Google 与 DeepMind 的 AI 动态：Gemini 系列、Veo 视频模型、研究成果与产品生态的持续追踪。
Google DeepMind 介绍了研究人员如何使用 Co-Scientist 研究逆转细胞衰老的遗传因素。Co-Scientist 扫描数万篇论文，提出了 20 多个可测试的遗传因素，其中部分假设经实验验证可使细胞进入更年轻且整体功能改善的状态；它还将筛选数据结合文献的分析工作从最多六个月缩短至几天。
推荐理由：文章展示了 Co-Scientist 如何从文献中生成可测试的遗传因素，并将筛选数据分析从数月压缩到数天。
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 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。
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。
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 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 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。