כל הכתבות ממקור Google Research

פוסט מחקר חדש של מדעני Google Research, ניתאי קלדרון וגל יונה, מציג את מסגרת 'פרופילי הידע' ואת מדד WikiProfile המבוסס על 2,150 עובדות מוויקיפדיה. המחקר חושף כי שגיאות עובדתיות במודלי שפה מתקדמים כמו Gemini 3 ו-GPT-5 אינן נובעות מהיעדר המידע בפרמטרים (כשל קידוד), אלא מקושי של המודל לגשת אליו ולשחזר אותו באופן עצמאי (כשל שחזור). במודלי הקצה המובילים, כ-95% עד 98% מהעובדות מקודדות, אך המודלים נכשלים בשחזור ישיר של 26% עד 34% מהן. המחקר מדגים כי מנגנון חשיבה יכול לסייע בשחזור של כ-40% עד 65% מהעובדות המקודדות הללו, במיוחד במקרים של עובדות נדירות או שאלות הפוכות (קללת ההיפוך), ובכך הוא מהווה כלי יעיל לפתרון צוואר הבקבוק של השחזור.

חוקרי גוגל הציגו את AMIE (Video), שדרוג משמעותי למערכת הבינה המלאכותית המחקרית שלהם לשיחות ייעוץ רפואיות בזמן אמת. המערכת, המבוססת על מודל Gemini ופרויקט אסטרה (Project Astra), משתמשת בארכיטקטורה אסינכרונית מרובת סוכנים המאפשרת לה לנהל שיחה טבעית ומהירה תוך פענוח רמזים חזותיים וקוליים והנחיית בדיקות פיזיות וירטואליות. במחקר מבוקר אקראי (OSCE) שהקיף 100 תרחישים קליניים ו-300 מפגשי סימולציה עם שחקנים מקצועיים, הדגימה המערכת ביצועים קליניים המקבילים לרופאי משפחה מוסמכים. השחקנים שהשתתפו בניסוי העדיפו באופן מובהק את גרסת הווידאו על פני ממשק טקסטואלי, וציינו לטובה את רמת האמפתיה ויכולת יצירת הקשר של המערכת בהשוואה לרופאים אנושיים.

חוקרי Google Cloud הציגו את Science One Framework, אב-טיפוס ניסיוני למחקר מדעי אוטונומי המבוסס על בינה מלאכותית ומתוכנן למגר לחלוטין את תופעת ההזיות (hallucinations). המערכת פועלת על פי עקרון שרשרת הראיות (Chain-of-Evidence), הדורש כי כל טענה במאמר תקושר ישירות לראיה פיזית מתועדת בקוד, בניסוי או בספרות המדעית. במקביל, הוצג פרוטוקול ההערכה האוטומטי CoE Audit, הבוחן את אמינות המאמרים המיוצרים על ידי בינה מלאכותית מול קוד המקור ומזהה הפניות פיקטיביות, חוסר התאמה ושינוי ציונים. בניסויים שבוצעו, המערכת השיגה 0% הפניות פיקטיביות, עמדה בהצלחה במבחנים מורכבים כמו MLE-Bench ו-Parameter-Golf, והוכיחה כי ניתן לשלב אמינות מלאה מבלי לפגוע בביצועים המדעיים של הסוכן האוטונומי.

מחקר לאומי ראשון מסוגו שנערך על ידי Google Research בוחן את ביצועיו של SymptomAI – מערך סוכני בינה מלאכותית שיחתיים מבוססי Gemini Flash 2.0 המיועדים לראיונות סימפטומים והערכת אבחנה מבדלת (DDx). המחקר, שהקיף 13,917 משתתפים, השווה את האבחנות המבדלות שהפיק הסוכן אל מול הערכות של פאנל רופאים מומחים ודיווחים מביקורים רפואיים בעולם האמיתי. הממצאים מראים כי קלינאים העדיפו את אבחנות הסוכן בלמעלה מ-50% מהמקרים, וכי דיוק המערכת השתפר משמעותית באמצעות אסטרטגיות הנחיה אקטיביות. בנוסף, המחקר הדגים מתאם מובהק בין אבחנות המערכת לבין שינויים באותות פיזיולוגיים שנמדדו במכשירי פיטביט לבישים.

בפוסט חדש מטעם Google Research, מדען המחקר ג'נגדאו צ'ן מציג ממצאים מתוך מאמר שהתקבל לוועידת ICLR 2026, המפענח את מקור ה'יצירתיות' של מודלי דיפוזיה. לפי המחקר, היכולת של המודלים הללו לייצר נתונים חדשים, במקום לשנן באופן עיוור את מאגר האימון שלהם, היא תוצאה מתמטית של תהליך החלקת פונקציית הציון (score smoothing). החלקה זו נגרמת באופן טבעי בשל השפעות רגולריזציה במהלך אימון הרשתות העצביות, המונעות מהן ללמוד פונקציות בעלות מעברים חדים במיוחד. כתוצאה מכך, המודל מייצר אינטרפולציה במרווחים שבין נקודות המידע המקוריות של האימון. בסביבה רב-ממדית, אפקט זה פועל בכיוונים המשיקים ליריעת הנתונים הנסתרת, וכך מאפשר להשיג איזון מדויק בין איכות הנתונים לבין היצירתיות שלהם.

מחקר מבוקר של Google Research (זרוע המחקר של גוגל) שפורסם בכתב העת Nature Cities מוכיח כי יישום אלגוריתם של ניתוב תנועה שיתופי באפליקציית Google Maps מביא לשיפור של 2% במהירות הנסיעה בצווארי בקבוק מרכזיים. בניסוי שנמשך שישה חודשים ב-10 ערים בארצות הברית, החוקרים נהה ארורה ואבודי קריידיה הציגו מסלולים חלופיים דומים לנהגים, והסיטו בפועל פחות מ-2% מכלל הנסיעות. למרות השינוי המינורי, נרשמה ירידה חציונית של 0.5% עד 1% בצריכת הדלק במקטעים הממוקדים ועלייה חציונית של 0.35% במהירות הנסיעה ברשת כולה. המחקר מבסס מודל יישומי ראשון מסוגו לניהול עומסים מערכתי.

חברת Google (גוגל) הציגה את TabFM (מודל יסוד לנתונים טבלאיים), פתרון בינה מלאכותית בשיטת Zero-Shot המאפשר ביצוע משימות סיווג ורגרסיה על נתונים מובנים ללא צורך באימון מודל מותאם אישית או אופטימיזציה מורכבת של היפר-פרמטרים. המודל פותח על ידי חוקרי Google Research (זרוע המחקר של גוגל) ואומן על מאות מיליוני נתונים סינתטיים המבוססים על מודלים סיבתיים מבניים. במבחני ביצועים שנערכו במערכת המדדים TabArena (פלטפורמת הערכה למודלים טבלאיים), המודל השיג תוצאות מובילות בהשוואה לאלגוריתמים מסורתיים כמו XGBoost (אלגוריתם למידת מכונה מבוסס עצי החלטה). המודל משוחרר כקוד פתוח ומשולב ישירות בתוך Google Cloud BigQuery לשימוש מהיר באמצעות פקודות SQL פשוטות.

חברת Google הציגה פריצת דרך בארכיטקטורת מחשוב הקצה של מכשירי Pixel 9 ו-Pixel 10 באמצעות שילוב טכנולוגיית Multi-Token Prediction (MTP) במודל Gemini Nano v3 המקומי. פיתוח זה מאפשר להאיץ את מהירות הרצת המודלים על גבי המכשיר ביותר מ-50% ללא צורך במודל טיוטה חיצוני המכביד על הזיכרון. הארכיטקטורה החדשה, המכונה Zero-copy, עושה שימוש ישיר ב-KV cache של מודל הבסיס הקיים, ובכך חוסכת כ-130MB מזיכרון ה-RAM הדינמי ומפחיתה את צריכת האנרגיה של הסוללה, תוך שמירה על רמת דיוק ובטיחות גבוהה במשימות עיבוד שפה וסיכומי מידע.

מחקר חדש של Google Research (זרוע המחקר של גוגל) חושף כי הפעלת מנגנוני חשיבה (Reasoning) במודלים כמו Gemini-2.5 (מודל השפה של גוגל) משפרת באופן עקבי את היכולת לבצע אחזור ידע במודלי שפה. החוקרים זיהו שני מנגנונים: באפר חישובי וצימוד עובדתי, המאפשרים למודל לאחזר עובדות פשוטות מתוך הזיכרון הפנימי ללא צורך בחישובים מורכבים או בחיפוש חיצוני. עם זאת, המחקר מזהיר כי הזיה בודדת בשלבי הביניים של החשיבה פוגעת דרמטית בדיוק התשובה הסופית.

גוגל חשפה פריצת דרך בפרויקט Earth AI המאפשרת מעבר ממפות פיקסלים למידע וקטורי מפורט ברזולוציה של תת-מטר. המערכת שפותחה בשיתוף אוניברסיטת אוקספורד, מאפשרת מיפוי מדויק של גדרות חיות, קירות אבן וחורשות קטנות המהווים כלי קריטי לשיקום אקולוגי ולחישובי פחמן. עבור המגזר העסקי בישראל, טכנולוגיה זו מציעה הזדמנויות משמעותיות בתחומי הביטוח, הנדל״ן והחקלאות המדייקת, תוך התחשבות במגבלות חוק הגנת הפרטיות הישראלי.

חוקרי Google Research הציגו בוועידת AISTATS 2026 מסגרת עבודה מהפכנית בשם Regularized f-Divergence Kernel Tests, המיועדת לבצע אימות מחיקת מידע ממודלי בינה מלאכותית. השיטה החדשה מתגברת על כשלי הבדיקות הדו-מדגמיות המסורתיות (כמו MMD), ומאפשרת למבקרים חיצוניים לזהות דליפות מידע מקומיות ברמת דיוק חסרת תקדים. באמצעות שימוש במדדי שונות מתקדמים כמו Hockey-stick divergence ורגולריזציה של ליבות, המערכת מזהה הפרות פרטיות תוך שימוש בכמה אלפי דגימות בלבד בהשוואה למיליוני דגימות שנדרשו בעבר בשיטות כמו DP-Auditorium. פיתוח זה מעניק לעסקים הפועלים תחת רגולציות פרטיות מחמירות כלי מתמטי מוכח להבטחת עמידה בדרישות החוק.

גוגל מציגה את Agentic RAG, ארכיטקטורת רב-סוכנים חדשה המשולבת בפלטפורמת Gemini Enterprise. בניגוד למערכות RAG מסורתיות המחזירות תשובות חלקיות כאשר המידע מבוזר, המנגנון החדש פועל בצורה איטרטיבית. המערכת מחלקת את השאילתה בין סוכנים מומחים (כמו סוכן תכנון וסוכן ניסוח מחדש) ומשתמשת ב'סוכן הקשר מספק' המבצע בקרת איכות קפדנית על תוצאות החיפוש. בבדיקות של גוגל על מאגר המידע FramesQA, המערכת הגיעה ל-90.1% דיוק בחיפושים מורכבים חוצי-מאגרים, תוך שמירה על מהירות מענה כמעט זהה (פגיעה של 3% בלבד בלייטנסי). הטכנולוגיה, הזמינה כעת בגרסת תצוגה מקדימה, פותחת עידן חדש של אמינות ודיוק עבור סוכני AI בארגונים.

חוקרי Google Research שחררו רשמית את מודל ההידרולוגיה של החברה כקוד פתוח תחת רישיון Apache 2.0. המערכת, המבוססת על ספריית PyTorch ורשתות ME-LSTM, מניעה את חיזויי הזמן האמת של פלטפורמת Flood Hub הגלובלית. המהלך מאפשר לרשויות מטרולוגיות, חברות מים וגופי תשתית להריץ ולעבד נתוני אקלים ומשקעים מקומיים באופן עצמאי ומאובטח על שרתי הארגון. שילוב המודל, שנבחן בשיתוף פעולה עם המכון ההידרומטאורולוגי הצ'כי, מאפשר להאריך את טווח התחזית האמינה בעד שישה ימים באגנים מנוטרים, ומציע לעסקים ולרשויות בישראל כלי רב-עוצמה לניהול סיכוני מזג אוויר ושיפור ההיערכות לאירועי קיצון.

כנס גוגל I/O 2026 סימן את המעבר הרשמי של התעשייה ל"עידן הסוכנים" (Agentic Era), בו מערכות בינה מלאכותית פועלות באופן אוטונומי לביצוע משימות הנדסה ומחקר מורכבות. לפי דיווח החברה, גוגל השיקה כלים מרובי-סוכנים המסוגלים לבנות מערכות תוכנה שלמות מאפס. בנוסף לפיתוחי התוכנה, גוגל הציגה פריצות דרך במחקר רפואי עם מודל ה-MedGemma הפתוח (שחצה 5 מיליון הורדות), כלים מבוססי AI לחיזוי אקלים, ואת לוח הפיתוח Coralboard לעיבוד נתונים ישירות בציוד קצה. במוקד ההכרזות עמד השבב הקוונטי Willow, שלפי הנתונים מהיר פי 13,000 ממחשבי-על קלאסיים באלגוריתמים ספציפיים. חידושים אלו פותחים דלת לחברות ולסטארט-אפים בישראל לאמץ תהליכי אוטומציה עמוקים יותר.

צוות המחקר של גוגל הציג גישה חדשה לאנליטיקה פרטית באפס אמון (Zero-Trust), המשלבת סביבות ביצוע מהימנות (TEEs) יחד עם קריפטוגרפיה מתקדמת מבוססת סריגים. מטרת הפתרון היא לאפשר למפתחים לאסוף תובנות סטטיסטיות על ביצועי מודלי בינה מלאכותית הרצים על מכשירי קצה, מבלי לקבל גישה למידע הגולמי של המשתמשים בשום שלב. המערכת כבר מיושמת במנגנון Android SafetyCore, ומבטיחה שהמידע יוצפן וישלח בהודעה בודדת (פרוטוקול One-shot), בניגוד לפרוטוקולים ישנים שדרשו חיבור רציף ואינטראקציה מרובת שלבים מצד המכשיר. פריצת דרך זו מאפשרת לחברות לדעת האם מודלי ה-AI שלהן מזהים איומים במדויק, תוך ביטול התלות הבלעדית בבידוד חומרתי המועד למתקפות ערוץ צדדי, ומסמנת את הסטנדרט החדש לאיסוף נתונים מאובטח.

גוגל חושפת שורה של מודלי בינה מלאכותית ומאגרי נתונים בקוד פתוח, המיועדים לחוקרים, מפתחים וארגונים ברחבי העולם. בין הכלים הבולטים שהוצגו נמצא מודל MedGemma, שתוכנן במיוחד להבנת טקסט רפואי, לצד כלים לניתוח גנומיקה, מיפוי מוח ומאגרי חיזוי אקלים אדירים. הפרסום ממחיש את המעבר של תעשיית הטכנולוגיה למודלים בעלי משקולות פתוחות, המאפשרים לארגונים ולמרפאות לפתח כלים וסוכני AI חכמים הניתנים להפעלה על גבי שרתים מקומיים. מבחינת עסקים ישראלים בתחומי הבריאות והחקלאות, המשמעות היא יכולת לעבד נתונים רגישים תוך שמירה על חוק הגנת הפרטיות, ולקצר משמעותית את זמני הפיתוח של בוטים ומערכות אוטומציה מבוססות נתונים.

**Empirical Research Assistance הוא מנגנון של Google Research שמסייע לבנות מודלים ותוכנה אמפירית ברמת מומחה, וכבר שימש ב-4 תחומים שונים — חיזוי אשפוזים, קוסמולוגיה, ניטור CO2 ומדעי המוח.** עבור עסקים בישראל, הסיפור החשוב אינו המחקר עצמו אלא הכיוון: AI שמייצר תהליך עבודה מדיד, לא רק טקסט. המשמעות המעשית היא מעבר לפתרונות שמחברים נתונים, בודקים תחזיות ומשפרים החלטות דרך CRM, WhatsApp ואוטומציה. בענפים כמו מרפאות, ביטוח, נדל"ן ואיקומרס, זה יכול להפוך תהליכים כמו דירוג לידים, מניעת no-show ושירות לקוחות למדויקים יותר, במיוחד כשמחברים AI Agents עם Zoho CRM, WhatsApp Business API ו-N8N.

**ReasoningBank הוא מסגרת זיכרון לסוכני AI שמאפשרת להם ללמוד גם מהצלחות וגם מכישלונות אחרי הפריסה.** לפי Google Cloud, הגישה שיפרה ב-8.3% את התוצאות ב-WebArena וב-4.6% ב-SWE-Bench-Verified לעומת סוכן ללא זיכרון. עבור עסקים בישראל, המשמעות היא שסוכן שפועל ב-WhatsApp, ב-CRM או במערכות תפעול יכול לצבור לקחים במקום לחזור על אותן שגיאות. זה רלוונטי במיוחד למרפאות, משרדי עורכי דין, נדל"ן וחנויות אונליין, שבהם כל טעות חוזרת עולה בזמן צוות ובהזדמנויות מכירה. המבחן המעשי אינו אם יש לכם מודל טוב, אלא אם יש לכם מנגנון ששומר נימוקים, כישלונות והחלטות שניתנות למחזור בתהליך הבא.