| google | Nano Banana Pro | Gemini 3 Pro Image

Nano Banana Pro問世,大幅改善文字渲染並具備推理能力

代號Nano Banana Pro的Gemini 3 Pro Image模型功能亮點包括,可將現實世界內容直接圖像化,包括食譜流程、植物資訊、天氣變化、資料圖表等

2025-11-21

| google | AI | 基礎建設

Google在臺北啟用總部以外最大AI基礎建設硬體研發基地

Google新的辦公室據傳投入逾1億元打造,落地於臺北市的士林區,鄰近捷運劍潭站,並與Nvidia將落腳的北士科車程約10分鐘,為Google總部以外最大AI基礎建設硬體研發基地。

2025-11-20

| AI代理 | Antigravity | google | AI-Assisted IDE

Google推出可自行操作電腦的AI代理人開發平臺Antigravity

Antigravity結合多種Gemini模型,讓代理人能規畫、編寫、執行、測試並修正程式碼,並直接操作電腦介面完成應用程式開發

2025-11-19

| google | Chrome | 零時差漏洞 | CVE-2025-13223

Google發布Chrome 142更新,修補V8引擎零時差漏洞

本週Google針對電腦版Chrome 142發布更新,修補兩項高風險V8類型混淆(Type Confusion)漏洞,並警告其中的CVE-2025-13223已遭利用,而這是今年該公司修補的第7個Chrome零時差漏洞

2025-11-19

| google | WeatherNext | 天氣預報 | Deepmind

Google新一代WeatherNext 2天氣預報模型,一分鐘可算出上百種天氣變化

Google推出WeatherNext 2,在單一TPU上一分鐘即可生成上百種每小時天氣變化,預報範圍涵蓋0至15天,並已升級Search、Gemini與Pixel天氣,同時透過Weather API與Vertex AI向企業與開發者開放

2025-11-18

| BigQuery | google | SQL語意分析 | LLM

BigQuery加入AI函式讓開發者在SQL可直接用LLM進行語意分析

Google在BigQuery推出AI.IF、AI.CLASSIFY與AI.SCORE託管函式,讓資料團隊在SQL查詢中直接用大型語言模型做語意篩選、分類與評分,減少搬資料與調整提示詞的負擔

2025-11-17

| 德州 | google | 資料中心

Google將投入400億美元於德州興建3座資料中心

看好德州能源價格低且供應穩定,Google將斥資400億美元在當地興建三座資料中心園區

2025-11-17

| IT周報 | 國網中心 | TAIDE | AI RAP | google | 巢狀學習 | Meta | 語音 | 世界模型 | 李飛飛

AI趨勢周報第280期:百家單位搶先試跑!國網中心AI RAP讓AI開發從難題變快煮料理

國網中心11日揭露Taiwan AI RAP平臺暨TAIDE模型試營運成果;Meta推全球最強語音AI,一次聽懂1,600種語言;Google用「巢狀學習」解決災難性遺忘;一句話、一張圖就能生成一個3D世界,李飛飛新創推Marble模型;DeepMind揭能自主學習的3D多世界AI代理

2025-11-14

| Android | Rust | 記憶體安全 | google | 系統程式語言

導入Rust讓Android記憶體漏洞降至兩成以下,還提升交付效率

Google指出Android在大量採用Rust後,記憶體安全漏洞首度降到兩成以下,新增程式碼審查更快,回退率僅為C++的四分之一

2025-11-14

| google | Lighthouse | 簡訊網路釣魚 | PhaaS | 美國反詐騙法案

Google控告Lighthouse釣魚即服務幕後組織,並推動美國新法打擊詐騙

Google對Lighthouse幕後成員提告並支持美國反詐新法,鎖定假包裹與道路費等簡訊與通訊平臺網路釣魚,拆解全球化詐騙服務

2025-11-13

| google | Private AI Compute

Google推出Private AI Compute,在雲端提供裝置端等級的隱私運算

Private AI Compute的核心目標是讓雲端大型Gemini模型能夠處理高度敏感的個人資料,但資料只屬於使用者,Google也無法存取

2025-11-12

| google | LLM | 巢狀學習 | 災難性遺忘

改善AI模型學新忘舊,Google提出巢狀學習新解法

Google提出巢狀學習(Nested Learning)方法,將模型拆解為多層次巢狀最佳化問題,各層以不同更新頻率協同運作,讓模型能持續學習新知同時保留舊知,有效減少災難性遺忘並提升長內容理解能力

2025-11-12