Google DeepMind 启动欧洲机器人加速器,15 家初创入选
Google DeepMind 推出为期三个月的 Robotics 加速器,从欧洲选拔 15 家早期机器人初创公司,提供技术指导并开放其 AI 技术栈与 Gemini 机器人模型。入选企业覆盖物流、制造、医疗、气候与导航等领域,包括挪威 3D-Components、英国 Touchlab、法国 Bubble Robotics 等,本周在伦敦启动。
Google DeepMind 推出为期三个月的 Robotics 加速器,从欧洲选拔 15 家早期机器人初创公司,提供技术指导并开放其 AI 技术栈与 Gemini 机器人模型。入选企业覆盖物流、制造、医疗、气候与导航等领域,包括挪威 3D-Components、英国 Touchlab、法国 Bubble Robotics 等,本周在伦敦启动。
Google DeepMind 公布在塞拉利昂开展的预注册试验结果,使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差,约相当于 1.2 至 1.7 年的常规学习进度,八周内完成。
推荐理由:原文给出塞拉利昂预注册试验的量化结果与交互数据,可了解 AI 辅助教学在真实课堂中的效果与边界。
Google 在 Gemini Enterprise Agent Platform 中以公开预览形式推出基于 Agentic RAG 的 Cross-Corpus Retrieval。
推荐理由:原文拆解了多智能体 RAG 的规划、检索与上下文校验流程,并给出跨语料检索的准确率与延迟数据。
Google 在 Nature 发表 PHRM 研究系统,利用手机前置摄像头在面部解锁后拍摄 8 秒面部视频,通过深度学习估算心率,与 ECG 真值相比 MAPE < 10%,覆盖所有肤色。
推荐理由:Google 用前置摄像头在解锁后被动测心率,并公开迄今最大规模智能手机视频数据集,可供研究者了解 rPPG 在真实场景与不同肤色下的表现。
Google Research 在 GitHub 上以 Apache 2.0 许可证开源其水文建模框架,让各国气象与水文机构能基于同一架构和相近训练数据训练 AI 洪水预报模型。
Google Research 在 I/O 2026 上公布多项研究进展,包括基于 ERA 和 Co-Scientist 的 Gemini for Science 实验工具套件,以及面向健康场景的 Symptom AI、AMIE 多模态研究。
Google 为隐私分析服务提出零信任聚合方案,将新型单次消息提交的密码学聚合协议与 TEE 结合,使设备无需多轮在线即可安全上传数据。该设计保证 Google 只能获得匿名聚合结果,原始数据即使在硬件保护范围内也不会被解密或重建,并通过 TEE 远程认证向参与者证明协议按公开代码正确执行。
Google DeepMind 在亚太地区启动首届 Accelerator 加速器计划,聚焦“AI for the Planet”,面向该地区初创公司、研究团队和非营利组织,为期三个月。入选机构将获得专家指导,以及 Google AI 专家协助将前沿 AI 与科学 AI 模型集成到项目或产品中,覆盖自然、气候、农业、能源等领域。计划以在新加坡举行的线下 bootcamp 开营,现已开放报名。
Google 宣布把基于 Gemini 的科研工具 ERA 开放给科学家使用,该工具能搜索文献、编写并优化科学代码,相关论文已发表在 Nature。ERA 在基因组学、公共卫生、卫星图像分析、神经科学预测、时间序列预测和数学等基准上达到专家级表现。
推荐理由:Google 公开了 ERA 在 Nature 上的评测结果和八个实际科研项目,读者可据此判断 AI 写科研代码的落地边界。
Google DeepMind 介绍生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 使用 Co-Scientist 加速细胞衰老研究。Co-Scientist 扫描数万篇论文后提出 20 多个新的候选基因因子,实验室测试验证了其中几个假设,成功将细胞推向更年轻状态并改善整体功能。此外,Co-Scientist 将原本需要长达六个月的筛选数据分析缩短至几天。
推荐理由:原文给出 Co-Scientist 在衰老研究中的具体产出与验证结果,读者可据此判断 AI 辅助科研的实际效率提升。
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 真实影像锚定能力,用户可选取美国地点并搭配风格与角色描述,生成起点绑定真实街景的交互世界。
推荐理由:原文给出 Genie 接入 Street View 真实影像后的世界生成方式与开放范围,读者可据此判断世界模型落地路径。
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言多轮编辑视频。
推荐理由:Gemini Omni 把多模态输入与对话式视频编辑结合,读者可据此判断视频生成工作流的变化。
Google DeepMind 发布 Gemini for Science,在 Google Labs 上线三项实验工具:基于 Co-Scientist 的 Hypothesis Generation。
推荐理由:Google 把 Co-Scientist、AlphaEvolve 等研究原型打包成可申请试用的科学工具,读者可据此判断科研智能体的落地形态。
Google 宣布扩展内容透明度与验证工具,把 SynthID 的图像、视频和音频验证从 Gemini 应用扩展到搜索,并将在未来几周进入 Chrome。SynthID 已为超过 1000 亿张图片和视频、6 万年音频打上水印,Gemini 中的验证功能已被使用 5000 万次。
推荐理由:Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini 和 Chrome,读者可据此了解内容溯源工具的实际覆盖范围。
Google DeepMind 与新加坡政府达成国家 AI 合作,在医疗、科研、教育和可持续发展领域推出新项目。合作探索 AI 辅助临床的“三方照护”模式,并用 AlphaFold、Google Earth 等工具推进东南亚传染病与疫情防控研究;同时向新加坡中小学至初级学院全体教育工作者提供 Gemini for Education 及培训。
剑桥大学 Clare Bryant 教授利用 Google Co-Scientist 研究流感等病原体跨物种传播时引发败血症等重症的分子开关,该工具生成并排序的假设中有一个她此前未关注的蛋白质,关联到她已感兴趣的多个信号通路。她随后加入未发表数据反复迭代,将假设从候选蛋白质细化到具体氨基酸,团队正构建含氨基酸突变的细胞系验证。原本需两到三年的实验工作,她预计六个月内完成。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google 的 Co-Scientist 整合衰老生物学中零散的研究发现并生成可验证假设。
爱丁堡大学生物工程师 Filippo Menolascina 用 Google Co-Scientist 梳理文献、生成新假设,以缩小 MASH 组合疗法的搜索范围。该系统针对已获批 MASH 药物 resmetirom 仅对少数合格患者有效的问题,提出将 NLRP3 炎症小体作为连接炎症与代谢的分子桥梁这一假设,并已获实验验证,有望推动靶向双重疗法。
Google DeepMind 的 Co-Scientist 帮助 MIT 机械工程师 Ritu Raman 快速梳理 ALS 相关矛盾文献,将想法转化为可检验假设并按可行性与风险收益排序。
斯坦福大学医学院遗传学家 Gary Peltz 团队在《Advanced Science》发表研究,测试 Google DeepMind 的 Co-Scientist 能否从已有药物文献中筛选出可重定位治疗肝纤维化的候选药。
推荐理由:斯坦福团队用 Co-Scientist 筛选肝纤维化药物,实验显示其候选药优于人工挑选,可观察 AI 辅助药物重定位的实际效果。
Google DeepMind 与 Google Research 开发的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 在牙买加以 Category 5 强度登陆,置信度达 80%,三天前升至接近 100%。
推荐理由:原文给出 WeatherNext 在飓风路径与强度预测上的实测表现,读者可据此了解 AI 天气模型的实际预报能力。
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash,定位为面向智能体与编码的前沿模型,即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 及 Gemini Enterprise 上线。
推荐理由:官方给出 3.5 Flash 在编码与智能体基准上的具体分数和 4 倍输出速度,可据此判断速度与质量能否兼得。
Google DeepMind 在 Nature 发表 Co-Scientist 研究,推出基于 Gemini 的多智能体 AI 系统,可迭代生成、辩论并演化科学假设。
推荐理由:原文给出多智能体系统的三阶段架构与真实科研案例,读者可据此判断它在假设生成环节的可用边界。
Google DeepMind 汇总了 Gemini 驱动的编码智能体 AlphaEvolve 发布一年来的落地成果,覆盖数学、量子物理、基因组、电网优化和 AI 基础设施等领域。
推荐理由:官方汇总 AlphaEvolve 一年落地案例,从基因组到 TPU 设计,可看编码智能体在真实基础设施中的迁移路径。
Google Research 称其开源工具与开放数据集已支持全球超过 25 万名研究者和开发者。其基因组学工具 DeepVariant、DeepConsensus 和 DeepPolisher 已帮助全球社区处理 250 万人的外显子与全基因组数据,与 UCSC 合作的方法将遗传变异识别错误降低 50%。
Google DeepMind 宣布 AI co-clinician 研究计划,探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由:Google DeepMind 公开 AI co-clinician 研究,给出医生盲评与多模态模拟的对比结果,可了解医疗智能体的能力边界。
Google Research 总结了科学家使用 Empirical Research Assistance(ERA)的四类实践:在公共卫生领域,ERA 每周为美国各州提交流感。
Google DeepMind 与韩国科学技术信息通信部(MSIT)达成合作,将在首尔办公室设立 AI Campus,向韩国学术界开放 AlphaEvolve。
Google Research 宣布 Google Photos 的 Auto frame 功能上线,可在拍照后自动调整相机位置和焦距,重新构图。该方法分两步:先用内部 3D 点图估计模型重建场景并估算焦距,再用生成式扩散模型补全新视角下露出的空白区域。该功能会处理含人物的照片,自动检测人脸位置与朝向并修正广角前置镜头的透视畸变,结果作为 Auto frame 候选中的第二个版本呈现。
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构,将大规模训练拆分为解耦的计算岛并异步传输数据,从而隔离局部硬件故障。该架构基于 Pathways 与 DiLoCo,测试中用混沌工程注入硬件故障后仍能继续训练并重新接入失效单元,用 Gemma 4 验证的 ML 性能与传统方法持平。
推荐理由:原文给出跨数据中心异步训练的具体带宽与加速数据,读者可据此判断分布式预训练的工程可行性。
Google Research 在 ICLR 论文中提出智能体记忆框架 ReasoningBank,从成功和失败轨迹中提炼结构化推理记忆供测试时自进化。
Google DeepMind 宣布与 Accenture、Bain & Company、BCG、Deloitte、McKinsey 五家咨询公司合作,推动前沿 AI 在企业规模化落地。
Google Research 在 TMLR 论文中提出合成数据生成框架 Simula,把数据集构建拆成全局多样化、局部多样化、复杂化和质量检查四个可控步骤,不依赖种子数据或人工提示。
Google Research 提出 MoGen 模型,用合成神经元形状增强 PATHFINDER 的训练数据,使小鼠轴突重建误差降低 4.4%,主要来自合并错误的减少。该模型基于 PointInfinity 点云流匹配,用 1,795 条经人工验证的小鼠皮层轴突训练,训练集中仅需 10% 合成数据。团队称在完整小鼠脑规模下,这相当于节省 157 人年的手动校对工作,MoGen 已开源。
Google DeepMind 发布 Gemini 3.1 Flash TTS,称其在可控性、表现力和语音质量上均有提升,在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数。
推荐理由:官方给出 Elo 1211 与音频标签控制方式,读者可据此判断语音生成在可控性上的进展。
Google 发布研究实验产品 Vantage,通过生成式 AI 构建模拟多人对话环境,评估学生的协作、批判性思维等未来技能,现已在 Google Labs 开放英文注册。
Google DeepMind 发布 Gemini Robotics-ER 1.6,这是其面向机器人的推理优先模型升级版,重点增强空间推理与多视角理解,并新增仪表读数能力,可解读圆形压力表、液位指示器和数字读数。
推荐理由:官方给出与前代及 Gemini 3.0 Flash 的对比,并首次加入仪表读数能力,可据此判断机器人在巡检场景的落地边界。
Google Research 发布 ConvApparel 数据集,包含 4000 多段、近 15000 轮服装购物场景的人机多轮对话,用于量化 LLM 用户模拟器与真实人类的真实感差距。
Google Research 推出两个学术智能体框架:PaperVizAgent(原 PaperBanana)负责生成论文配图,ScholarPeer 负责自动同行评审。
Google Research 提出一套基于情境判断测试(SJT)的框架,用于评估 LLM 在真实用户-助手场景中的行为倾向与人类共识的对齐程度。对 25 个 LLM 的大规模分析发现两类差距:模型倾向偏离人类标注者共识,以及在无共识时未能覆盖人类意见的分布范围。在人类标注完全一致的场景中,小型模型(<120B)与前沿闭源模型对齐接近完美,但共识低于 90% 时对齐率停滞在 80% 出头。