Google DeepMind 为 Project Genie 接入 Street View 真实地点生成能力
Google DeepMind 为实验性原型 Project Genie 推出 Street View grounding 能力,将美国地点的真实街景作为生成世界的起始位置。
推荐理由:Project Genie 将 Street View 的真实地点接入可交互世界生成,既扩展了用户的探索方式,也为智能体和机器人提供了贴近现实的虚拟环境。
Google DeepMind 为实验性原型 Project Genie 推出 Street View grounding 能力,将美国地点的真实街景作为生成世界的起始位置。
推荐理由:Project Genie 将 Street View 的真实地点接入可交互世界生成,既扩展了用户的探索方式,也为智能体和机器人提供了贴近现实的虚拟环境。
Google DeepMind 发布 Gemini Omni Flash,这是 Gemini Omni 系列的首个模型,可组合图像、音频、视频和文本输入生成视频,并通过对话编辑视频。
推荐理由:Gemini Omni Flash 将多模态输入、对话式视频编辑和物理理解结合起来,并已通过多个 Google 产品开放使用。
Google DeepMind 推出 Gemini for Science,包含 Google Labs 的三个实验工具和 Google Antigravity 中的 Science Skills,用于辅助科学假设生成、计算发现与文献分析。
推荐理由:这项发布把科学假设生成、计算实验和文献分析整合为可用工具,并展示了 Science Skills 在生命科学工作流中的应用方式。
Google 扩展 Search、Gemini、Chrome、Pixel 和 Cloud 中的内容透明度与验证工具,用于识别内容来源、AI 生成痕迹及编辑记录。
推荐理由:Google 将 SynthID 与 C2PA 验证扩展到 Search、Chrome、Gemini、Pixel 和 Cloud,呈现了内容溯源工具从单一产品走向跨平台协作的路径。
Google DeepMind宣布与新加坡政府及多家机构开展新的国家级AI合作,聚焦医疗、生命科学、教育、科研、劳动力发展和可持续性。合作包括探索AI临床协作、利用AlphaFold推进传染病研究、开发面向视障跑者的Gemma助手,以及培训研究人员使用科学智能体工具。
Google DeepMind 介绍了剑桥大学 Clare Bryant 教授使用 Co-Scientist 研究病原体跨物种传播后引发严重疾病的分子机制。Co-Scientist 从研究计划生成并排序假设,帮助团队将候选蛋白进一步收敛到可实验检验的特定氨基酸;相关实验原本可能需要 two to three years,团队目前预计 six months 内完成。
推荐理由:案例展示了 Co-Scientist 如何从研究问题生成并排序假设,再逐步收敛到可实验验证的氨基酸靶点。
Calico Life Sciences 利用 Co-Scientist 梳理衰老生物学研究,提出值得实验验证的新假设。围绕整合应激反应(ISR),团队借助 Co-Scientist 设计并迭代实验,获得了对 ISR 在健康与疾病中作用的新发现,计划发表相关结果。
Google DeepMind 介绍 Co-Scientist 如何帮助爱丁堡大学研究团队研究 MASH,整合肝脏生物学与药理学证据并筛选候选组合疗法。针对 resmetirom 仅对少数符合条件患者有效的问题,系统提出 NLRP3 炎症小体连接炎症与代谢的机制假设,该假设随后得到实验验证。
推荐理由:文章展示了 Co-Scientist 如何整合肝脏生物学与药理学证据,帮助研究者缩小组合疗法搜索范围并提出可实验检验的机制假设。
MIT 的 Ritu Raman 与 Boston Children’s Hospital 的 Ryan Flynn 借助 Co-Scientist 连接组织工程与 RNA 细胞表面研究,探索 ALS。Co-Scientist 压缩文献梳理过程,帮助 Raman 检验证据、提出可测试假设,并按可行性与潜在风险收益排序研究方向。两人正寻找可用于靶向 ALS 的新型 RNA 机制及潜在 RNA 药物。
Stanford University School of Medicine 的 Gary Peltz 团队使用 Co-Scientist,从既有药物文献中提出三种肝纤维化候选药物,并与两种人工选药一同进行活体人类肝细胞实验。Co-Scientist 选出的三种药物中有两种阻断了纤维化并促进肝细胞再生,其中抗癌药 vorinostat 阻断了 91% 的相关损伤反应。
推荐理由:研究展示了 Co-Scientist 如何从既有药物文献中筛选候选,并通过人类肝细胞实验验证其发现。
Google DeepMind 的 WeatherNext 帮助 National Hurricane Center 提前五天预测 Hurricane Melissa 将以 Category 5 强度登陆 Jamaica,预测置信度为 80%,提前三天接近 100%。该模型通过 50 个情景组成的 ensemble 同时预测风暴路径和强度,并支持预警、资源调度与疏散协调。
推荐理由:文章以 Hurricane Melissa 为案例,说明 WeatherNext 如何同时预测路径和强度,并为灾害预警提供更长准备时间。
Google DeepMind 发布 Gemini 3.5 系列的首款模型 Gemini 3.5 Flash,面向智能体和编码任务,已通过 Gemini 应用、Google Search 的 AI Mode 及多项开发者和企业平台提供。
推荐理由:Gemini 3.5 Flash 将智能体、编码速度与安全训练放在同一发布中,并给出基准结果和面向个人、开发者及企业的开放入口。
Google DeepMind发布基于Gemini的多智能体系统Co-Scientist,用于生成、辩论、排序和迭代完善复杂科学问题的研究假设。系统整合网页搜索、ChEMBL、UniProt等数据库,并在肝纤维化、ALS、细胞衰老等研究中协助科学家提出和筛选可测试方向。
推荐理由:Co-Scientist展示了多智能体如何通过生成、辩论和迭代完善科学假设,并已在多项生命科学研究中协助推进实验方向。
Google DeepMind 介绍 AlphaEvolve 在科研、基础设施和商业领域的应用进展,这一 Gemini 驱动的编码智能体已从试点测试发展为基础设施的核心组件。在具体案例中,DeepConsensus 的变异检测错误减少 30%,电网可行解比例从 14% 提升至超过 88%,Google Spanner 的写放大降低 20%,并帮助多家企业提升训练、推理、仿真或路线规划效率。
推荐理由:文章汇总了 AlphaEvolve 在科研、基础设施和商业场景中的具体应用,展示其从试点走向规模化部署的路径。
Google Research 通过全球合作伙伴关系、开源软件和开放数据推动开放科学,相关资源已服务全球超过250,000名研究人员和开发者。其成果涵盖基因组学、神经科学、地球与大气建模、生物多样性及医疗健康,包括处理250万名个体基因组数据的工具、MedGemma 和 NeuralGCM。 Open Health Stack 已在超过10个国家部署,覆盖超过6500万名受益者。
Google DeepMind 宣布 AI co-clinician 研究计划,探索在医生临床监督下让 AI 智能体参与患者照护。系统在 98 个基层医疗查询中有 97 个未出现关键错误,并在药物问答和实时音视频模拟中展现能力;在 140 项问诊能力评估中,专家医生整体表现更好,AI co-clinician 在其中 68 项达到或超过基层医生水平。
推荐理由:文章同时报告了临床证据检索与实时多模态问诊模拟结果,呈现了 AI co-clinician 的能力边界和安全设计。
Google Research 总结 Empirical Research Assistance(ERA)在流行病学、宇宙学、气候研究和神经科学中的四项应用。ERA 被用于预测美国各州流感、COVID-19 和 RSV 住院情况,探索宇宙弦引力辐射的数学解,从 GOES East 卫星数据推导每 10 分钟的柱平均 CO2 估计,并根据斑马鱼神经连接提出可解释的神经回路机制。
推荐理由:文章通过四个跨学科案例展示 ERA 如何处理预测、理论计算、卫星观测和神经回路建模,具体呈现 AI 辅助科学研究的应用路径。
Google DeepMind与韩国科学技术信息通信部宣布合作,将在首尔办公室设立AI Campus,支持韩国科研机构使用AI for Science模型推进生命科学、能源、天气与气候研究。双方将探索AlphaEvolve、AlphaGenome、AlphaFold、AI co-scientist和WeatherNext等项目的合作,并开展AI人才培养及与韩国AI安全研究所的安全研究。
推荐理由:Google DeepMind披露了合作的具体落点,涵盖科研设施、模型应用、人才培养与AI安全协作,呈现其国家级AI合作框架。
Google Photos 已在 Auto frame 中加入基于3D场景理解和生成式 AI 的自动重构功能,可在拍摄后调整相机位置、方向和焦距,生成新的照片视角。该方法先估计3D点图与人脸信息,再用生成式 latent diffusion 模型补全原照片未捕捉到的区域,并可改善人像广角镜头造成的透视畸变。
推荐理由:Google Photos 将3D场景估计与生成式修补结合,用于自动调整人像视角和广角畸变,展示了生成式编辑介入拍摄构图的具体路径。
Google DeepMind 提出 Decoupled DiLoCo,通过将训练拆分到彼此解耦的计算岛并异步传输数据,降低跨数据中心训练的带宽依赖并隔离硬件故障。
推荐理由:Decoupled DiLoCo 将异步训练、容错和跨地域低带宽连接结合起来,展示了分布式预训练如何利用异构及闲置算力。
Google Research介绍ReasoningBank,一种从Agent成功与失败经验中提炼结构化推理记忆、支持测试时自我演化的框架。
推荐理由:ReasoningBank同时利用成功与失败轨迹提炼可迁移的推理记忆,并用MaTTS连接记忆与探索,为持续改进Agent提供了具体框架。
Google DeepMind宣布与Accenture、Bain & Company、BCG、Deloitte和McKinsey合作,帮助企业以负责任的方式规模化采用前沿AI和智能体AI。合作包括开发行业专用AI能力、让伙伴提前使用包括Gemini系列在内的前沿模型,以及连接AI领导层与客户CEO和董事会,重点覆盖金融、制造、零售、媒体和娱乐等行业。
Google Research 在 Transactions on Machine Learning Research 发表论文“Reasoning-Driven Synthetic Data Generation and Evaluation”,提出推理优先的 Simula 框架,从第一原则构建无需种子数据的合成数据集。
推荐理由:文章将合成数据生成重构为机制设计问题,展示如何分别控制覆盖度、多样性、复杂度与质量,为构建专业领域数据集提供可迁移框架。
Google Research 发布 MoGen 神经元形态生成模型,用合成神经元形状增强 PATHFINDER 的训练数据,使小鼠轴突重建错误率降低 4.4%。按完整小鼠脑的规模估算,这相当于节省 157 person-years 的人工校对工作;MoGen 及其不同物种的训练模型已开源。
推荐理由:论文展示了合成神经元形状如何降低 PATHFINDER 的重建错误,并将模型改进换算为完整小鼠脑图谱中的人工校对节省量。
Google 发布 Gemini 3.1 Flash TTS,提升语音质量、可控性和表现力,并支持原生多说话人对话及 70+ languages。模型新增 audio tags,可通过自然语言控制语气、语速和表达方式,并在 Gemini API、Google AI Studio、Vertex AI 和 Google Vids 中分阶段提供预览或使用。
推荐理由:Gemini 3.1 Flash TTS 将音频标签、场景指令和说话人设置结合,展示了开发者如何更细致地控制语音表达与多轮角色表现。
Google Research 推出研究实验 Vantage,通过 AI avatars 模拟多方对话,帮助高中生和大学生练习并评估批判性思维、协作和创造性思维等未来技能。Vantage 使用 Executive LLM 动态引导对话,再由 AI Evaluator 按教育评估量规分析表现并生成技能图谱;与纽约大学专家评分的比较显示,其一致性接近专家评分之间的一致性。
推荐理由:Vantage把难以量化的协作与创造力置于可控对话中评估,并用人类专家对照验证了自动评分方法。
Google DeepMind 发布 Gemini Robotics-ER 1.6,增强空间推理、多视角理解、任务规划和任务完成检测能力,并新增仪表读数功能。模型可通过 Gemini API 和 Google AI Studio 使用,官方还提供了开发者 Colab。
推荐理由:Gemini Robotics-ER 1.6 将空间推理、多视角理解、仪表读数和安全约束结合起来,展示了具身模型面向真实机器人任务的能力变化。
Google Research 介绍 ConvApparel 数据集与评估框架,用于衡量 LLM 用户模拟器与真实人类交互之间的现实性差距。该数据集包含超过 4,000 段人类与 AI 的多轮服饰购物对话,总计近 15,000 轮,并通过“Good”和“Bad”两个推荐智能体收集不同用户体验。
推荐理由:研究用双智能体数据和反事实验证评估用户模拟器,展示了统计拟合与面对未见挫折场景时适应能力之间的差异。
Google 推出 PaperVizAgent 和 ScholarPeer 两个 AI 智能体,分别用于生成学术图表和自动评审论文。PaperVizAgent 由五个专用智能体协作,在 0-100 评分中取得 60.2 分,超过 50.0 的人工基线及 GPT-Image-1.5、Nano-Banana-Pro 和 Paper2Any。
Google Research 提出一套评估大语言模型行为倾向对齐程度的框架,将心理问卷改编为现实场景中的情境判断测试,并比较 25 个 LLM 与 550 名参与者的偏好分布。结果显示,小于 25B 的模型方向性对齐较低,大于 120B 及前沿闭源权重模型在 10/10 人类共识场景中接近完全对齐,但在人类共识较低时普遍表现出过度自信,难以反映意见多样性;模型的自我报告与实际行为也存在明显差异。
推荐理由:研究把心理问卷转化为现实场景中的判断测试,既比较模型与人类共识,也检验模型能否保留分歧意见的范围。
Google DeepMind 发布 Gemma 4,包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸,面向高级推理、Agent工作流和端侧部署。模型支持函数调用、结构化 JSON 输出、图像与视频处理,E2B 和 E4B 还支持音频输入;上下文窗口覆盖 128K 至 256K,并以 Apache 2.0 许可开放。
推荐理由:Gemma 4同时覆盖端侧设备与开发者硬件,并提供Agent工作流、长上下文和Apache 2.0许可,呈现了开放模型的完整落地路径。
Google Research 在“Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation”中研究评测项目数量与每项评分者数量之间的取舍。
推荐理由:研究用多个主观评测数据集和模拟器比较样本广度与单项评分深度,为控制标注成本并提高 AI 基准可复现性提供了具体设计依据。
Google Research 表示,未来量子计算机破解保护加密货币的 256-bit 椭圆曲线离散对数问题所需资源可能低于此前估计。其白皮书给出两种少于 1,200 或 1,450 个逻辑量子比特的 Shor's algorithm 电路,并估计少于 500,000 个物理量子比特即可在几分钟内执行。
推荐理由:Google 给出量子攻击 ECDLP-256 的更新资源估算,并以零知识证明支持可验证披露,为加密货币迁移 PQC 提供了具体依据。
Google DeepMind 正在探索由 Gemini 驱动的 AI 智能指针,让用户通过指向和语音在不同应用中调用 AI,而不必反复切换窗口或编写复杂提示词。
推荐理由:文章从四项交互原则和实验演示出发,具体说明 AI 如何结合指针位置、视觉上下文与语音,减少复杂提示词输入。
Google 发布 Gemini 3.1 Flash Live,提升了语音交互的精度、自然度和响应速度,并支持更可靠的复杂任务执行。
推荐理由:Gemini 3.1 Flash Live 同时给出语音交互、任务执行和多语言扩展的具体变化,便于判断其开发者与终端使用场景。
Google 发布 Vibe Coding XR 工作流,结合 Gemini 与基于 WebXR、three.js 和 LiteRT.js 的 XR Blocks,将自然语言转换为物理感知的 Android XR 应用。
推荐理由:Google 将 Gemini 的长上下文推理与 XR Blocks 模板结合,把自然语言生成物理感知的 Android XR 原型,展示了教育和交互场景的快速验证路径。
Google Research 介绍 TurboQuant,以及配套的 QJL 和 PolarQuant 压缩算法,用于降低 LLM 的 KV cache 和高维向量搜索的内存开销。
推荐理由:文章系统介绍了 TurboQuant、QJL 和 PolarQuant 的压缩机制与实验结果,展示其在 KV cache 和向量搜索中的内存与速度收益。
Google Research 介绍了 S2Vec,这一自监督框架将建筑、道路、商铺等建成环境要素映射到 S2 Geometry 网格,并通过 masked autoencoding 学习通用地理嵌入。在评估中,S2Vec 对未见地区的人口密度和收入等社会经济指标预测表现突出;环境任务通常需要与卫星图像嵌入结合。
Google Research 在 The Check Up 活动上介绍了 AI 用于个性化医疗、临床协作、公共卫生和生物医学研究的最新进展。相关工作包括 Personal Health Agent、AMIE、MedGemma 和 DeepSomatic,涉及乳腺癌检测、糖尿病视网膜病变筛查、医疗应用开发及基因数据分析。
推荐理由:文章集中呈现 Google Research 将多模态模型、智能体和开放权重工具推进医疗研究与临床场景的路径,涵盖筛查、诊疗和公共卫生应用。
Google Research 联合 NHS 机构开展的 AIMS 研究评估了乳腺癌筛查 AI 系统的独立性能及其作为第二读者融入双读流程的可行性。系统将癌症检出率从每 1,000 名女性 7.54 提高到 9.33,并检出原双读流程漏掉的 25% 间隔癌;在 12 个 NHS 筛查点处理 9,266 个病例时,中位 AI 读取时间为 17.7 分钟。
推荐理由:两项研究从独立性能、临床流程整合和人机协作三个层面提供证据,具体呈现了筛查效率、数据漂移与人工复核的权衡。