Исследование Google 2025: Более смелые прорывы, большее влияние

В 2025 году волшебный цикл исследований ускорился. Команды Google Research совершили новаторские открытия и воплотили свои исследования в жизнь, оказав влияние на продукты, науку и общество.

На протяжении многих лет исследовательские группы Google инвестируют в развитие исследований и технологий в самых разных стратегических областях. Мы работаем в разных временных горизонтах, от смелых амбициозных проектов и движимых любопытством трансформационных исследований, где мы изучаем возможности, до инноваций и прикладных исследований с ускоренным воздействием. Волшебный цикл исследований ускоряется — мы совершаем научные прорывы и преобразуем их в реальные решения, оказывающие влияние на продукты, науку и общество, в тесном сотрудничестве со многими командами Google и глобальными партнерами.

Это был поистине выдающийся год! Наши фундаментальные прорывы в области ИИ помогли сделать генеративные модели более эффективными, основанными на фактах, многоязычными и мультикультурными, а также мы внедрили генеративный пользовательский интерфейс. Мы продвинули новые архитектуры и алгоритмические исследования, а также разработали новаторские инструменты ИИ и агентные модели, которые помогают ускорить научные открытия. Мы достигли квантовых прорывов, которые приближают нас к реальному применению квантовых вычислений; продвинули исследования в области наук о Земле, что позволило достичь уровня понимания планеты, ранее недостижимого; продвинули научные области, включая геномику, биологию и нейробиологию; и добились прогресса в решении таких важных социальных задач, как климатическая устойчивость, здравоохранение и образование.

Взгляд назад на некоторые из ключевых моментов Google Research, реализованных в сотрудничестве со многими командами Google в 2025 году. Это изображение создано с помощью Nano Banana.

Совершенствование генеративных моделей для повышения их эффективности, достоверности, многоязычности и межкультурности.

Чтобы подпитывать эту эпоху стремительных инноваций, мы инвестируем в эффективность, делая продукты Google более экономичными и энергоэффективными, и устанавливая стандарты для всей отрасли. Мы продолжаем разрабатывать новые подходы, основанные на спекулятивном декодировании, такие как проверка блоков, для дальнейшего ускорения повышения эффективности. На другом конце инфраструктурной инфраструктуры находится LAVA — новый алгоритм планирования, который постоянно пересчитывает время жизни задач на виртуальных машинах. Он разработан для оптимизации эффективности использования ресурсов в крупных облачных центрах обработки данных без ущерба для надежности.

Не менее важно и то, что наши новаторские исследования в области достоверности LLM, начатые еще в 2021 году, помогают сделать Gemini 3 нашей самой мощной и достоверной LLM на сегодняшний день. Она демонстрирует лучшие результаты на общедоступных эталонных тестах достоверности, таких как SimpleQA Verified и новый набор тестов FACTS, выпущенный нами совместно с Google DeepMind и Kaggle. Пользователи могут быть уверены, что такие продукты, как приложение Gemini, AI Overviews и AI Mode in Search, а также Vertex AI, предоставляют результаты, основанные на знаниях о мире. В этом году мы изучили, как LLM передают неопределенность; представили структуру для оценки того, кодируют ли LLM больше фактических знаний в своих параметрах, чем выражают в своих результатах; представили многоязычный набор данных для оценки межъязыковых знаний, называемый ECLeKTic; и многое другое.

Мы также исследовали роль достаточного контекста в системах генерации с расширенным поиском, которые улучшают LLM, предоставляя им соответствующий внешний контекст. Мы продемонстрировали, что можно определить, когда LLM обладает достаточной информацией для предоставления правильного ответа на вопрос. Эта работа послужила основой для запуска LLM Re-Ranker в Vertex AI RAG Engine, что привело к улучшению показателей поиска и точности системы.

Мы оценили ведущие модели LLM с помощью пакета тестов FACTS Benchmark Suite , который включает четыре различных критерия достоверности. В таблице выше перечислены 15 ведущих моделей и их общий балл FACTS. Gemini 3 Pro лидирует по общей производительности.

С развитием мультимодального контента мы расширили нашу работу по обеспечению достоверности, включив в нее изображения, аудио, видео, 3D-среды и приложения, созданные с помощью LLM. Эта работа помогает улучшить качество семейств видео- и графических моделей Google, включая Veo, Imagen и Nano Banana. Это отличный пример цикла исследований и того, как мы постоянно адаптируемся к реальным потребностям пользователей. Наши последние исследования включают в себя повышение точности генерации текста в изображения и создания подписей к изображениям, а также разработку 3DMem-Bench для оценки способности агента рассуждать об долговременной памяти в 3D-пространстве.

Наши многолетние исследования в области многоязычия помогли Gemma расширить поддержку более чем на 140 языков, сделав её сегодня лучшей многоязычной открытой моделью. Мы также дополняем наши модели социокультурным интеллектом, адаптируя их к разнообразным потребностям пользователей и глобальному контексту. Мы представили TUNA, всеобъемлющую таксономию потребностей и действий пользователей, запустили платформу сбора данных на основе сообщества для охвата недостаточно представленных языков и географических регионов, а также разработали новые методы для обоснования моделей на основе разнообразных культурных знаний и наборов данных. Эти исследования помогают гарантировать, что модели Google могут взаимодействовать с пользователями по всему миру ответственным и культурно-ориентированным образом.

Представляем интерактивные интерфейсы с генеративным пользовательским интерфейсом.

В мире, где пользователи ожидают более увлекательных и наглядных впечатлений, мы представили в Gemini 3 новую реализацию генеративного пользовательского интерфейса. Эта мощная возможность позволяет моделям ИИ динамически создавать захватывающие визуальные впечатления и интерактивные интерфейсы, такие как веб-страницы, игры, инструменты и приложения, в ответ на запрос. Наши исследования воплощаются в жизнь в режиме ИИ в поиске Google, а также в экспериментах, таких как динамический просмотр, в приложении Gemini.

Посмотрите фильм

Ссылка на видео на YouTube

Пример возможностей генеративного пользовательского интерфейса в динамическом представлении в приложении Gemini. Он основан на задании: « Создайте галерею Ван Гога с контекстом жизни для каждой работы ». Больше примеров можно найти здесь .

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Пример возможностей генеративного пользовательского интерфейса в режиме искусственного интеллекта в поиске Google. Он основан на запросе: « Покажите мне, как работает РНК-полимераза. Каковы этапы транскрипции и чем они отличаются в прокариотических и эукариотических клетках » .

Квантовые вычисления: следующий рубеж

Наши стратегические инвестиции в квантовые вычисления призваны ускорить освоение новых рубежей вычислительной техники и научных открытий. В 1980-х годах Кларк, Деворе и Мартинис заложили основы сверхпроводящих кубитов, что привело к их признанию лауреатами Нобелевской премии по физике 2025 года. За прошедшие 40 лет возникла зарождающаяся индустрия квантовых вычислений, и были сделаны такие прорывы, как наше недавно объявленное проверяемое квантовое преимущество, опубликованное на обложке журнала Nature . В этой работе описывается наш алгоритм «Квантовые эхо», который работает на нашем чипе Willow в 13 000 раз быстрее, чем лучший классический алгоритм на одном из самых быстрых суперкомпьютеров в мире. Он предлагает новый способ объяснения взаимодействий между атомами в молекуле, наблюдаемых с помощью спектроскопии ядерного магнитного резонанса. Это приближает нас к реальным приложениям квантовых вычислений, таким как разработка лекарств и содействие воплощению термоядерной энергетики в реальность.

Посмотрите фильм

Ссылка на видео на YouTube

Ускорение научных открытий

Модели и платформы на основе ИИ коренным образом меняют методы проведения научных исследований. Мы выпустили AI Co-Scientist — совместный проект Google Research, Cloud AI и Google DeepMind. Эта многоагентная система ИИ помогает ученым генерировать новые гипотезы. Мы также представили нашу систему эмпирического программного обеспечения на основе ИИ — агента программирования, поддерживаемого Gemini, который помогает ученым писать экспертное эмпирическое программное обеспечение для оценки и итерации гипотез. Эти инструменты ускоряют сам процесс научных открытий. Они открывают двери в будущее, где у каждого ученого в лаборатории будет команда ИИ-помощников, одновременно исследующих тысячи потенциальных решений научных задач, которые мотивируют их исследования. В Стэнфорде наш AI Co-Scientist уже помог выявить лекарства, которые можно было бы использовать для лечения фиброза печени. В Имперском колледже Лондона исследователи, работающие над проблемой устойчивости к противомикробным препаратам, обнаружили, что они выдвинули ту же гипотезу за несколько дней, на разработку которой их команде потребовались годы.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Обзор концепции искусственного интеллекта-соисследователя. Он использует коалицию специализированных агентов, которые итеративно генерируют, оценивают и уточняют гипотезы.

Развитие науки — от биологии до геномики и нейронауки.

Мы продолжаем развивать фундаментальные научные исследования. DeepSomatic и C2S-Scale присоединяются к борьбе с раком с помощью искусственного интеллекта и прокладывают путь к совершенно новым методам лечения. DeepSomatic, опубликованный в Nature Biotechnology , — это инструмент с открытым исходным кодом, основанный на 10-летних исследованиях в области геномики в Google, который помогает ученым и врачам выявлять генетические варианты в раковых клетках. Наши партнеры из Children's Mercy используют его для понимания того, как и почему определенная форма рака поражает пациента, чтобы разработать персонализированные методы лечения. C2S-Scale, который мы выпустили в сотрудничестве с Google DeepMind и Yale, — это базовая модель с 27 миллиардами параметров для анализа отдельных клеток, которая привлекла внимание общественности, выдвинув новую гипотезу о поведении раковых клеток.

Наши общедоступные NotebookLM делают результаты наших десятилетних исследований в области геномики более доступными и позволяют людям глубже погрузиться в интересующие их темы. Изучите темы: « Как ученые связывают генетику со здоровьем? » и « Как ученые могут узнать, что содержится в вашем геноме? »

Обращаясь к нейробиологии, мы опубликовали в журнале Nature первую в истории методику использования широко доступных световых микроскопов для всестороннего картирования всех нейронов и их связей в блоке мозговой ткани. В сотрудничестве с Австрийским институтом науки и технологий мы применили наш набор инструментов анализа изображений и машинного обучения для коннектомики, используя более чем десятилетний опыт работы в этой научной области, чтобы понять работу мозга. Мы надеемся, что этот метод, получивший название LICONN, позволит большему количеству лабораторий по всему миру проводить исследования в области коннектомики.

Мы также в сотрудничестве с HHMI Janelia и Гарвардом опубликовали в открытом доступе эталонный набор данных для прогнозирования активности зебровой рыбы (ZAPBench). Благодаря записям активности более 70 000 нейронов в головном мозге личинки зебровой рыбы, ученые впервые смогут исследовать взаимосвязь между структурной организацией нейронных связей и динамической нейронной активностью во всем головном мозге позвоночных.

Кроме того, мы продемонстрировали, как модели глубокого обучения могут помочь нам понять человеческий мозг. В серии исследований, проводившихся в течение пяти лет совместно с Принстонским университетом, Нью-Йоркским университетом и HUJI, мы изучали связи между тем, как человеческий мозг и глубокие языковые модели обрабатывают естественный язык. Мы обнаружили замечательное соответствие между нейронной активностью в речевых и языковых областях человеческого мозга и речевыми и языковыми векторными представлениями модели преобразования речи в текст на основе трансформеров, а также показали, как временная структура обработки языка в мозге соответствует многоуровневой иерархии глубоких языковых моделей. Наше исследование показывает, что представление языка в моделях глубокого обучения может предложить новую основу для понимания нейронного кода мозга; оно также открывает путь для инновационных подходов к созданию искусственных нейронных сетей с лучшими возможностями обработки информации.

Обеспечение планетарного интеллекта и устойчивости к кризисам

Earth AI — это семейство геопространственных моделей искусственного интеллекта и агентов логического мышления от Google, о котором мы недавно анонсировали. Оно предоставляет пользователям практические рекомендации, основанные на понимании реального мира, что позволяет развивать планетарный интеллект и повышать устойчивость к изменению климата. Разработанное в сотрудничестве с командами Google, Earth AI опирается на многолетний опыт моделирования мира в сочетании с передовыми возможностями логического мышления Gemini, предлагая беспрецедентный уровень понимания нашей планеты. Оно объединяет множество геопространственных моделей и технологий Google, таких как данные дистанционного зондирования, погода, качество воздуха, наводнения, динамика населения, фонды AlphaEarth, мобильность, карты и многое другое. Благодаря возможностям логического мышления Gemini, Earth AI может синтезировать огромные массивы данных о планете, чтобы за считанные минуты получить информацию, на исследование которой ранее ушли бы годы. Решения Earth AI доступны в Google Maps Platform, Google Earth и для доверенных тестировщиков через Google Cloud, и уже используются партнерами, помогая городам, предприятиям и некоммерческим организациям решать важные задачи — от городского планирования до реагирования на стихийные бедствия.

Посмотрите фильм

Ссылка на видео на YouTube

Мы также добились значительных успехов в разработке климатических моделей, которые лежат в основе возможностей нашего ИИ для понимания Земли, помогая сообществам готовиться к суровым погодным условиям и стихийным бедствиям и реагировать на них. В этом году в сотрудничестве с Earth Fire Alliance, Фондом Мура и Muon Space мы запустили первый спутник в группировке FireSat. FireSat, названный журналом TIME одним из лучших изобретений 2025 года, использует ИИ для предоставления критически важной информации в режиме, близком к реальному времени, для служб экстренного реагирования. Он уже обнаружил небольшие лесные пожары, которые не были зафиксированы другими космическими системами, а после полного ввода в эксплуатацию с более чем 50 спутниками он сможет обнаруживать лесные пожары размером с классную комнату в любой точке Земли.

Спутник FireSat оснащен специализированным средневолновым инфракрасным (MWIR) датчиком, который обнаружил небольшой, относительно прохладный придорожный пожар недалеко от Медфорда, штат Орегон, который не был обнаружен другими космическими системами. На этом изображении он наложен на базовую карту Google Earth. Источник: Muon Space и Earth Fire Alliance.

Мы также расширили наши модели прогнозирования наводнений, чтобы охватить более 2 миллиардов человек в 150 странах мира и прогнозировать наиболее значительные речные наводнения, помогая сообществам оставаться в безопасности и быть в курсе событий. В сотрудничестве с нашими коллегами из Google DeepMind мы представили экспериментальную модель прогнозирования циклонов с использованием стохастических нейронных сетей, которая помогает метеорологическим агентствам прогнозировать траекторию циклона за 15 дней вперед. Кроме того, мы совместно с Google DeepMind запустили WeatherNext 2, который предоставляет наши самые точные прогнозы погоды среднего диапазона на основе искусственного интеллекта на сегодняшний день. Теперь он доступен пользователям Search, Gemini и Pixel Weather, а также разработчикам Google Maps и Google Cloud.

В начале года мы расширили возможности Nowcasting на Search, включив в него Африку, впервые предоставив пользователям по всему континенту высокоточные краткосрочные прогнозы осадков. С тех пор эта функция стала доступна пользователям по всему миру. Основанная на нашей модели MetNet, она представляет собой первую в Search модель прогнозирования погоды на основе искусственного интеллекта, работающую в глобальном масштабе. В Индии Чикагский университет и Министерство сельского хозяйства и благосостояния фермеров Индии использовали модель NeuralGCM от Google для отправки долгосрочных прогнозов муссонов 38 миллионам фермеров, помогая им принимать важные решения о том, что и когда сажать.

Развитие искусственного интеллекта в здравоохранении

По мере того, как мы совершаем научные прорывы, способные существенно реформировать здравоохранение, мы работаем с партнерами и медицинскими работниками, чтобы ответственно предоставлять новые возможности людям по всему миру. AMIE — это наш разговорный медицинский агент, разработанный совместно с Google DeepMind и опубликованный в журнале Nature . Теперь он может анализировать мультимодальные данные и поддерживать долгосрочное управление заболеваниями так же хорошо или даже лучше, чем врачи первичной медицинской помощи, в условиях моделирования с участием профессиональных пациентов. Мы изучаем, как это исследование может позволить создать модель, ориентированную на врача, с асинхронным контролем над AMIE. Мы также запустили Plan for Care Lab, новейшую экспериментальную функцию Fitbit, для ограниченного числа пользователей, давших согласие на участие. Она предназначена для того, чтобы помочь пользователям получить персонализированную поддержку при оценке симптомов дома и подготовке к предстоящему визиту к врачу. Кроме того, MedGemma, самая мощная открытая модель Google для мультимодального медицинского понимания, доступна в рамках нашей программы Health AI Developer Foundations (HAI-DEF). Она может поддерживать такие задачи, как классификация, генерация отчетов или интерпретация сложных электронных медицинских карт, что делает ее полезной для медицинских исследований и разработки продуктов. С момента запуска приложения MedGemma и HAI-DEF были загружены более 2 миллионов раз. Кроме того, наш Open Health Stack был отмечен на Всемирном экономическом форуме за помощь в решении проблемы неравенства в доступе к медицинским услугам. Он предоставляет разработчикам базовые компоненты для создания медицинских приложений нового поколения, основанных на данных, для использования в условиях ограниченных ресурсов.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Multimodal AMIE — это диагностический разговорный ИИ, способный интеллектуально запрашивать, интерпретировать и анализировать визуальную медицинскую информацию во время клинического диагностического разговора.

Развитие обучения и образования

В Gemini теперь интегрирована LearnLM, семейство моделей Google, оптимизированных для обучения, анонсированное в прошлом году. Мы запустили Learn Your Way в Google Labs, используя базовые возможности LearnLM. Эта платформа исследует будущее учебников, генерируя множество увлекательных способов представления исходного материала. Она превращает статичные учебники в активные учебные материалы, адаптированные для каждого ученика, с интерактивными викторинами, позволяющими проводить оценку в реальном времени, получать обратную связь и персонализировать контент. В нашем исследовании эффективности студенты, использовавшие эту платформу, показали результаты на 11 процентных пунктов выше на тестах на запоминание. Мы также протестировали нашу модель LearnLM для оценки ответов на тысячах старшеклассников в Гане. Кроме того, мы изучили взаимосвязь образования и здравоохранения с помощью подхода, ориентированного на учащегося, количественно оценив преимущества LearnLM в медицинском образовании.

Это исследование приближает нас к реализации будущего, в котором ИИ сделает обучение более эффективным для всех. В сотрудничестве с командами Google мы опубликовали статью «ИИ и будущее обучения», в которой поделились нашим подходом, основанным на науке об обучении, к ответственному внедрению ИИ в образовательный процесс. Мы создаем персонализированные учебные материалы, расширяем возможности преподавателей и работаем над решением таких проблем, как критическое мышление и равный доступ к образованию.

Параллельно с этим, наши усилия по повышению грамотности в области ИИ направлены на вдохновение следующего поколения новаторов. Проект AI Quests, запущенный совместно со Стэнфордским акселератором обучения, позволяет студентам почувствовать себя на месте исследователей Google и использовать ИИ для решения таких задач, как прогнозирование наводнений и выявление заболеваний глаз. Во время Недели компьютерного образования сотни волонтеров из Google представили эти квесты в школах по всему миру.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Проект Learn Your Way исследует, как GenAI может преобразовывать образовательные материалы в более эффективные, увлекательные и ориентированные на ученика учебные программы. Он генерирует множество вариантов представления исходного материала, адаптированных для каждого ученика.

Развитие основ машинного обучения и алгоритмических исследований.

Наши обширные фундаментальные исследования в области машинного обучения и алгоритмов являются основой для прорывных достижений в различных областях. Эта работа предоставляет необходимые основы для продуктов и услуг, а также лежит в основе разработки моделей следующего поколения и интеллектуальных систем. Например, мы улучшили голосовой поиск с помощью нашего нового механизма преобразования речи в текст, который напрямую интерпретирует и извлекает информацию из устного запроса без предварительного преобразования его в текст. А наше передовое предиктивное моделирование на основе подробной обратной связи от пользователей улучшило качество генерации изображений из текста в продуктах, включая Imagen3, генерацию и редактирование креативов в Google Ads, а также виртуальную примерку для покупок. Мы также расширили эти исследования для улучшения качества генерации видео на презентации фильма «Волшебник страны Оз» в Sphere в Лас-Вегасе.

Влияние наших алгоритмических исследований выходит далеко за рамки продуктов Google. Наша модель TimesFM, которая помогает компаниям в прогнозировании временных рядов, теперь обрабатывает сотни миллионов запросов в месяц в BigQuery и AlloyDB. Мы внедрили новый подход с использованием контекстной тонкой настройки, который учит модель учиться на множестве примеров во время вывода, чтобы еще больше повысить ее производительность. Наша модель Mobility AI использует наш двадцатилетний опыт инноваций в области карт и транспорта, чтобы предоставить транспортным агентствам мощные инструменты для принятия решений на основе данных и управления дорожным движением. Она может понимать схемы движения транспорта и парковки, моделировать системы, позволяя инженерам тестировать различные сценарии, и выявлять эффективные решения для транспортных сетей. Это дополняет наши прорывные разработки для потребителей в Google Maps и Поиске, такие как специализированные модели для расчета расчетного времени прибытия и оптимизации планирования поездок.

Посмотрите фильм

Ссылка на видео на YouTube

Наш API для моделирования дорожного движения с использованием ИИ предназначен для моделирования сложных сценариев движения в масштабах городов. Инструмент обеспечивает высокоточное моделирование перекрытий дорог, помогая снизить риски крупных инвестиций в инфраструктуру и проверить планы реагирования на чрезвычайные ситуации. Он был запущен в Сиэтле, Денвере, Бостоне, Филадельфии и Орландо. Нажмите на изображение выше, чтобы посмотреть видеодемонстрацию.

Кроме того, мы исследовали широкий спектр тем в области экономики и вычислительной техники, от динамики ценообразования на модульных торговых площадках и в аукционах закупок до проектирования механизмов на основе данных и различных подходов к оптимизации рекламных аукционов. Мы также изучали сожаление по поводу обмена и коррелированные равновесия в играх.

Поскольку искусственный интеллект все больше интегрируется в нашу повседневную жизнь, создание таких систем с учетом принципов конфиденциальности имеет решающее значение для пользователей и отраслей. С этой целью мы разработали и опубликовали новые алгоритмы для конфиденциального обучения и аналитики, а также открыли исходный код надежных программных инструментов, обеспечивающих внешнюю верификацию. Например, мы представили Parfait, новую организацию на GitHub для бизнеса и проектов с открытым исходным кодом. Она поддерживает развертывание Google федеративного обучения и аналитики, от Gboard до Google Maps. Мы также анонсировали Jax Privacy 1.0, библиотеку для машинного обучения с дифференциальной конфиденциальностью, которую мы использовали для обучения VaultGemma, крупнейшей и наиболее функциональной открытой модели, обученной с нуля с использованием дифференциальной конфиденциальности, с весами, доступными на Hugging Face и Kaggle. Повышая уровень наших возможностей в области конфиденциальности, мы предлагаем гораздо более надежную защиту для бизнеса и пользователей.

Представляем новые архитектуры.

Наши фундаментальные исследования в области машинного обучения представляют собой передовые подходы, открывающие новые возможности. Вложенное обучение — это новая парадигма машинного обучения, представляющая собой прорыв в нашем понимании глубокого обучения. Она рассматривает архитектуру модели и оптимизацию как единую систему, содержащую несколько меньших вложенных задач оптимизации. Объединяя эти элементы, она решает проблему катастрофического забывания, когда модели с долговременной памятью становятся забывчивыми и менее способными к выполнению старых задач после изучения новых. Это исследование может помочь нам создать следующее поколение более совершенных, самосовершенствующихся ИИ. Между тем, наша архитектура Titans и фреймворк MIRAS представляют собой значительный прогресс в моделировании последовательностей. Они позволяют моделям ИИ работать намного быстрее и обрабатывать огромные объемы данных, используя глубокие нейронные сети, которые учатся запоминать по мере поступления данных, улучшая долговременную память ИИ.

В рамках MIRAS мы стремимся обучить ассоциативную память, устанавливая связь между ключами и значениями. Для каждого токена модуль памяти внутренне оптимизирует свою внутреннюю направленность внимания, используя при этом свой вентиль удержания, чтобы гарантировать, что он не отклоняется от своего предыдущего состояния.

Мы также представили MUVERA, новый алгоритм поиска, который сводит сложный многовекторный поиск к поиску максимального скалярного произведения одного вектора, достигая передовых результатов со значительно улучшенной эффективностью. Он открывает новые возможности для поиска информации в таких приложениях, как рекомендательные системы и обработка естественного языка. А наши достижения в области базовых моделей графов расширяют границы обучения на графах. В то время как большинство нейронных сетей на графах привязаны к конкретному графу, на котором была обучена модель, мы разработали базовые модели графов, способные обобщаться на произвольные таблицы, признаки и задачи. Это открывает новые возможности для повторного использования моделей.

Сотрудничество с исследовательской экосистемой

Мы сотрудничаем с академическим сообществом, лидерами отрасли, правительствами и научными институтами по всему миру. Мы также продолжаем взаимодействовать с экосистемой посредством наших мероприятий Research@ от Маунтин-Вью до Токио, Сиднея и Польши, и поддерживаем сотни аспирантов в рамках стипендиальной программы Google.

Будучи глобальной командой, мы продолжаем расширять свое присутствие за пределами наших основных центров. Укрепив наши инвестиции в исследования и инновации в Африке (Аккра и Найроби) и наше присутствие в Австралии, мы сейчас готовимся к открытию нового исследовательского центра Google в Сингапуре в 2026 году.

Мы делимся результатами своей работы посредством публикаций, конференций, научных докладов, сравнительных тестов, наборов данных и релизов с открытым исходным кодом. Мы спонсировали и проводили семинары на конференциях, совсем недавно — на NeurIPS. Недавно мы запустили экспериментальную программу, которая предоставляла ученым автоматизированную обратную связь перед отправкой их докладов на рецензирование, помогая им тщательно проверять свою работу и ускорять исследовательские процессы. Кроме того, в сотрудничестве с NotebookLM мы запустили Google Research Featured Notebooks, чтобы сделать исследования более доступными для более широкого сообщества.

Искусственный интеллект как усилитель человеческой изобретательности

Сейчас золотой век для исследований. Никогда прежде технические прорывы и научный прогресс не материализовались так быстро в значимые, реальные решения, которые, в свою очередь, выявляют новые данные и вопросы, вдохновляющие на новые направления фундаментальных исследований. Этот волшебный цикл значительно ускоряется благодаря более мощным моделям, новым агентным инструментам, поддерживающим научные открытия, а также открытым платформам и инструментам.

Вместе с нашими коллегами и партнерами из Google мы продвигаем исследования и технологии, которые призваны быть полезными в самых разных областях. Наши исследования, основанные на строгом соблюдении принципов безопасности и доверия, помогают раскрыть человеческий потенциал — будь то помощь ученому в ускорении его исследований, повышение эффективности обучения студента и освоение новых концепций, или расширение возможностей врача, разработчика или учителя.

Сейчас действительно захватывающее время для научных исследований. Мы можем использовать весь набор инфраструктуры Google в области ИИ, моделей, платформ и талантов мирового класса, и вносить свой вклад в продукты, которыми пользуются миллиарды людей. Мы будем продолжать развивать наше наследие, задавая самые важные вопросы сегодняшнего дня и стремясь создавать решения завтрашнего дня. Мы будем продолжать продвигать ИИ смелым и ответственным образом, на благо общества, чтобы помочь расширить человеческий потенциал и сделать ИИ усилителем человеческой изобретательности.

Посмотрите фильм

Ссылка на видео на YouTube

Благодарности

Выражаем благодарность всем сотрудникам Google Research и многочисленным коллегам, внесшим свой вклад в этот блог и представленную здесь работу.

Источник: research.google