🔍 「脚に赤い点がある」— でもそれを医学用語で検索できますか？ AIが肌の悩みの“理解”をどこまで助けられるか、Googleが2,345人規模で検証しました。 タイトル: Research into how AI can help users understand skin conditions URL: 💡 概要 成人の半数以上が健康情報を検索し、3人に1人がAIに頼る時代。Google Researchは、AIによる皮膚疾患の「診断精度」ではなく、AIが一般の人の意思決定をどこまで助けられるかを2つのユーザー研究で検証しました。 🩺 解決する課題 一般の人は「赤い点」には気づけても「触知性紫斑」という適切な用語で検索できません。情報にアクセスできることと、正しく理解して次の行動を決められることは別問題、という溝に切り込んでいます。 🧪 方法論 実際のケース画像と病歴を使い、2,345人を3群にランダム割付。通常検索の対照群、AIが3〜7個の候補を画像付きで提示するAI群、候補を皮膚科医が検証した正解にしたWizard of Oz群を比較しました。さらに110人の地域住民を対象に、4言語対応アプリで実地検証も実施しています。 📊 実験結果 疾患の特定精度はAI群23%で対照群8%のほぼ3倍に。地域研究では言い当てる能力が260%向上し、臨床医の92%がアプリを役立つと評価しました。一方で「受診すべきか自宅ケアか」の判断精度はほぼ改善せず、AI利用者は緊急度を低く見積もる傾向も。特定できることと適切に行動できることは別、という学びが残りました。 #AI# #ヘルステック#

🌍 衛星画像では「小さすぎて見えなかった」生垣や石垣。それをAIで数えられるようになると、農地を奪わずに森を増やせる道が見えてきます。 📰 タイトル: From pixels to planning: Earth AI for nature restoration 🔗 URL: 💡 概要 Google Researchが、高解像度の衛星画像を「実行可能なベクトルデータ」に変換するEarth AIの取り組みを公開しました。イングランド全域13万km²超を対象に、生垣・石垣・小さな雑木林を一つひとつの地図要素として数え上げたデータセットを一般公開しています。 🔍 解決する課題 気候変動対策の森林拡大は、食料を支える農地と土地を奪い合います。一方、生垣や防風林といった細かな木本性の要素は、農地を減らさずに炭素貯留と生物多様性を高められますが、小さすぎて従来の衛星検出や国家森林調査では捉えられませんでした。「測れないから管理できない」状態だったのです。 🛠 方法論と提案手法 ・3億枚超の衛星画像で事前学習したVision Transformer（ViT）基盤モデルを、約247km²の注釈データで微調整 ・サブメートル級の画像と1m解像度のLiDARを組み合わせ、地表の境界線と立体的な樹木を区別 ・Polsby-Popperのコンパクトネススコアを使い、0.5未満を生垣などの線状要素として自動分類 ・Google Earth Engine上で数千のSentinel-2セルを並列処理して大規模化 📊 ユースケース / 実績 数百万の要素のベクトルデータを生成し、Earth Engineで公開。林間放牧（シルボパスチャー）や農林複合（アグリシルビカルチャー）の支援、環境施策のリーケージ特定など、現場の意思決定に直結する使い方が想定されています。 #EarthAI# #リモートセンシング#

KAIST（韓国科学技術院 ）が世界初の研究でAIエージェントの「隠れたエネルギーコスト」を定量化。 通常の生成AIと比べ1クエリあたり最大136.5倍の電力を消費、応答遅延は最大153.7倍に。 GoogleSearch規模（1日137億リクエスト）に達すると必要電力は約198.9GW＝米国全消費電力の約半分に相当。 AIエージェント普及の持続可能性に重大な課題。