#google

GoogleのGemini Flash更新で注目されたのはモデル名の追加だけではない。出力token削減、低価格、CodeMenderと組み合わせたCyberモデルが、agent workflowの経済性を示している。

agentic RLの訓練では、モデル計算よりtool実行や環境step待ちでacceleratorが空く問題が重くなる。Google Tunixはasynchronous rolloutとproducer-consumer pipelineで、JAX/TPU上のmulti-turn agent訓練を詰まりにくくする。

AI provenanceは議論から実装規模へ移っている。GoogleはSynthIDが画像と動画1000億件超、音声6万年分にwatermarkを付け、検証は5000万回を超えたとした。

GoogleはGemini Sparkをdesktop automationへ寄せている。Mac対応、custom MCP接続、CanvaやDropboxなど5つの外部app連携が加わる。

Googleのon-device最適化は、配備済みモデルを再学習せず速度だけを上げる設計だ。Pixel 9・10のGemini Nano v3にfrozen Multi-Token Predictionを追加し、token生成50%以上、standalone drafter比130MB削減を示した。

Googleの支援を受けたUC San Diegoの研究者が、退役Pixel 2,000台を使う低炭素クラウド基盤を計画している。端末をメインボードまで分解し、25〜50台単位のKubernetesクラスターとして授業・採点・研究用途に回す構想だ。

Google Researchは、皮膚症状を調べるAIを病名候補だけで測らず、利用者が次の行動を選べるかまで見た研究を示した。JAMA Dermatologyの2,345人調査と混合研究を合わせ、医療AI評価の焦点が利用者理解へ移っている。

Google DeepMindが26B MoE open modelのDiffusionGemmaを公開した。256-tokenブロックを並列に生成・修正するtext diffusion方式で、専用GPUでは最大4x高速な生成を狙う。

HNで注目されたのは、AI検索の誤答を誰が背負うのかという点だ。ミュンヘンの裁判所は、AI Overviewを単なるリンク集とは見なさなかった。

Google Researchは、企業向けRAGを一度きりの検索から反復型agentワークフローへ寄せた。十分な文脈を検査する仕組みにより、factualityデータセットで最大34%の精度改善を示している。

GoogleはGemma 4 QATチェックポイントを公開し、エッジ端末と消費者向けGPUでのローカル推論を狙う。モバイル形式ではGemma 4 E2Bのメモリが1GBまで下がる。

Googleは2026年10月から2029年6月まで、約110,000基のNVIDIA GPUなどを使うためSpaceXに月$920Mを支払う。Gemini Enterpriseの需要が想定を上回り、巨大インフラ企業でも外部computeを借りる局面に入った。