教師が「教えたいトピック」を打ち込むだけで、その場でインタラクティブな学習シミュレーションが生成される。そんな未来をGoogle Researchが実験しています。 タイトル: The future of practice: Enabling teachers to create learning interactives with generative UI URL: これまでの対話型シミュレーションは制作コストが高く数が限られていましたが、今回の取り組みにはとくに注目したいポイントが3つあります。 🧩 生成UIによるオンデマンド作成 教育向けに微調整されたLearnLMと生成UI（GenUI）技術を組み合わせ、任意のトピックに対して難易度が段階的に上がるレベル構成のシミュレーションをその場で構築します。導入・公式集・複数段階のヒント・個別フィードバックまで、教師が1対1で行うような足場かけを自動生成する点が特徴です。 🤖 エージェント的な品質保証ループ 生成物は教育学的基準・機械的基準・ビジュアル基準の3観点で自己修正されます。実際にChromeインスタンスを開いてボタン操作や解答可能性を検証する「agentic」なテストを組み込んでいるのが面白いところです。 📊 教師による高評価と実績 英国では40個のSTEM学習インタラクティブが「good or excellent」評価、米国では12人の教師が10点満点中平均8点を付けました。物理・化学・生物・数学にわたる30以上のインタラクティブが既に公開ライブラリで利用可能です。 「学習は観客としてではなく参加してこそ成立する」という原則を、生成AIでスケールさせる試みだと言えそうです。 #生成AI# #教育テック#

🔧 ツール利用エージェントの学習データ、実は「答えを先に作る」方が効率的だったという発見です。 タイトル: ToolGrad: Efficient tool-use dataset generation with textual "gradients" URL: Google Researchが提案したToolGradは、従来のツール利用データセット生成の順序をひっくり返す手法です。注目ポイントを3つ紹介します。 🔄 アンサーファーストという逆転の発想 ユーザー指示を先に作って解決策を深さ優先探索で見つける従来手法とは逆に、検証済みのAPIワークフローを先に構築し、そこからユーザープロンプトを逆算します。試行錯誤が要らないため生成が効率的です。 📝 テキストで表現する「勾配」 数値の勾配の代わりに、API実行レポートから得た自然言語のフィードバックを「テキスト勾配」として使い、Proposer・Executors・Selector・Updaterという4モジュールでワークフローを段階的に構築していきます。 🏆 商用トップモデルに匹敵する性能 小規模データセットでファインチューニングしたToolGrad-12Bは、Berkeley Function Calling LeaderboardでGemini 2.5 ProやClaude 4.5 Opusに匹敵する83.1点を記録し、GPT-5を上回りました。 低コストなデータ生成が、そのまま実用レベルのエージェント性能に直結するのが印象的です。 #AIエージェント# #ツール利用#

🔍 「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#

オランダ・フローニンゲンの工場から出荷された荷物が、ユトレヒト、アントワープ、パリを経てベルサイユの消費者に届くまで、実は何日もかけて複数の車両を乗り継いでいます。 📦 物流最適化の世界では、生産者から最初の拠点までの「ファーストマイル」と、配送センターから消費者までの「ラストマイル」は長年研究され尽くしてきました。一方でその間をつなぐ「ミドルマイル」、つまり配送センター同士を地域や大陸規模で中継する区間は、実運用コストが大きいのにほとんど研究が進んでいませんでした。理由は単純で、物流企業がネットワークの構造や需要量を機密情報として抱え込んでいるため、研究者が使える現実的なデータがなかったのです。 🧭 Google Researchが公開した「MilleMiglia: A Realistic Instance Generator for Middle-Mile Logistics」（ 🌍 重力モデルによる拠点配置や現実的な需要分布を使い、プライバシーを守りながら小規模なトイ問題から大陸規模の産業インスタンス、機械学習向けの大量データセットまで幅広く生成できます。VRPコミュニティにおけるCVRPLIBのような、ミドルマイル研究の標準ベンチマークになることが期待されています。 #物流最適化# #オペレーションズリサーチ#

🌍 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。