知识产权保护公司 Podqi 的一项研究发现，ChatGPT、Gemini 和 Perplexity 在回答有关 151 个品牌的购物问题时，都引用或展示了高风险零售网站，这些网站被定义为虚假店面、重新注册的旧品牌域名或已失效的网站。在 9 月两个测试时段收集的 6,795 条回答中，Perplexity 在 15% 的回答中展示了高风险网站，ChatGPT 为 8%，Gemini 为 4%，而 ChatGPT 有 24% 的时间对其展示的高风险网站发出警告。关于较小品牌的查询产生高风险网站的频率约为较大公司的两倍，而关于区域品牌网站的提示更频繁地触发这些网站，Perplexity 曾将错误页面称为 Stüssy 的官方网站。
Google Research ได้แนะนำกรอบการวิจัยที่เปลี่ยนข้อมูลจากอุปกรณ์สวมใส่สำหรับผู้บริโภคให้เป็นอายุสุขภาพที่สามารถโค้ชได้ และจำลองเส้นทางสุขภาพเฉพาะบุคคลแบบ 12 สัปดาห์ในลักษณะ what-if โมเดลโลก SensorWM ถูกฝึกฝนล่วงหน้าด้วยข้อมูล Fitbit ที่ไม่ระบุตัวตนจำนวน 2.28 ล้านคน-สัปดาห์จากผู้ใช้ประมาณ 100,000 คน และคาดการณ์ตัวชี้วัดทางสรีรวิทยา 20 รายการภายใต้รูปแบบการเดิน การนอน และคาร์ดิโอที่แตกต่างกัน ในการศึกษาที่ปกปิดข้อมูล ผู้ฝึกสอนไลฟ์สไตล์เลือกแผนที่อ้างอิงจากสถานการณ์สมมติว่าเป็นแผนที่ดีที่สุดโดยรวมในการประเมิน 71.4% และแพทย์ให้คะแนน 99.2% ของแผนว่าอยู่ในขีดจำกัดความเข้มข้นของการออกกำลังกายที่ปลอดภัย ผู้เขียนระบุว่าโมเดลเหล่านี้เป็นต้นแบบการวิจัย ไม่ใช่เครื่องมือวินิจฉัยทางคลินิก
Google DeepMind เปิดตัว AlphaProof Code ระบบ AI ที่พิสูจน์ทางคณิตศาสตร์ว่าซอฟต์แวร์เป็นไปตามข้อกำหนดด้านความปลอดภัย และใช้มันตรวจสอบโค้ดแกนหลักการเข้ารหัสที่ทำงานบนอุปกรณ์ของผู้ใช้ Signal ภายในสี่สัปดาห์ งานที่ปกติใช้เวลาหลายปี หลังจากผู้เชี่ยวชาญกำหนดข้อกำหนดด้านความปลอดภัยอย่างเป็นทางการแล้ว AI agents ที่สร้างบน Gemini Carbon ได้เขียนโค้ดกว่าหกล้านบรรทัดในภาษา Lean และflagged ประมาณหนึ่งเปอร์เซ็นต์ของ codebase เพื่อให้มนุษย์ตรวจสอบ โดยจับบั๊กที่ปลูกไว้โดยเจตนาสองตัวได้ทันที Ehren Kret CTO ของ Signal กล่าวว่าวิธีนี้เสริมสร้างความไว้วางใจในความเป็นส่วนตัวของข้อมูลเมื่อภัยคุกคามจาก AI เพิ่มขึ้น และ DeepMind วางแผนขยายวิธีการไปยังโครงข่ายไฟฟ้าและอุปกรณ์ทางการแพทย์ผ่านระบบอย่าง CodeMender
ทำไมเรื่องนี้สำคัญ: AlphaProof Code ของ DeepMind ตรวจสอบโค้ดการเข้ารหัสจริงของ Signal ในสี่สัปดาห์ แสดงให้เห็นว่า AI agents สามารถย้ายการตรวจสอบอย่างเป็นทางการจากเอกสารการออกแบบไปสู่ซอฟต์แวร์ที่ใช้งานจริงได้อย่างไร
Google ทดสอบ Agent Anomaly Detection ซึ่งอยู่ใน Private Preview บน Gemini Enterprise Agent Platform กับเบนช์มาร์กความปลอดภัยของเอเจนต์สาธารณะห้ารายการที่บริษัทไม่ได้เขียนเอง โดยให้คะแนน 1,774 เซสชัน ระบบflagged 87% ของคำสั่งที่เป็นอันตรายที่เอเจนต์ดำเนินการจริง โดยมีสัญญาณเตือนผิดพลาดใน 2% ถึง 16% ของเซสชันที่ปลอดภัย และจับได้เพียง 4 จาก 18 เซสชันที่หน่วยความจำระยะยาวที่ถูกวางยาขับให้เอเจนต์ลงมือ การทดสอบใช้เอเจนต์ที่สร้างด้วย Agent Development Kit (ADK) บน gemini-2.5-flash ครอบคลุม AgentDojo, InjecAgent, Agent Security Bench, AgentDyn และ AgentHarm
นักวิจัยของ Google DeepMind ใช้ AlphaProof Code ซึ่งเป็นกรอบการทำงานแบบหลาย LLM agentic เพื่อตรวจสอบคุณสมบัติความปลอดภัยที่สำคัญของโค้ดจริงที่อยู่เบื้องหลังโปรโตคอล Signal อย่างเป็นทางการ เอเจนต์ที่ขับเคลื่อนโดย Gemini Carbon สร้างโค้ด Lean กว่า 6 ล้านบรรทัด และผู้เชี่ยวชาญของมนุษย์ตรวจสอบเพียงประมาณ 1 เปอร์เซ็นต์ของฐานโค้ดเท่านั้น การตรวจสอบใช้เวลาสี่สัปดาห์ ซึ่งงานนี้ตามปกติต้องใช้ทีมผู้เชี่ยวชาญหลายปี เมื่อบั๊กสองตัวที่เคยแก้ไขแล้วถูกนำกลับเข้าสู่โค้ด Signal เวอร์ชันแยก ระบบได้สร้างหลักฐานที่ตรวจสอบโดยเครื่องว่าบั๊กเวอร์ชันที่มีบั๊กนั้นไม่ปลอดภัย และ DeepMind กำลังเปิดโอเพนซอร์สอาร์ติแฟกต์การตรวจสอบอย่างเป็นทางการของตน
ทำไมเรื่องนี้สำคัญ: กรอบการทำงานแบบหลายเอเจนต์ของ Google DeepMind ตรวจสอบโค้ดเข้ารหัสที่ใช้งานจริงของ Signal อย่างเป็นทางการภายในสี่สัปดาห์ ซึ่งงานนี้ตามปกติต้องใช้ทีมผู้เชี่ยวชาญหลายปี
Google DeepMind ร่วมมือกับ Artificial Analysis เปิดตัว Multimodal Knowledge Agent (MKA) benchmark ซึ่งมอบหมายให้เอเจนต์ตรวจทานไฟล์โปรเจกต์ภาพที่มีข้อมูลหนาแน่น เช่น แบบสถาปัตยกรรม แผนผังวิศวกรรม และภาพสแกนทางคลินิก เพื่อสร้างสไลด์ สเปรดชีต PDF เอกสาร Word และภาพที่ทำเครื่องหมายแล้ว
SemiAnalysis เผยแพร่ผลลัพธ์ agentic inference แบบ long-context หลายรอบแรกบน InferenceX/AgentX สำหรับ Google TPUv7 Ironwood ครอบคลุมสี่โมเดล พบว่ามีความสามารถในการแข่งขันด้านประสิทธิภาพต่อดอลลาร์หรือเป็น state-of-the-art ในหลายกรณี บน GLM-5.2 ใน FP8 TPUv7 ให้ tokens ต่อดอลลาร์เป็น 1.2x ถึง 2.7x ของ B200, B300 และ MI355X ในช่วง 60 ถึง 300 tok/s/user ขณะที่ GPU แบบ FP4 ยังนำอยู่บน GLM-5.3 เนื่องจาก TPUv7 ไม่รองรับ FP4 แบบเนทีฟจนถึง TPUv8 ในไตรมาสที่ 1 ปี 2027 บทความยังโต้แย้งว่าระบบราชการของ NVIDIA ทำให้การมีส่วนร่วมด้านไดรเวอร์และระบบนิเวศช้ากว่า AMD และ Google
Google Research เผยแพร่งานวิจัยใน Nature เกี่ยวกับ AI-PPG-ACC-HTN ระบบหลายรูปแบบที่ตรวจจับสัญญาณความดันโลหิตสูงจากข้อมูล PPG และมาตรวัดความเร่งของสมาร์ทวอทช์โดยไม่ต้องปรับเทียบกับเครื่องวัดความดันแบบมีปลอกแขน ระบบนี้ผ่านการตรวจสอบเทียบกับการติดตามความดันโลหิตแบบต่อเนื่อง 24 ชั่วโมงในผู้เข้าร่วม 196 คนจากห้าสถานที่ในสหรัฐฯ โดยได้ความไว 65.8% และความจำเพาะ 90.0% สำหรับการคัดกรองเบื้องต้น และได้ความไว 78.4% และความจำเพาะ 90.9% สำหรับการทดสอบยืนยัน ผู้เขียนระบุว่างานนี้เป็นการวิจัยความเป็นไปได้เบื้องต้น ไม่ใช่สิ่งทดแทนเครื่องวัดความดันแบบมีปลอกแขนในทางคลินิก และไม่ใช่การวินิจฉัยแบบStandalone
ทำไมเรื่องนี้สำคัญ: โมเดลความดันโลหิตสูงแบบไร้ปลอกแขนของ Google ถูกเปรียบเทียบกับการติดตามความดันโลหิตแบบต่อเนื่อง 24 ชั่วโมง แสดงให้เห็นว่าการรวบรวมข้อมูลจากเซ็นเซอร์แบบพาสซีฟหลายวันสามารถสนับสนุนการคัดกรองแบบฉวยโอกาสได้อย่างไร
Google Research เปิดตัว Agile Deliberation ซึ่งเป็นกรอบการทำงานที่เปลี่ยนการสร้างตัวจำแนกประเภท AI แบบอัตวิสัยให้เป็นการสนทนาแบบวนซ้ำที่ AI ช่วยให้ผู้ใช้ปรับปรุงคำนิยามของตนเองให้ชัดเจนขึ้น โดยแบ่งงานออกเป็นการกำหนดขอบเขตแนวคิดและการวนซ้ำแนวคิด ใช้โมเดลภาพ-ภาษาเพื่อแสดงภาพที่อยู่กึ่งกลางและส่งต่อข้อเสนอแนะเข้าสู่วงจรการปรับแต่งพรอมต์อัตโนมัติ ในการทดลองกับผู้ใช้จริง 18 ครั้ง ครั้งละ 1.5 ชั่วโมง วิธีนี้ช่วยลดความเหนื่อยล้าและความกังวลของผู้ใช้ และสร้างโมเดลที่สอดคล้องกันมากขึ้นซึ่งมีประสิทธิภาพเหนือกว่าฐานมาตรฐาน โค้ดเปิดเผยเป็นโอเพนซอร์สบน GitHub
Import AI 479 ครอบคลุม Realtime-Bench ซึ่งเป็นชุดทดสอบ 50 งาน ประกอบด้วย 30 งานเว็บและ 20 งานเกม สร้างโดยนักวิจัยจาก UT Austin, Ohio State, UIUC, NVIDIA, Northwestern และ Steadyworks เพื่อทดสอบว่าโมเดลระดับแนวหน้าสามารถทำงานภายใต้แรงกดดันแบบเรียลไทม์ได้หรือไม่ GPT-6 Astra (high) ทำคะแนนอัตราผ่านตามเวลาจริงได้สูงสุดที่ 36% ขณะที่การรันแบบหยุดนาฬิกาทำให้โมเดลที่มีการให้เหตุผลสูงเข้าถึงประมาณ 70% ถึง 80% ฉบับนี้ยังครอบคลุมรายงาน "Challenges to Security in Space" ของ Defense Intelligence Agency และ Genie 4
Google Research ได้นำเสนอกรอบงาน sleep สำหรับการเรียนรู้อย่างต่อเนื่อง ซึ่งสลับระหว่างการโต้ตอบแบบแอคทีฟกับการรวมความจำแบบออฟไลน์ ทำให้ LLM ดูดซับข้อเท็จจริงใหม่เข้าสู่พารามิเตอร์ Mixture-of-Experts ที่ขยายเพิ่ม แทนที่จะสูญเสียความรู้เดิม วิธีการนี้ผสานการขยายพารามิเตอร์ การกลั่นแบบ on-policy ด้วยการเลียนแบบที่อิงการเรียนรู้แบบเสริมกำลัง และขั้นตอน dreaming ที่สร้างและกรองตัวอย่างการฝึกแบบสังเคราะห์ ผู้เขียนรายงานว่าการลดลงของประสิทธิภาพเกือบเป็นศูนย์ในการแปลอย่างต่อเนื่องสำหรับภาษาที่ไม่เคยเห็น เช่น ภาษาแมนจูและภาษากาลามัง การขยายขนาดเกือบสมบูรณ์แบบถึง 10M โทเค็นบน BABILong ผลลัพธ์ 48.9% สำหรับงานเดี่ยวและ 46.2% สำหรับ CPT ในการincorporation ข้อเท็จจริงจาก SQuAD และ 79.2%, 69.0% และ 46.1% บน AIME 24/25 และ HMMT 25
Epoch AI ทดสอบโมเดลชั้นนำหกตัวบนงานจริงของ Epoch จำนวน 11 งาน และพบว่าไม่มีตัวใดผ่านเกณฑ์คุณภาพได้อย่างน่าเชื่อถือ โดย Claude Fable 5.1 และ GPT-6 Astra อยู่ในระดับใกล้เคียงกันเป็นผู้นำ ส่วน SpireClimb benchmark ใหม่แสดงให้เห็นว่าโมเดลชายแดนพัฒนาจากที่เคยเล่น Slay the Spire ได้อย่างยากลำบาก มาสู่การชนะมากกว่า 90% ของรอบระดับความยากพื้นฐานภายในหกเดือน โดย GPT-6 Astra อยู่ที่ 98% ขณะที่ Gemini 4 Argon ทำคะแนนได้ 166 บน Epoch Capabilities Index เท่ากับ Claude Fable 5.1 และตามหลัง Claude Opus 5.5 และ GPT-6 Astra ที่ 169
Google Research เผยแพร่การศึกษาระยะยาวหลายศูนย์ใน JAMA Network Open พบว่าโมเดล AI ของบริษัทสามารถประเมินอายุครรภ์จากภาพอัลตราซาวนด์แบบ blind sweep โดยมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย 4.18 วัน เทียบกับ 4.48 วันสำหรับผู้เชี่ยวชาญด้านอัลตราซาวนด์ที่ใช้การวัดแบบมาตรฐาน โมเดลนี้ถูกปรับแต่งเพียงเล็กน้อยกับผู้เข้าร่วม 120 คนในชิคาโก และทดสอบโดยไม่มีการปรับแต่งเฉพาะพื้นที่ในไนโรบี ซึ่งได้ค่า MAE 4.27 วัน เทียบกับ 4.10 วันในชิคาโก งานวิจัยนี้มุ่งเป้าไปที่การดูแลสุขภาพแม่ในระดับแนวหน้า ซึ่ง WHO ประเมินว่ามีการเสียชีวิตที่เกี่ยวข้องกับการตั้งครรภ์ที่ป้องกันได้มากกว่า 250,000 รายต่อปี และสองในสามของผู้คนขาดการเข้าถึงการวินิจฉัยด้วยภาพ
Google Research อธิบายโครงการสามโครงการที่มุ่งเชื่อมโยงเอเจนต์ AI เข้ากับการทดลองในห้องปฏิบัติการเปียกจริง รวมถึงกรอบงาน VERID ซึ่งเป็นดิจิทัลทวินเชิงความหมายของ workcell ในห้องปฏิบัติการที่สร้างบนกรอบงานโอเพนซอร์ส PyLabRobot ติดตามเลย์เอาต์ของ deck ปริมาตรของ well และจำนวนทิป และทดลองรันโปรโตคอลแบบ dry-run ก่อนการดำเนินการจริง
ทำไมเรื่องนี้สำคัญ: Google Research อธิบายโครงการสามโครงการที่เชื่อมต่อเอเจนต์ AI เข้ากับฮาร์ดแวร์ห้องปฏิบัติการเปียกจริง แสดงให้เห็นว่าการจำลองแบบ dry-run และการทดลองแบบ closed-loop ช่วยให้เอเจนต์แก้ไขกฎการออกแบบของตนเองได้อย่างไร
งานวิจัยที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญของ Waymo พบว่าแม้แต่คนขับที่ไม่มีแอลกอฮอล์ในร่างกายเลยก็ยังเผชิญความเสี่ยงต่อการเสียชีวิตจากอุบัติเหตุกลางคืนสูงกว่าช่วงกลางวัน 3.1 ถึง 3.9 เท่า และการกำจัดคนขับที่เมาแอลกอฮอล์ออกไปช่วยลดการมีส่วนเกี่ยวข้องกับอุบัติเหตุเสียชีวิตในเมืองโดยเฉลี่ยลง 23% จาก 1.42 เหลือ 1.10 ต่อ 100 ล้านไมล์ การศึกษาที่สองซึ่งวิเคราะห์กรณีเสียชีวิต 37,654 กรณีในฐานข้อมูล FARS ปี 2023 แสดงให้เห็นว่าเพียง 8.2% เท่านั้นที่เกี่ยวข้องกับปัจจัยด้านพฤติกรรมของมนุษย์เพียงอย่างเดียว Waymo มองว่าผลการค้นพบนี้สนับสนุนแนวทาง Safe System Approach และสนับสนุนการ benchmarking การขับขี่อัตโนมัติเทียบกับพื้นฐานมนุษย์ที่มี BAC เป็นศูนย์