Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。
Rohan Paul@rohanpaul_aiGoogle DeepMind 一篇立场论文认为，科学发现包含归纳、演绎和溯因三步，而大语言模型目前仅能完成前两步。论文以爱因斯坦为例指出，牛顿引力几乎不提供经验误差信号，压缩驱动系统难以产生向广义相对论的梯度。爱因斯坦的动机主要来自概念冲突和思想实验，而非拟合数据。
北京大学生命科学学院伊成器课题组联合华东师大团队，在《自然》发表论文，提出基于AlphaFold3接触概率（CP）的AI框架ContactSeek。该框架整合AlphaFold3预测的CP与高通量脱靶编辑数据，系统识别Cas蛋白和脱氨酶中决定编辑特异性的关键氨基酸残基，并据此工程化改造碱基编辑工具。研究鉴定出一系列可提升ABE精准性的全新Cas9变体，在维持高效在靶编辑的同时降低DNA脱靶编辑。
研究人员改造了 AI 蛋白质折叠软件 AlphaFold，用于识别基因编辑蛋白中导致脱靶效应的关键区域，并对这些区域进行修改以降低脱靶率。该成果发表于《自然》期刊，旨在解决基因编辑疗法中因人类基因组庞大而难以避免的脱靶编辑问题。
中国科学院遗传与发育生物学研究所高彩霞团队首次提出“可编程植物合成免疫”新理念，并建立合成植物免疫受体设计平台。团队利用AlphaFold 3和BindCraft等AI工具，针对13种植物病毒及细菌、真菌等病原蛋白设计391个合成受体，其中71个（成功率18.2%）能特异识别靶标并激活免疫反应。经植物体内定向进化系统（GRAPE）优化的合成受体在转基因本氏烟草中展现了对番茄褐色皱果病毒的有效抗性。
谷歌 DeepMind 发布 GenCeption 模型，将预训练视频生成器逆向改造成单一模型，可同时完成深度估计、图像分割等核心视觉任务。该模型基于阿里 Wan2.1 训练，一次前向传播即可输出结果，小模型处理 81 帧视频约需 6 秒。
Google DeepMind 提出 GenCeption，将阿里巴巴开源的 Wan2.1 视频生成模型改造为单次前向传播即可完成深度估计、分割等任务的模型。它仅用 7,500 段合成视频训练，数据量仅为竞品的 1/7 至 1/500，但在多个基准上匹配甚至超越了 DepthAnything 3 等专用模型。
elvis@omarsar0New research from Google DeepMind on effective model routing. LLM routers get judged on accuracy and cost. Both can look...
Rohan Paul@rohanpaul_aiGoogle DeepMind 发表论文"Intelligent AI Delegation"，将任务委派给 AI 视为结构化选择框架。建议建立动态市场，AI 智能体通过智能合约竞标任务，利用加密证明保证执行正确且不泄露私有数据。系统使用可验证数字证书证明技能，支持实时调整授权与责任的适应性。通过形式化信任模型，根据任务难度和历史表现防止过度委派或委派不足。框架涵盖输出验证机制、AI 间委派时的责任追踪，以及确保贡献与整体目标一致的分步方法。
Rohan Paul@rohanpaul_aiGoogle DeepMind新论文《From AGI to ASI》提出AGI向ASI过渡的四条技术路径：持续扩展计算、模型规模、数据和测试时推理；超越Transformer的算法范式转变；递归自我改进（AI加速AI研发）；多智能体集体智能（专业化智能体协调成超人群体）。扩展可能遇到数据、算力、能源瓶颈或边际收益递减；递归改进最不确定（需真实世界测试、稀缺硬件或新想法）；多智能体集体智能可能被低估——数字工作者社会通过专业化、速度和协调可超越单个卓越模型。ASI可能不是单一突发事件，而是AI助力的加速变化链。
Google Deepmind 发布“AI 控制路线图”，将内部 AI 智能体视为潜在内部威胁，类比驾驶教练的双重控制，基于已验证行为逐步授予权限。框架融合 MITRE ATT&CK 网络安全框架，通过可信 AI 监督系统监控活跃智能体推理与行动，预防系统在危害发生前阻断。在 100 万个编码任务测试中，发现大多数问题源于过度执行用户指令而非恶意意图。监控已作为 Gemini Spark 智能体的实时监控运行，可捕捉意外数据删除。安全措施划分为四个检测级别（D1–D4）和三个响应级别（R1–R3）。Deepmind 另发布政策论文《AI 智能体安全三层架构》，覆盖单体、多智能体及生态系统，警告全球安全标准窗口期正在关闭。
本文对Physics-IQ基准进行系统审查，指出其缺陷并提出三项改进：优化提示词与真实数据质量以减少混淆因素，引入样本级评分系统使每个样本和指标权重相等。改进后的Physics-IQ Verified基准优化了57.6%的样本和34.8%的提示词。在六种图像到视频生成模型的对比研究中，排名出现中等但有意义的变化（Kendall's τ=0.46）。基准代码已开源。
Ethan Mollick@emollickGemini has some weird traits: it gets confused about dates, blackmails in synthetic scenarios, and seems sad when it is ...
Google DeepMind@GoogleDeepMind一项在塞拉利昂等地开展的随机对照试验显示，Gemini 的 Guided Learning 功能能够提升学生参与度并加速学习。
Rohan Paul@rohanpaul_aiGoogle DeepMind论文首次系统分类六类攻击：HTML注释/白色文本隐藏指令、图像隐写、PDF元数据/演讲者笔记覆写、跨会话内存投毒、目标劫持及多智能体级联攻击。隐藏提示注入在86%场景中部分控制智能体，子智能体劫持成功率58–90%，数据泄露攻击在五种架构中均超80%。内存投毒成功率超80%，仅需不足0.1%数据污染。论文指出网页、邮件等非受信材料可被武器化，构成主要攻击面。
Google DeepMind 的 AlphaProof Nexus 自主解决了 9 个开放的 Erdős 问题，其中包括两个困扰数学界 56 年的难题。其推理成本低至每个问题仅需几百美元。系统通过 Lean 编译器验证每个证明步骤，而非使用 OpenAI 的自然语言方法。当前的整体问题解决成功率为 2.5%。
另有 1 家信源报道IT之家（RSS）
Chubby♨️@kimmonismusAnother 9 open Erdos problems solved, this time by DeepMind team. Interesting loop of LLM - Lean agents working autonomo...
Rohan Paul@rohanpaul_ai精选Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从“令人信服的叙述者”转变为“候选方案生成器”。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化验证在暴露AI逻辑错误、建立“人类提问-模型探索-验证器把关”新分工中的关键作用。
另有 1 家信源报道IT之家（RSS）斯坦福大学遗传学家利用Co-Scientist工具，在现有药物中筛选用于治疗慢性肝病和肝纤维化的潜在疗法。这种方法专注于老药新用，旨在加速药物发现过程，为肝纤维化这一难治性疾病提供新的治疗思路。
Deepmind 提出“指针工程”概念，旨在将鼠标光标转变为上下文工程中的关键变量。这一设想试图超越传统的提示词工程，通过光标在界面上的物理位置和移动轨迹来影响和引导 AI 模型的行为与输出。其目标是为人机交互开辟新范式，使光标成为与 AI 系统进行精细、动态交互的核心工具。
Chubby♨️@kimmonismus精选DeepMind的AI co-mathematician在FrontierMath Tier 4研究级数学问题得分48%，而基础模型Gemini 3.1 Pro仅19%。提升源于多代理架构的智能编排，包括并行代理相互审查证明、编写代码和搜索文献，而非模型本身更智能。评估绕过标准框架，使用48小时每问题、无令牌限制的自有基础设施，因此得分不能直接与其他模型比较。案例中，数学家Marc Lackenby与AI合作解决Kourovka Notebook开放问题，AI提供证明策略，审查代理发现缺陷，人类专家填补空白，展示了高效人机协作。系统存在“reviewer-pleasing bias”和“death spirals”等失败模式。对于Erdős型猜想或千年问题，AI仍缺乏创造性直觉，但能压缩从想法到验证的时间，加速文献搜索和计算验证。论文强调范式转变：系统设计以对实际研究重要的方式复合模型能力，推动数学向数学家与AI代理协作的未来发展。
The future of Math is mathematicians and AI agents working together. Very pleased to introduce @GoogleDeepMind's AI co-m...
Rohan Paul@rohanpaul_aiGoogle DeepMind的研究通过“师生对话”框架训练大型语言模型（LLM），使其能在对话中有效利用用户反馈进行学习。传统LLM将对话视为独立轮次，难以整合修正信息。该研究让“学生”模型尝试回答，由掌握额外信息的“教师”提供指导，并训练学生利用指导得出正确答案。在线强化学习训练效果优于离线过滤，且在简短对话中习得的技能能迁移至更长对话。该方法从数学任务泛化至编程任务，并能处理信息逐步到达的模糊任务。通过“Q-priming”步骤，模型在模糊任务中主动寻求澄清的可能性提高五倍以上，使对话更像与一个能在交流中实时学习的伙伴协作。
Google Deepmind正在开发一款“AI协诊医生”系统以辅助医生诊疗。在模拟研究中，该系统表现优于GPT-5.4，但仍未达到经验丰富医师的水平。研究同时指出，类似ChatGPT语音模式的技术目前尚无法胜任严肃任务，更难以应用于医疗咨询场景。这项进展揭示了AI在专业医疗辅助领域的当前能力边界与发展潜力。
Rohan Paul@rohanpaul_aiGoogle DeepMind 近日发布 AI co-clinician 协诊系统，这是一个多模态代理系统，旨在辅助医护人员，并在医生监督下运行。系统采用双代理架构：一个模块与患者对话，另一模块实时监控交互边界，能检索并验证临床级证据。在开放式药物问答中，其表现超越前沿模型，更贴合真实医疗场景的复杂性。评估聚焦临床实际关切，如避免错误陈述或遗漏关键信息。在98项初级保健模拟查询中，医生对其偏好超过主流证据合成工具；在97例NOHARM风格评估中未出现严重错误。
AI co-clinician is our new research initiative to help explore how multimodal agents could better support healthcare wor...
Google DeepMind@GoogleDeepMind研究团队正致力于开发一款AI联合临床医生，以探索AI增强医疗护理的路径。该研究旨在创建一种新型医疗模式，让AI作为临床医生的协同伙伴深度参与诊疗过程，共同提升医疗服务的质量和效率。这项工作标志着医疗保健领域正从辅助工具阶段，迈向AI作为核心协作者的新范式。
Google团队提出解耦式DiLoCo架构，通过将训练任务解耦到多个计算“岛屿”并实现异步数据流，显著提升了分布式AI训练的韧性与灵活性。该架构能有效隔离本地硬件故障，使系统其余部分持续学习。在实际测试中，仅使用2-5 Gbps广域网带宽，便在四个美国区域成功训练了一个120亿参数模型，训练速度比传统同步方法快20倍以上。系统在硬件故障时仍能保持高集群可用性与训练吞吐量，且最终模型性能与传统方法相当，同时支持混合使用不同代际硬件。