能手表无袖带校准筛查高血压的敏感度与特异度对比。
Google Research 提出 Agile Deliberation 框架,把主观视觉分类器的构建拆成概念界定与概念迭代两个阶段,由视觉语言模型主动挑出语义边界模糊的图片,让用户澄清意图,再自动优化提示词。
NVIDIA 与合作伙伴在全球城市扩展物理 AI 和智能体 AI 应用,覆盖西班牙、美国湾区、波兰、马来西亚等地。
Google DeepMind 发布世界模型 Genie 4,原生支持多模态,可在生成世界的同时生成音乐、环境音与交互对话。Genie 4 支持用自然语言实时修改场景,并借助 Gemini 3.8 Flash 作为引导智能体拆解多步任务、检查每步是否完成。
推荐理由:原文交代了 Genie 4 的原生音频、实时文本操控与 Gemini 引导推理,可据此判断世界模型在机器人与交互内容上的用法。
Google Research 与 Google for Health 在 IDWeek 2026 上分享了将基础模型用于结核病筛查的进展:与 Nexus AI 合作的胸片AI工具已获 CE MDR class IIb 认证和 ISO 13485 认证。
推荐理由:原文梳理了从基准论文到CE认证工具、再到开源MedGemma的完整落地路径,可看医疗AI如何跨越转化鸿沟。
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,将全球每 10 米×10 米地块划分为六类森林与土地利用类型,并给出 2017 至 2025 年的逐年变化时间序列。
欧洲零售商正用 NVIDIA 加速的开放模型与物理智能改造从商品发现到仓储运营的环节。Shopify 基于 NVIDIA Nemotron 3.5 Lightning 后训练的 GraphQL 子智能体在内部基准上准确率超过领先前沿模型,服务成本降低 90%、响应速度提升 7 倍。
NVIDIA 扩展 Cosmos 平台,新增训练工具、仿真 checkpoint 和 Cosmos Data Factory 蓝图,用于世界模型的训练、评估与部署。
推荐理由:原文列出 Cosmos 平台新增的训练、仿真与部署工具,并给出保时捷、ANYbotics 等落地案例,可据此判断世界模型开发链路的变化。
Google Research 在 JAMA Network Open 发表研究,用 AI 解读无超声专业培训人员操作的盲扫超声图像来估算孕龄。在 385 名 16 至 36 周孕妇的队列中,模型平均绝对误差为 4.18 天,专家标准流程为 4.48 天;芝加哥适配后为 4.10 天,内罗毕零本地优化为 4.27 天。
NVIDIA 发布开源 1200 亿参数模型 Nemotron 3.5 Super VL,以及面向边缘的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB,覆盖从数据中心到本地硬件的智能体部署。
推荐理由:原文给出三款开源模型的参数规模、部署层级与吞吐对比,可据此判断企业智能体在本地与边缘的选型空间。
欧洲多国城市正联合 ABA Technology、Akila、K2K、Milestone 等软件伙伴,基于 NVIDIA Cosmos、Nemotron 开放模型和 Metropolis VSS 蓝图构建物理 AI 智能体与数字孪生,用于交通、能源、公共安全等城市运营。
Google DeepMind 发布 Gemini 4 Argon,今日起通过 AI Studio 与 Gemini API 面向开发者和企业开放,Google AI Ultra 订阅者可在 Google Antigravity、Gemini 应用和搜索 AI Mode 中使用。
推荐理由:官方给出定价、可用渠道与多项实测数据,可据此判断前沿模型在编码与科研工作流中的落地程度。
Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型,参数量 7.4 亿,可把文本、图像、音频和视频映射到统一嵌入空间。
推荐理由:原文给出参数量、模块化编码器与端侧内存占用,可据此判断本地多模态检索的落地成本。