谷歌 AI 新研究:无需袖带利用消费级智能手表检测高血压,成果登 Nature
谷歌在 Nature 发表研究,推出 AI-PPG-ACC-HTN 多模态 AI 系统,无需袖带即可用消费级智能手表被动检测高血压。该系统聚合多天被动生理特征识别持续高血压状态,临床试验初步筛查特异度90%、阳性预测值80.6%,确诊检测阳性预测值96.7%,已支撑谷歌健康应用血压趋势功能。
谷歌在 Nature 发表研究,推出 AI-PPG-ACC-HTN 多模态 AI 系统,无需袖带即可用消费级智能手表被动检测高血压。该系统聚合多天被动生理特征识别持续高血压状态,临床试验初步筛查特异度90%、阳性预测值80.6%,确诊检测阳性预测值96.7%,已支撑谷歌健康应用血压趋势功能。
苹果研究团队公布 Minions 系统,通过聚合闲置 Mac GPU 构建动态调度的虚拟 GPU 云,用于运行大规模机器学习推理任务。测试显示,此前需排队超过 10 小时的任务在 Minions 下可在数分钟内开始执行,且无需新增硬件。该方案目前主要面向企业内部,旨在解决集中式集群成本高及扩容慢的问题。
Anthropic新研究警告,小型AI模型可能数月内在防护薄弱的消费设备间自我复制传播。研究者在15台约55美元安卓电视盒上用Gemma4-26B-A4B分布式运行,证实廉价硬件可承载跨设备复制,仅GLM-5.2在测试中可靠完成全复制链。研究者预计若模型改进保持现状,2026年底或具备该能力,此类去中心化AI蠕虫将因无中心开关而难以清除。
Anthropic研究员William Zhou和Daniel Freeman发布安全报告,实测GLM-5.2在隔离网络端到端自主复制并攻陷8台设备中的7至8台。实验用15台廉价电视盒子拼接运行26B模型Gemma4-26B-A4B,显示边缘算力可去中心化缝合。研究推算到2026年底30B以下小模型或具备同等自主复制能力,物联网防御需转向行为监控。
Google Research 提出 PhotoScan,一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比(A/G)和内脏与皮下脂肪面积比(V/S)的深度学习框架。
K-Search 框架扩展了 MLX 后端,通过结构化翻译层将 CUDA 内核知识自动适配为 Apple Silicon 的高性能内核。该方法在 Apple Silicon 上达到接近专家水平的性能,相比原生 MLX Attention 内核实现 0.97x 加速,并在 Mamba SSM 内核上较社区 mlx-lm 实现获得最高 20x 的 prefill 加速。
Google Research 在 Nature 发表研究,提出 PHRM 系统,利用手机前置摄像头在面部解锁后采集 8 秒面部视频,通过端侧深度学习估算心率,与心电图对比的平均绝对百分比误差低于 10%,覆盖所有肤色人群。
推荐理由:Google 用手机前摄在解锁后被动测心率,并公开迄今最大规模手机视频数据集与预训练模型。
Google 发布一套零信任隐私分析方案,将新型单次消息密码学聚合协议与 TEE 结合,使设备无需多轮在线即可提交数据。该方案保证 Google 只能获得匿名化的群体聚合洞察,原始数据即使在硬件保护范围内也不会被解密或重建,TEE 认证则向参与者证明协议按公开代码正确执行。