Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，将全球每 10×10 米地块划为六类森林与土地利用类型，作为欧盟毁林法规的关键基线。
研判 ForTy 将森林覆盖细分为六类并给出逐年变化，为 EUDR 要求的“2020 年后未毁林”核查提供 10 米分辨率基线，可能降低企业供应链尽职调查的取证成本。
NVIDIA 在 Earth-2 开放模型家族中新增面向欧洲的区域短临预报模型 StormScope EU，使用 EUMETSAT 卫星观测，按 10 分钟间隔预测 16 个 Meteosat 通道的云况。
Google Research 在《JAMA Network Open》发表研究，用 AI 模型解读未经超声培训的操作者采集的“盲扫”超声图像来估算孕龄。在 385 名 16–36 周孕妇的前瞻性队列中，模型平均绝对误差为 4.18 天，专家标准流程为 4.48 天；芝加哥适配后为 4.10 天，内罗毕未做本地优化为 4.27 天。
研判 研究显示，未经超声培训的操作者用便携探头做标准化盲扫、由 AI 估算孕龄，误差与专家操作接近，若在更多地区复现，可能降低基层产前筛查对专业超声医师的依赖。
微软研究院 Xinzhi Zhang 与合著者 Zhao Song 证明 1995 年提出的 KLS 猜想，证明在 2026 年 10 月 4 日的论文版本中完成。作者称该结果给出与维度无关的固定界，此前 2026 年 7 月的最好结果仍随维度缓慢增长。同日另有团队独立发布完整证明，随后出现 Lean 4 形式化验证。
研判 KLS 猜想被证明后，此前以该猜想为前提的高维采样与随机算法结论可改为无条件成立，可能影响凸几何、概率与理论计算机科学的论证基础。
Google Research 公布三项研究，推进 AI 智能体从计算设计走向湿实验室实验。VERID 框架基于开源 PyLabRobot 构建实验室工作单元的数字孪生，提供实时 3D 状态跟踪、虚拟预演和硬件安全检查。
研判 Google Research 把智能体从纯计算环节推进到湿实验室执行层，VERID 数字孪生与闭环适配体筛选若可复现，可能压缩分子发现的设计-测试周期。
Google DeepMind 发布技术演示，展示生物学家如何在智能体开发平台 Google Antigravity 中检索并结构评估抗菌肽候选。流程借助 ProtNLM 扫描 UniProt 中数百万条功能未知的蛋白序列，找到一个对呼吸道感染相关病原体有预测活性的候选肽，目前正进行湿实验验证。
Microsoft Research 发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的 RISC-V 程序执行过程，并返回约 12 毫秒即可验证的证明。研究团队称，在 15 个基准程序上，其速度比同类最快的 zkVM 平均快 10 至 39 倍，安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，无需椭圆曲线、格假设或可信设置。
研判 Magnetar 把零知识证明的安全假设收敛到标准哈希函数，并让 Rust、Go、C 程序无需改写即可证明执行，可能降低可验证计算的使用门槛。
Google 宣布扩展 Earth AI 地理空间推理智能体的实验性早期访问，覆盖 Ask Google Earth 的深度分析预览和面向开发者的 Agent-to-Agent API。
研判 Google 将 Earth AI 基础模型封装为可调用的模块化技能，并加入前置规划与独立空间工作区，试图解决通用 LLM 在行星尺度空间数据上的多步推理短板；若早期访问反馈成立，地理空间分析的门槛与耗时可能下降。
Microsoft Research 提出研究系统 StudentSim，用公开脱敏学习记录训练个性化 AI 学生模拟器，在 AI 导师接受真人测试前提供反馈。
Google Research 公布一项为期三个月的随机对照实验：在 11 家知识产权律所的 133 名律师中，提前获得 Google Labs 专利撰写 AI 工具（现属 Gemini Notebook）的律师，撰写评分在 10 天时提高 0.34 个标准差，90 天时提高 0.38 个标准差。
研判 三个月随机对照实验显示，AI 辅助提升了专利撰写质量，但去除工具后，只有资深律师的判断力有可测提升，初级律师未获益，提示短期产出与长期能力积累可能分离。
Google Research 以 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，展示将位置嵌入向量直接接入现有流行病学模型。
微软研究院实习生Rohan Kannan开发了一套机器学习流水线，可对美国本土66,935座变电站输出30–60分钟前的空间天气风险估计。该系统结合L1太阳风观测、AE与Dst指数预报、地质电导率与电网数据，在2020–2026年评估期内检测到近80%的重大空间天气事件。研究称在用于电网实际运行前，还需与电力公司及运行数据进一步验证。