Google 與 DeepMind 的 AI 動態：Gemini 系列、Veo 影片模型、研究成果與產品生態的持續追蹤。
Google DeepMind 發佈 Gemini Robotics 2 系列模型，為機械人帶來全身控制、靈巧操作及多機協作能力。系列包括將視覺與語言輸入轉為動作控制的 Gemini Robotics 2、用於具身推理與多步任務規劃的 Gemini Robotics ER 2，以及可在機械人裝置本地運行的 Gemini Robotics On-Device 2。
推薦理由：全身控制、靈巧操作、多機協作與本地適配均有具體案例，呈現 Gemini Robotics 2 系列面向機械人任務的能力佈局。
Google 在 DOE Genesis Mission Summit 2026 宣佈，將提供 $40 million 的 AI tokens 和雲端額度，支持 Genesis Mission 研究人員。
推薦理由：承諾同時涵蓋科學 AI 工具與 Gemini for Government 一年使用權，並附有顯微鏡校準時間及手動步驟的前後數據，可見資源投入如何落到實驗室工作流程。
Google DeepMind 發佈 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，涵蓋智能體工作流、低延遲高吞吐任務及網絡安全場景。
推薦理由：文章列出 3.6 Flash 與 3.5 Flash-Lite 的速度及成本指標，並説明 Cyber 模型將透過有限試點提供，呈現不同工作負載的部署差異。
Google DeepMind 發佈 Gemini 3.5 Flash Cyber，這款基於 3.5 Flash 並經微調的輕量網絡安全模型，旨在快速發現、驗證及修補漏洞。
推薦理由：V8 JavaScript Engine 的固定調用測試提供了具體比較，Gemini 3.5 Flash Cyber 找到 55 個獨特確認問題，主線 3.5 Flash 與 Claude Opus 4.6 分別找到 47 個和 36 個。
Google Research 在 10 座美國城市以 Google Maps 進行導航改道實驗，發現少於 2% 行程收到改道建議，也可提升行車速度並降低燃料消耗。
推薦理由：研究在 10 座美國城市以全市交叉實驗測試導航改道，呈現少於 2% 行程受影響時，行車速度上升、燃料消耗下降的路網效益。
Google Research 將建築物屋頂反射率數據集擴展至 9 個國家的 50+ 座城市，並透過新推出的 Heat Resilience Earth Engine App 開放使用。
推薦理由：數據細化至單棟建築並覆蓋 9 個國家的 50+ 座城市，讓城市規劃者可據此識別優先採用高反射屋頂的地點。
Google DeepMind 推出 Nano Banana 2 Lite，並首次向開發者開放 Gemini Omni Flash。
推薦理由：兩款模型分別面向高速批量圖像生成與影片生成、對話式編輯，文中列出成本、延遲及 API 限制，可供評估多媒體工作流的取捨。
Google Research 已將 Multi-Token Prediction（MTP）架構部署至 Pixel 9 和 10 系列的 Gemini Nano v3，透過凍結主模型權重加快裝置端文字生成。
推薦理由：文章對照整合式 MTP head 與獨立草稿模型，説明直接利用主模型狀態如何提升候選 token 準確度，並改善 Pixel 端的速度與記憶體效率。
Google DeepMind 將 computer use 內建於 Gemini 3.5 Flash，讓開發者可構建能在瀏覽器、流動裝置及桌面環境操作的智能體。
推薦理由：從獨立提供的 Gemini 2.5 computer use 模型，到納入 Gemini 3.5 Flash 內建工具，這次更新呈現電腦操作能力的產品整合變化。
Google DeepMind 發佈實驗性開放模型 DiffusionGemma，透過文字擴散並行生成文字，在專用 GPU 上文字生成最高快 4 倍。
推薦理由：DiffusionGemma 的優勢集中於低至中等批次的單加速器推理，高 QPS 雲端服務則可能收益較小並增加服務成本。
Google DeepMind 發佈 Gemini 3.5 Live Translate，這款音訊模型可自動識別 70+ 種語言，並進行近乎即時的語音轉語音翻譯。
推薦理由：模型以連續生成譯語音訊取代逐輪等待，並透過 API、Google Meet 和 Google Translate 進入開發、企業會議及日常翻譯場景，呈現其部署路徑。
Google DeepMind 發佈 Gemma 4 12B，定位為可在筆記型電腦本機運行的多模態模型，並為中型模型加入原生音訊輸入。它採用免多模態編碼器架構，將視覺和音訊輸入直接整合至 LLM backbone；標準基準表現接近 26B MoE，總記憶體佔用不足其一半。Gemma 4 12B 以 Apache 2.0 授權釋出，可透過 LM Studio、Ollama 等工具試用。
推薦理由：Gemma 4 12B 的免編碼器設計、接近 26B MoE 的基準表現與較低記憶體佔用，提供比較中型多模態模型架構和本機部署定位的具體依據。
Google DeepMind 公佈塞拉利昂八週預先註冊試驗結果，使用 Guided Learning 的學生數學成績相較控制組提升 +0.258 個標準差，約相當於 1.2 至 1.7 年的典型學習進度。
推薦理由：試驗同時呈現 Guided Learning 的數學成績變化、對話中的概念建構方式及不同起點學生的受益差異，勾勒 AI 輔助教學成效的多個面向。
Google Research 在 Nature 發表 PHRM 研究系統，透過智能手機前置鏡頭在面部解鎖後擷取 8 秒影片，於日常使用中被動估算心率（HR）及每日靜息心率（RHR）。
推薦理由：研究結合實驗室測試與八日自由生活驗證，按膚色報告 HR 誤差，並呈現 RHR 估算覆蓋率及穿戴裝置對照，讓讀者掌握日常使用中的證據範圍。
Google Research 將水文建模框架以 Apache 2.0 許可證開源，供研究人員及預報機構訓練 AI 洪水預報模型。這個 Python 套件以 PyTorch 實作河流預報模型，包含 LSTM 架構與使用 Caravan 歷史河流數據的訓練流程，並可加入本地數據訓練或微調。
推薦理由：CHMI 開發 adapter 將框架接入 Delft-FEWS，具體展示 AI 水文模型如何納入既有預報工作流，亦為其他機構提供整合參考。
Google Research 開放 ERA 科學研究工具，並開始逐步開放由 ERA 與 AlphaEvolve 構建的 Computational Discovery。
推薦理由：文章把 ERA 的樹狀搜尋方法與多學科基準和實際科學問題並置，呈現其從程式碼優化延伸至預測研究的應用範圍。
Google DeepMind 為 Project Genie 加入 Street View 地點錨定能力，並開始向全球符合資格的 Google AI Ultra $200 訂閲者逐步開放（18+）。
推薦理由：Project Genie 把美國 Street View 地點作為生成世界的起始位置，並可套用不同風格，具體呈現真實地理影像如何用於構建虛擬環境。
Google DeepMind 推出 Gemini Omni 系列首個模型 Gemini Omni Flash，可結合圖像、影片、文字及語音參考生成影片，並支援透過對話編輯。
推薦理由：材料把 Gemini Omni Flash 的多模態輸入、對話式影片編輯和分階段上線平台放在一起，便於理解新模型如何連接生成能力與實際使用入口。
Google DeepMind 推出 Gemini for Science，涵蓋 Google Labs 三項科學研究實驗及 Google Antigravity 的 Science Skills。
推薦理由：三項實驗工具分別對應假設生成、計算探索與文獻整理，呈現 Gemini for Science 將 AI 智能體引入科研流程不同環節的設計。
Google 擴展內容來源驗證工具至 Search、Gemini、Chrome、Pixel 和 Cloud，並在 Google Cloud 推出 AI Content Detection API。
推薦理由：內容驗證由面向一般使用者的 Gemini、Search、Chrome 延伸至 Cloud API，後者可識別 Google 及其他熱門模型生成內容，協助企業評估和管理自有平台上的媒體。