谷歌 DeepMind 与谷歌研究院联合开发的人工智能模型 WeatherNext 选择了后者。在登陆前五天，它以 80% 的置信度预测，这团风暴将以五级飓风的形态登陆牙买加。

结果是飓风梅丽莎（Melissa）带来了灾难性的洪水与山体滑坡。但因为这份提前量，预报员得以更早向沿途社区发出警告。这也是美国国家飓风中心（NHC）首次在风暴还只是一级强度时，就成功预判出它会升级为五级。

一天的提前量，等于十年的进步

2026 年 8 月 6 日，相关研究成果发表于《自然》（Nature）杂志。论文显示，WeatherNext 在热带气旋预报上的准确度达到了前所未有的水平：在路径、强度、风场结构三项指标上，相比现有主流业务模型平均多出至少 24 小时的预警提前量。换句话说，它提前三天给出的预报，精度相当于过去模型提前两天的水平。

研究人员表示，按照以往的节奏，把预报提前一天需要整整十年的持续攻关。

这多出来的一天意味着什么？美国国家飓风中心主任迈克·布伦南（Mike Brennan）给出的答案很直接：「哪怕只多几个小时都会有区别。」组织疏散、调配物资、把应急资源提前送到位，全都是对时间高度敏感的工作，一旦判断失误，代价极其沉重。「在这类决策上，时间是真正的黄金，能把预报精度往前推整整一天，价值非常大。」

作为参照，过去五十年间热带气旋在全球已造成超过 70 万人死亡和约 1.4 万亿美元的经济损失。

少见的样本，怎么训练模型

极端天气对机器学习本身就是个难题：模型需要大量训练数据，而极端事件按定义就是罕见的。

「气旋数据并不多，但天气数据很多。」论文第一作者之一、谷歌 DeepMind 研究科学家费兰·阿莱特（Ferran Alet）解释了团队的思路，「所以我们训练了一个既擅长常规天气、也擅长气旋的模型。」最终的训练素材包含近 20TB 的大气数据，以及 IBTrACS 数据库中近 5000 场历史风暴记录。

飓风难预测的另一层原因在于它同时涉及多个空间尺度。论文作者之一、大气研究合作研究所（CIRA）热带气旋研究组负责人凯特·马斯格雷夫（Kate Musgrave）指出：判断风暴往哪走，需要全球尺度的天气数据，比如冷锋位置和盛行风；而判断风暴会变多强，则要依赖局地的大气与海洋条件。「后面这类信息，全球模型根本给不了。」她说，早前的 AI 模型在预测路径上已经不错，「但强度这块完全不行。」

在真正投入实战之前，团队先用历史数据做了回溯测试。「结果好到让我们怀疑实时演示里根本达不到。」马斯格雷夫回忆，但预报员把模型接入实际业务流程后，表现依旧成立，「所有人都对它的实际效果感到意外。」

连开发者也解释不了的「黑箱」

真正让业界震动的，是这套模型对输入数据精度的要求低得离谱。

传统观点认为，要准确预报风暴强度，必须依赖极高的空间分辨率。而 WeatherNext Cyclones 的输入数据只有 28×28 公里的粗网格，比传统区域模型粗约 100 倍；更精简的 WeatherNext 2-mini 甚至跑在 111×111 公里的网格上，表现依然出色。

「当我们告诉同行模型只用了相对粗糙的分辨率时，他们都震惊了，因为这意味着低分辨率输入里包含的信号，比此前认为的要多得多。」阿莱特说。

至于模型究竟从粗网格里捕捉到了什么，研究者自己也答不上来。「说到底它就是个黑箱，但这给了物理学家一个信号——有些此前没被理解的东西正在发生。」

另一处关键改进是集合预报规模。模型不会只吐出一个结论，而是生成一整组可能情景，用来捕捉所谓的「蝴蝶效应」。去年每场风暴生成 50 组情景，今年已扩大到 1000 组。「以现有算力，传统数值模型根本做不到这一点。」马斯格雷夫说。一次 15 天的预报，在单块 TPU 上跑完不到一分钟。

开源，以及人的位置

谷歌 DeepMind 同时宣布，将飓风季实际运行的 WeatherNext 系列模型开源，代码与权重一并公开，托管在 GitHub 上。开放的版本包括论文对应的 WeatherNext Cyclones、后续升级的 WeatherNext 2，以及可在单块 TPU 上运行的精简版 WeatherNext 2-mini。阿莱特希望，把模型交给研究社区，能帮忙揭开气旋运行机制中尚未被理解的部分。

不过这项研究由参与开发的团队自行评估，论文合著者中包含国家飓风中心、大气研究合作研究所与英国气象局的预报员。

布伦南对这套工具的评价保持克制。他认为 DeepMind 的模型是预报员工具箱里一件很棒的新装备，但也只是众多工具之一：「没有任何保证说，某个模型因为去年表现好、或者在某场风暴上特别准，下一个季度、下一场风暴它还是最好的。」

在他看来，人的判断依旧不可替代：「一场飓风不只是一条路径或一个强度预报，它需要专家把这些数字翻译成实际影响——而真正致命的是影响本身。」

来源：WIRED、Google DeepMind 官方博客、《自然》杂志

当地时间 8 月 5 日，谷歌与母公司 Alphabet 首席执行官桑达尔·皮查伊向 Google DeepMind 团队发出内部信，宣布一系列人事调整：联合创始人兼首席执行官德米斯·哈萨比斯不再负责部门日常运营，转任 Google DeepMind 董事长，并出任 Alphabet 新设的首席科学家一职；在谷歌效力 27 年的杰夫·迪恩正式离职创业。消息公布后，Alphabet 股价盘中一度下跌逾 5%。

接棒者是谁

真正接手日常业务的，是现任 Google DeepMind 首席技术官、谷歌首席 AI 架构师科拉伊·卡武克曲奥卢（Koray Kavukcuoglu）。他将升任 Google DeepMind 高级副总裁，直接向皮查伊汇报，全面负责 Gemini 模型研发、前沿 AI 研究，以及 Gemini 应用和开发者团队。值得注意的是，他的头衔是高级副总裁而非首席执行官，同时保留谷歌首席 AI 架构师身份。

按照外媒报道，下一代旗舰模型 Gemini 4 的研发将由他主导。卡武克曲奥卢在 DeepMind 工作了 13 年，组建了这里最早的深度学习团队，并主导过 WaveNet 语音合成与 DQN 深度强化学习等一批标志性成果。

皮查伊在内部信中给出的业务背景是：Gemini 应用月活用户已超过 9.5 亿，Gemma 系列开源模型下载量突破 9 亿次，Flash 模型需求旺盛，专注网络安全的 Cyber 模型已经上线。

哈萨比斯为什么退一步

哈萨比斯在给团队的信中把原因说得很直接：他一生都在追求通用人工智能（AGI），而现在他和许多同事一样，认为 AGI 已经近在眼前。正因如此，他决定交出日常运营职责，为思考更宏观的方向留出时间和空间。

新岗位上，他将聚焦 AGI 战略、全球政策与长期科研方向，与皮查伊共同处理 AI 相关的战略性和全球性事务，同时继续担任 Alphabet 旗下 AI 制药公司 Isomorphic Labs 的首席执行官。谷歌发言人向路透社表示，哈萨比斯今后的直接下属将非常少。

“一直以来，我都相信 AI 的头号应用应该是改善人类健康，”哈萨比斯在信中写道，”现在是 AI 向世界证明其确切价值的时候了，还有什么比帮助人类最终攻克癌症这类疾病更好的证明方式呢？”

哈萨比斯于 2010 年联合创办 DeepMind，2014 年谷歌以约 6.5 亿美元收购该公司后，他继续执掌这家总部位于伦敦的机构。2022 年底 ChatGPT 发布后，谷歌于 2023 年将 DeepMind 与 Google Brain 合并为 Google DeepMind，哈萨比斯出任首席执行官，迪恩担任首席科学家。

四位核心科学家同时出走

与人事调整同步公布的，还有一支重量级团队的集体离职。杰夫·迪恩将与谷歌高级研究员桑杰·格玛瓦特、奥里奥尔·维尼亚尔斯、黎国维（Quoc Le）共同创办新公司 Discovery Loop，由迪恩担任首席执行官。

这家公司采用公共利益公司形式，目标是用 AI 自动化复杂、多步骤的科学与工程工作，加速机器学习、硬件设计、药物研发和清洁能源等领域的发现。迪恩解释，许多科研工作包含提出假设、设计实验、执行实验、评估结果这样一个反复循环的过程，其中相当一部分可以完全交给计算机，这也是公司名称的由来。

Alphabet 以创始投资人和云计算合作伙伴的身份支持这家新公司，种子轮由 Radical Ventures 与 Khosla Ventures 联合领投。格玛瓦特在解释出走原因时说：谷歌现有的技术框架是为大规模消费级应用、搜索和广告系统量身打造的，并不适合专门的科研基础设施。

这批离职者的分量不轻：迪恩 1999 年加入谷歌，是第 30 号员工，2011 年联合创办 Google Brain，主导过张量处理器（TPU）的开发；他与格玛瓦特合作的 MapReduce 和 Bigtable，至今仍是谷歌核心服务的底层支撑；维尼亚尔斯是蛋白质结构预测系统 AlphaFold 的重要贡献者；黎国维则参与了谷歌数学推理 AI 系统的研发。

时机耐人寻味

这场改组发生在一个微妙的节点上。谷歌新一代旗舰 Gemini 模型原定 6 月发布，至今尚未面世；与此同时，OpenAI 与 Anthropic 近几个月持续从谷歌挖走知名 AI 研究员，包括与哈萨比斯共同获得 2024 年诺贝尔奖的约翰·江珀，也已转投 Anthropic。

最新财季中，谷歌因资本开支大幅增加，出现了公开披露以来的首次现金流为负，公司预计全年资本开支将触及 2050 亿美元的上限。

一边是投入创下纪录，一边是核心人才持续流出，谷歌的这次权力重排，既是对现状的回应，也是一次押注。

来源：Google 官方博客、路透社、《华尔街日报》、Firstpost

当被问到创业者应该切入哪些方向时，迪恩给出的答案是“科学方法的自动化”。他这样描述那套循环：提出一个实验，实现运行实验所需的条件，评估实验，再从中拿到结果。他判断，把成千上万个这样的循环自动跑起来，有可能在科学、生物、芯片设计乃至改进 AI 模型本身等多个领域打开突破口。

台下没有人意识到，他讲的其实是自己刚刚组建的秘密公司。

四个人一起走，等同于抽掉半个技术底座

8 月 5 日消息正式落地：在谷歌工作近 27 年之后，迪恩离职创业，公司名为 Discovery Loop。同行的还有另外三人——桑贾伊·格玛沃特（Sanjay Ghemawat）、DeepMind 研究副总裁兼 Gemini 技术负责人奥里奥尔·维尼亚尔斯（Oriol Vinyals），以及谷歌大脑联合创始人、AutoML-Zero 项目背后的核心科学家 Quoc Le。

这个组合的分量很难被低估。迪恩与格玛沃特是谷歌最早期的员工之一，两人合写了这家公司大量的计算与搜索基础设施代码。极客圈里长期流传着一份调侃迪恩技术能力的“事实”清单，其中一条是：“杰夫·迪恩的简历上写的是他没做过的事，因为那样更短。”《连线》杂志把这次离职形容为米克·贾格尔和基思·理查兹一起退出滚石乐队去组新团。

对正在 AI 模型竞赛中疲于追赶的谷歌而言，这是一次实打实的重击。谷歌会持股这家新公司，但人确实走了。

让 AI 自己当研究员，而不是当研究工具

在接受《连线》采访时，迪恩说这个想法几周前才冒出来。另外三人很快加入，他们不只是多年同事，也是会一起休假的朋友。“我们各自在做不同的事情，但都开始看到 AI 有可能把科学和工程的循环自动化。”

Discovery Loop 的路线图里，第一个客户是它自己。团队最初搭建的自动实验循环会用于改进公司自身的机器学习算法，改进后的软件再成为一套 AI 系统的内核，去处理后续领域的问题。“我对自动化机器学习非常兴奋。”Quoc Le 说，“也许我们会发现一种不同的 Transformer 架构。”

再往后，目标涵盖芯片设计、生物、药物发现和材料设计。维尼亚尔斯提到了当前模型最薄弱的环节：“我们显然会非常关注的一件事，是这些模型如何提出值得一试的新想法。这不是它们目前特别擅长的地方。”

初期这些想法仍由人与模型共同产生，但团队的目标是把过程深度自动化。按他们的设想，如果路线走通，少数几个人借助 Discovery Loop 就有可能在发明产出上超过全球最大的研究机构——而这些小团队大概率会成为它的客户。这家公司也可能自己运行一部分循环，去寻找并商业化突破成果。

几张幻灯片，换来顶级风投的支票

融资过程简单得有些反常。团队做了一份朴素的路演材料，公司注册为公益性质企业。“我们只放了几页幻灯片，写了各自的背景，以及我们认为这套方法能在多个方向上成功的粗略思路。”迪恩说。材料本身没有用 AI 生成。

真正起作用的是人。风险投资人维诺德·科斯拉（Vinod Khosla）在一个周六把他们约到自己在沙丘路的办公室，避免消息走漏。“有这个团队在，我根本不需要知道他们要做什么就会投。”科斯拉说，“这是终极的全明星阵容。”他同样认可这个方向：“人类一直在用 AI 做研究，而不是让 AI 成为研究者。Discovery Loop 最根本的一点，是 AI 就是那个研究者。”

其余会面安排在迪恩家中。最终，科斯拉创投与专注 AI 的 Radical Ventures 领投，另有若干机构跟投。创始人没有披露融资金额和估值——但可作参照的是，眼下有公司为单个 AI 顶尖人才开出数千万甚至上亿美元的价码。Radical 管理合伙人乔丹·雅各布斯（Jordan Jacobs）将加入董事会，他的评价是：“做一个能解决所有这些问题的东西，是个很有力量的想法。这些人过去一直在做这类工作，他们知道自己在干什么。”

谈判很痛苦，最后谷歌选择了投资

从谷歌脱身的过程要难得多。迪恩透露，Alphabet 首席执行官桑达尔·皮查伊在多次会面中试图挽留他们。团队最终还是选择了创业带来的乐趣与自由。

“在大组织里，你要做任何激进的改变，都得先克服大量惯性。”维尼亚尔斯说，“我们想造点不一样的东西。”

谷歌最后给出了祝福，同时附上一笔投资和第一年的算力支持。皮查伊在声明中表示：“27 年里，杰夫和桑贾伊推动了一些最重要的技术转折，从早期的搜索基础设施到催生现代 AI 时代的神经网络。我们将继续作为创始投资人和云合作伙伴与 Discovery Loop 合作，共同推进机器学习系统及相关基础设施的研究框架。”

值得注意的是，团队目前还没开始招人（这可能意味着谷歌会流失更多人），连办公室都没租。被问到谁是首席执行官时，出现了短暂的停顿。“我想是我吧。”迪恩有些不好意思，“大家都指着我。”

愿景不新鲜，问题是谁能真的做出来

“AI 将成为科学发现引擎”这个说法并不新鲜。达里奥、萨姆、黄仁勋——几乎每一位 AI 领域的重量级人物都在某个场合表达过类似判断：AI 终将解决人类自己攻不下的难题。

Discovery Loop 押的是这支团队的知识与工程能力，足以把一套真能做出突破的系统造出来。而在那个远景之外，它还面临一个更窄、也更现实的评判标准：这家创业公司做出的成果，能不能抵得上他们离开谷歌所留下的人才缺口？

来源：WIRED（Steven Levy）

这是第一份出自人工智能、具有历史意义的证明。模型给出的结果并非最终答案，人类数学家在几周内就大幅改进了它，但它的价值在于思路：模型调用了数学中一个相当遥远的分支——代数数论的技术，此前从没有人成功地把它用在这个问题上。几天之内，相关手法就被用来解决另外几个重要问题。

到了 8 月 1 日，OpenAI 又宣布，一个名为 Astra 的未发布模型取得了 10 项数学进展，其中包括三道埃尔德什问题的解答。

许多数学家把这类进展称为人工智能数学能力的「相变」。普林斯顿大学的诺加·阿隆（Noga Alon）在几十年职业生涯中解决过数十道埃尔德什问题，他评价这些模型「正在剧烈改变数学研究的方式」。

一份个人清单，意外变成全行业基准

这一切的起点，是英国数学家托马斯·布卢姆（Thomas Bloom）搭的一个小网站。

埃尔德什一生提出数千个问题，常年提着行李箱四处借宿，几乎不置办任何家当。他习惯在论文和信件里随手抛出难题，并附上自掏腰包的悬赏——小则 10 美元、25 美元，他认为重要或困难的，赏金可达数千美元。1996 年，埃尔德什在华沙参加学术会议时因心脏病去世，此后一家位于爱荷华州的非营利基金会承诺继续兑付这些赏金。

布卢姆的研究方向是算术组合学，正处在数论与组合学的交叉地带。他一直苦于搞不清哪些埃尔德什问题已被解决、哪些被彻底遗忘。2023 年初，他决定把能找到的问题整理成一份清单，原本只是自用，后来觉得「能随时随地打开会更方便」，于是干脆做成网站 erdosproblems.com。有意思的是，跑这个网站的 Python 代码，是他用 ChatGPT 写的。

布卢姆做了关键的整理工作：埃尔德什有时表述含糊，他要判断每道题最合理的版本是什么。2024 年到 2025 年前八个月，清单上有 111 道题的状态从「开放」改为「已解决」。2025 年 8 月，他应同行建议加上评论功能——代码同样由 ChatGPT 生成，此时收录的问题已接近 1000 道。

评论区催生了一个社区。第四活跃的评论者沃特·范多恩（Wouter van Doorn）在一家为其他公司提供客服支持的企业上班，十年前在比利时鲁汶大学的数学硕士只差一点没读完。2025 年 10 月，他在 1102 号问题下留了第一条评论。当年 11 月，他贴出自己不借助 AI 得到的阶段性结果，当天就有人指出论证有漏洞，两人快速交锋后对方回复「我明白你的论证了，漂亮！」——那位质疑者是加州大学洛杉矶分校的陶哲轩（Terence Tao）。

从业余爱好者到企业实验室

真正的转折发生在 2025 年冬天。

凯文·巴雷托（Kevin Barreto）与利亚姆·普赖斯（Liam Price）都是二十出头，2025 年夏天在一个人工智能主题的 Discord 服务器上结识。前者在剑桥大学读本科，后者大学期间学过一些数学但中途退学。2025 年 12 月起，两人开始成批地把埃尔德什问题投喂给最新模型。他们很快发现，如果直接告诉模型「这题答案未知」，模型就没什么进展，于是学会了用巴雷托的说法——「用非常特别的方式提示它，把它诱导成以为这题比实际简单」。

圣诞节清晨，巴雷托在网站上贴出 333 号问题的证明，称据其所知，这是大语言模型首次完全自主解决一道此前未被人类解决的埃尔德什问题。几小时后，另一位用户指出埃尔德什本人在 1977 年的一篇论文里已经给出过解答。巴雷托坦然认错，并呼吁社区「更重视对标记为开放的问题做文献检索」。

两人没有停手。2026 年 1 月 4 日，他们用 GPT-5.2 Pro 解出 728 号问题，这次没人能找到在先的成果；巴雷托又用初创公司 Harmonic 开发的 Aristotle 工具验证证明在逻辑上成立。普赖斯还总结出一套方法论：先让聊天机器人给出解法，再把这个解法喂给一个全新的对话实例、让它检查上一个的工作，如此反复，直到得到看上去站得住脚的方案。

这类问题之所以成为大模型的沃土，原因很实在：埃尔德什的问题大多集中在数论、组合学和图论，恰是大语言模型相对更擅长的领域；同时这些问题难度与分量跨度极大，正好匹配一项能力波动同样很大的新技术。当年那些出于玩心设置的赏金，如今被换算成另一种标价——解一道题所消耗的 token 成本。

企业实验室随后大举进场。2026 年 1 月，由谷歌 DeepMind 牵头的 24 人团队发表论文，用 Gemini 系统评估了数据库中 700 条标记为「开放」的猜想，解决 4 道题，并找回 9 道被遗忘的旧解。5 月，另一支 21 人的 DeepMind 团队宣布，其能力最强的智能体自主解决了 353 道开放埃尔德什问题中的 9 道，单题成本仅几百美元。截至这篇报道发表时，布卢姆的数据库中有 565 道已解问题和 652 道开放问题。

认可、警惕与告别

对 OpenAI 那份单位距离问题成果，剑桥大学的蒂姆·高尔斯（Tim Gowers）评价说，如果是人类写出这篇论文并投给《数学年刊》，而他被请去给一个快速意见，他会毫不犹豫建议接收，「此前没有任何 AI 生成的证明接近这个水平」。多伦多大学的雅各布·齐默尔曼（Jacob Tsimerman）称其为「一项非常出色的工作」，那个构造「确实令人生畏」。他在 2026 年获得菲尔兹奖，同年 7 月宣布离开学术界加入 OpenAI。

赞叹之外也有警惕。布卢姆注意到一个麻烦：「很多使用 AI 的人不是数学家，没有深厚的数学背景，也没有能力验证输出。」他描述的场景是，有人图快，让 AI 出证明、再让 AI 自查，论文越滚越长，他注意到越来越多一百到两百页的论文被贴出来。『我解决了这个定理，我让 AI 生成证明、检查证明、写出论文。』但没有人读过，也不会有人去读。这现在是个巨大的挑战。

范多恩承认，如今的 AI 系统「在思考和做数学上明显比我强」，但他也强调，自己最终写出的证明「更简洁、更普适、更好读」。而对解过数十道埃尔德什问题的阿隆来说，乐趣的性质变了：「一旦 AI 开始解这些题，就没意义了。」他同时预计，「许多、也许是大多数优秀数学家都会用 AI。」

来源：Quanta Magazine，作者 Konstantin Kakaes

DeepMind 机器人团队负责人卡罗琳娜·帕拉达在官方博客中表示，要想大规模解决最棘手的问题，各种形态和尺寸的机器人都需要 AI 模型赋予它们思考、行动和智能交互的能力，从而安全地完成任务。

一套系统，三个模型

Gemini Robotics 2 实际上是三个相互配合的模型组成的完整体系。

第一个是同名的视觉-语言-动作模型（VLA），负责把摄像头画面和自然语言指令直接转化为电机控制信号。与此前只能控制上半身、完成桌面任务的版本不同，新模型可以控制完整的人形机器人，覆盖行走、下蹲、伸展和双手操作。

第二个是具身推理模型 Gemini Robotics ER 2，相当于机器人的”高层大脑”。它负责理解用户指令、观察环境、拆解任务步骤、跟踪执行进度，可以规划持续数分钟、涉及数百个决策的长任务，还能在某一步失败时自我纠正。这次更新还引入了多机器人协作能力，让不同类型的机器人互相沟通、组队完成单台机器人无法胜任的复杂流程。

第三个是 Gemini Robotics On-Device 2，专为本地运行优化，不依赖网络连接。它继承了上一代的”动作迁移”技术，只需几个小时的适配时间、通常不到 200 个示例，就能移植到形状、传感器和自由度完全不同的新机器人身上。

演示效果：搬东西、打结、封袋子

在演示中，搭载新模型的 Apptronik Apollo 2 人形机器人接到一句指令——”把浇水壶放进底层架子的绿色箱子里”。它随即理解指令，走到桌边拿起浇水壶，再走几步到架子前，下蹲并把壶准确放进目标位置，整个过程由单一模型一气呵成，不需要在”行走程序”和”操作程序”之间切换。

在精细操作方面，该模型可以驱动 Apollo 2 上五指、22 个自由度的 SharpaWave 灵巧手完成打绳结、封密封袋这类精细动作，也能操控 Franka Duo 平台上的标准双指夹爪完成紧密装箱等任务。

不过 DeepMind 也坦承，机器人在动作速度上仍有很大提升空间，多指灵巧操作依然是难点。据科技媒体披露的基准数据，该模型在精密插入任务上的成功率约为 89.6%，拧灯泡约 92%，但系垃圾袋只有 44%、用簸箕扫地仅 32%——布料、塑料袋这类会变形的物体，仍是当前机器人学习的硬骨头。

安全与开放

随模型一同发布的还有名为 ASIMOV-Agentic 的安全基准，用于评估机器人智能体能否拒绝不安全的操作指令、能否在不确定时主动请求人工干预。DeepMind 表示，ER 2 是其迄今在安全约束遵循和人机近距离协作基准上表现最好的机器人模型，当有人靠得太近时，它能检测到并让机器人安全停止。

目前，Gemini Robotics ER 2 已经在 Google AI Studio 上线，并在 Gemini 企业智能体平台开启私测；VLA 主模型和端侧模型则面向早期合作伙伴开放。DeepMind 在致谢中点名了 Apptronik、波士顿动力和 Agile Robots 等硬件合作方。

与 Figure AI、特斯拉等选择软硬件垂直整合的公司不同，谷歌走的是开放平台路线：一个模型适配多家厂商的机器人，再配上开发者工具链。这场”机器人操作系统”之争才刚刚开始。

来源：Google DeepMind 官方博客（https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/）

隐形水印是怎么藏进图里的

目前给 AI 内容打标记主要有两条路：一条是 C2PA 元数据标签，相当于给文件贴「出生证明」，但元数据可以被轻易抹掉；另一条就是 SynthID 这样的隐形水印——它直接编码在图片或视频的像素中（音频则藏在波形里），肉眼完全看不出来，而且水印像素散布在整张图上，天生带一定的抗裁剪能力。

不过谷歌在原始论文中就明确说过，SynthID 并非加密级的防篡改设计，不承诺抵御针对性的对抗攻击。谷歌也没有开放公开的检测接口——想验证一张图，只能把它传给 Gemini 请求检查，而且每天限额大约 10 次。

300代压缩、截图都没弄掉它

为了模拟图片在网络上被反复转发、压缩、转存的损耗，惠特瓦姆用 Python 的 Pillow 库写了一个脚本：每一轮随机挑选压缩率和缩放参数处理图片，再把输出作为下一轮的输入，如此迭代。测试对象有两张——一张由谷歌 Nano Banana Pro 模型凭空生成，一张是真实照片经谷歌 AI 编辑，两张都带 SynthID 水印。

结果出人意料：整整 300 代压缩缩放折腾下来，两张图的画质已明显劣化，但水印全都还在，Gemini 依然能准确识别。就连把图片截屏另存成新文件，特殊像素也照样转移过去，检测照样通过。作为对比，路透社此前测试 Meta 的 Content Seal 水印时，轻微裁剪就能让它失效。

但 SynthID 的软肋同样明显：裁剪。在 300 代压缩之后再裁掉 20% 的画面，两张图的水印都检测不出来了；如果直接裁掉 50%，大约在 250 代压缩时水印就已经失守。

水印再硬，也解决不了根本问题

谷歌 DeepMind 科学家普什米特·科利（Pushmeet Kohli）表示，团队从一开始就假设这项技术会遭到攻击，做了大量工作让 SynthID 能扛住滤镜、裁剪等各类变换；网上有人声称已经破解，但团队始终无法复现。他还透露，谷歌备有更换水印方案等缓解手段，只是细节必须保密。

问题在于，水印只能标记「愿意打标」的内容。斯坦福大学与南加州大学合作的斯特林实验室（Starling Lab）研究员亚当·罗斯（Adam Rose）指出，真正的麻烦来自中心化大厂之外——任何人都可以在自己的电脑上运行开源模型，生成完全不带水印的图片。资深摄影记者迈克·卡罗纳（Mike Caronna）的判断更进一步：合成内容的供给是无限的，真实拍摄的内容才是稀缺品，行业应当转向保护和认证真实内容，以对抗所谓「骗子红利」——即假图泛滥后，连真图都会被人质疑。

现实还有另一重尴尬：水印生态四分五裂。OpenAI、Runway、英伟达各用各的水印方案，彼此互不识别；谷歌发言人对此回应称，公司了解目前体验不佳，正与合作伙伴推动一个统一、可互相验证的生态。

这篇实测的结论是：SynthID 在抗压缩、抗转存上表现扎实，值得肯定，但给 AI 内容打标签注定只是治标——当开源模型可以随时绕开水印，与其大海捞针地「找假」，不如像 C2PA 加密元数据那样去「证真」。未来，没有可验证来源的内容，恐怕都得先打个问号。

来源：Ars Technica

据英国《金融时报》7 月 29 日报道，谷歌旗下 AI 实验室 DeepMind 已解散 AlphaFold 背后的研发团队。这套预测蛋白质三维结构的 AI 系统曾彻底改写生物学研究的路径，并让 DeepMind 首席执行官戴米斯·哈萨比斯（Demis Hassabis）与工程研究员约翰·江珀（John Jumper）共同摘得 2024 年诺贝尔化学奖。

一年时间，团队悄然瓦解

根据《金融时报》对人事变动的分析及知情人士消息，过去一年里，AlphaFold 论文的绝大多数原始作者已被重新分配到其他团队。DeepMind 证实，这些研究人员在内部转岗后，分流至围绕 Gemini 大语言模型构建的项目，以及酶设计、核聚变、基因组学等研究方向；另有部分人员调往 Alphabet 旗下的药物发现公司 Isomorphic Labs。

更能说明问题的是人才流失的规模：在 AlphaFold 原始论文的 DeepMind 全职作者中，近四分之一已经彻底离开公司。

核心成员的出走尤其刺眼。今年早些时候，江珀与另一位 AlphaFold 研究员乔纳斯·阿德勒（Jonas Adler）被调入谷歌内部的”Code Strike”团队——该团队的使命是提升谷歌的 AI 编程能力，以追赶 Anthropic 和 OpenAI。仅仅几个月后，江珀于 6 月正式宣布离职、转投 Anthropic，阿德勒与同事亚历山大·普里策尔（Alexander Pritzel）一并随行。一位不愿具名的 DeepMind 员工表示，这三人都是公司”举足轻重的核心成员”，他们的离开在内部引起了不小的震动。

九年战略，正式转向

这场重组背后，是 DeepMind 科研战略的重大转折。”过去九年，我们的战略一直是聚焦重大科学挑战，让每个项目都围绕一个明确的目标展开。如今这一战略已经发生了变化。”DeepMind 研究副总裁、”AI 科学”团队创始人普什米特·科利（Pushmeet Kohli）表示。

科利解释，实验室不再单独组建团队专攻蛋白质折叠这类单一科学课题，当前的核心重心是打造由 Gemini 驱动、能够协助科学家开展研究、并最终把部分科研流程自动化的通用 AI 系统；与此同时，DeepMind 也在与 OpenAI、Anthropic 争夺最前沿的 AI 智能体赛道。

对于人员变动，DeepMind 回应称，研究人员的流动反映了公司不断演变的科研重点：”我们为自身的科学传承以及 AlphaFold 的全球影响力感到无比自豪，正是 AlphaFold 的成就激励我们成立了 Isomorphic Labs。”后者于 2021 年从 DeepMind 分拆，已与诺华、礼来等制药巨头建立合作，利用 AI 加速新药研发。

大模型时代，基础科研为谁让路

AlphaFold 的故事始于 2018 年。从在国际蛋白质结构预测竞赛 CASP 上一战成名，到开源数据库惠及全球科研人员，再到 2024 年登上诺奖领奖台——短短八年，这个明星项目走完了从巅峰到解散的完整周期。

这次重组也折射出整个 AI 行业的转向：前沿实验室越来越倾向于把大语言模型视为加速科学研究的通用工具，而非为单一难题设立专门团队。Anthropic 今年推出了面向生物学和药物研发的 Claude Science；OpenAI 研究主管马克·陈（Mark Chen）此前的一番话，或许道出了顶尖研究员用脚投票的原因：”研究人员希望在处于前沿的实验室工作，而不是疲于追赶。”

只是，当一支拿过诺贝尔奖的团队都可以说散就散，一个问题被留给了整个行业：回报周期漫长的硬核基础科研，究竟该由谁来长期守护？

来源：英国《金融时报》，via IT之家（https://www.ithome.com/0/983/065.htm）

备忘录说了什么

据科技媒体 The Information 报道，布林在这份发给 DeepMind 工程师的备忘录中写道：”要赢得最后的冲刺，我们必须紧急缩小在 agentic execution 上的差距，让我们的模型成为主要的开发者。”

这篇备忘录的措辞异常直接。布林明确要求每位 Gemini 工程师在处理复杂多步骤任务时，必须使用谷歌内部开发的 agent 工具。这与谷歌此前相对宽松的”自主选择”政策形成鲜明对比。

精英团队：突击队正式成立

光承认问题还不够。布林同时下令在 DeepMind 内部组建一支精锐”突击队”（strike team），专攻 AI 编程能力的提升。这支团队由负责过 Gemini 预训练的高级研究员 Sebastian Borgeaud 领导，DeepMind CTO Koray Kavukcuoglu 也直接参与其中。

组建这支突击队的直接动因，是 DeepMind 内部的评估结果显示：Anthropic 的 Claude 在代码编写能力上已经明显超越 Gemini。当自家研究人员都认为对手更强时，这对一家巨头来说是一个相当强烈的信号。

内部排名：Jetski 排行榜

为了推动 AI 工具的内部采用，谷歌还建立了一套追踪机制。内部开发了代号为 “Jetski” 的编程工具，谷歌会追踪其使用率并据此对各团队进行排名，形成一张”AI 消费排行榜”——类似于 Meta 内部按 token 消耗量排名的做法。

部分非 DeepMind 团队还要求工程师参加强制性的 AI 培训课程，进一步推动内部流程全面 AI 化。

官方口径：乐观的对外表态

有意思的是，备忘录透露出的焦虑感与谷歌对外的官方表态形成了鲜明对比。对于 The Information 的报道，谷歌发言人回应称公司看到”相关工具的采用非常热烈”，这些工具正在”加速模型和 AI 工具的开发”。

谷歌 CFO Anat Ashkenazi 在 2026 年 2 月的财报电话会议上也正式表示，谷歌约有一半的新代码已由编程 agent 编写，再交由工程师审查。而 Anthropic 则声称其几乎所有代码都是由 AI 辅助生成的。

布林的更大愿景

布林在备忘录中向员工强调，更强的编程能力是实现 AI 自我改进的关键一步。一个高级编程 agent，如果能结合处理数学问题和实验的 AI 系统，未来可能自动化大部分 AI 研究工程师的工作。

目前，谷歌正更加依赖基于内部代码训练的模型。谷歌的内部代码库与公开代码有很大不同，这些内部训练的模型虽无法对外发布，但可以帮助谷歌开发出最终面向用户的产品，同时加速内部开发进度。

这场 AI 编程竞争仍在继续。布林的亲自下场，说明谷歌已经将 coding 能力视为 AI 竞赛中最关键的战场。

信息来源：The Information、Business Insider、彭博社

三次跳票：从代码能力到可靠性全面不达标

Gemini 3.5 Pro最初计划于2026年6月发布。进入6月后，谷歌发现模型在关键能力上未达到内部标准，尤其是代码生成和复杂任务处理能力不足，首次推迟。

6月底，谷歌专项重置训练数据以修复编程能力短板，但内部测试结果依然不理想，公司选择继续等待而非让”半成品”仓促上线。

7月17日前后，Gemini 3.5 Pro再次错过发布窗口。随着三次推迟，谷歌担忧的问题已经从单纯的编码能力，扩大到幻觉率、可靠性以及多步骤任务执行稳定性——尤其是在Agent场景下连续调用工具时容易出现失误。

作为极限补位，谷歌连发了三款中端Flash模型（Gemini 3.6 Flash、Gemini 3.5 Flash-Lite和Gemini 3.5 Flash Cyber），并官宣Gemini 4已启动预训练。旗舰还没上线，下一代已等不及登场——这在AI行业实属罕见。

员工士气低落：我们落后了

据Axios报道，与半打现任和前任谷歌DeepMind员工的对话揭示了一个令人不安的内部氛围。

“我们落后了，”一位员工直言不讳地表示，他指的是公司模型能力与竞争对手的差距。

部分员工将士气低落归因于谷歌4月与美国五角大楼签署的技术合作协议，该协议允许军方使用谷歌的技术。多位员工因该协议公开辞职。前DeepMind研究科学家Alex Turner就是其中之一，他告诉Axios，CEO德米斯·哈萨比斯在内部缺乏像OpenAI的Sam Altman和Anthropic的Dario Amodei那样与员工的日常互动。

但另一些员工表示，职业倦怠更多是因为感觉在竞争中慢了一步。一位参与模型训练的DeepMind员工透露，谷歌在忙于保卫搜索业务免受ChatGPT冲击时，没有优先发展智能体编程能力。

在OpenRouter追踪的大模型使用排行榜上，Gemini的模型甚至未能进入前十。

人才流失：核心研究者接连出走

AI人才争夺战对谷歌的打击最为沉重。

最具标志性的是Noam Shazeer的离开。作为Gemini项目的联合负责人和Transformer架构的奠基人之一，Shazeer转投了OpenAI。诺贝尔化学奖得主John Jumper也离职加入了Anthropic。

这些离走对于谷歌的打击是双重的：既削弱了内部研发实力，又直接增强了竞争对手的战斗力。

谷歌对此回应称，今年上半年的AI人才流失率低于去年同期，超过90%获得谷歌AI岗位邀请的人接受了录用。公司还表示”对本周Flash模型的发布、产品路线图以及市场对谷歌模型的强劲需求感到满意”。

编程能力：AI竞赛的新核心战场

代码生成已成为大模型竞争的关键战场。OpenAI的Codex已有超过500万周活用户，其中超100万人将其用于编程之外的工作流程。SpaceX收购了头部编辑器Cursor，将Grok 4.5直接嵌入开发者的日常环境。

这些产品形成了强大的用户锁定效应：当开发者的工具链、项目历史和私有知识库都沉淀在某个生态里，即便谷歌后续模型性能追平，极高的迁移成本也会让用户很难回流。

前员工将谷歌内部的协调困境比作”烧开一片海洋”。Google Cloud、DeepMind和Android三大团队各自独立开发AI编程工具，资源重复投入，无法形成合力。

现金流压力与竞争格局

Gemini延期的消息传出之际，恰逢谷歌财报显示自由现金流首次转负。公司2026年资本支出预计高达2050亿美元，投资者对AI投入回报的质疑正在升温。

与此同时，竞争对手步步紧逼。Anthropic凭借在企业级编程领域的深耕，到2026年4月已在年化收入上超过OpenAI。OpenAI也计划向美国国会议员简报其最新模型。

正如Axios所指出的：谷歌可以承受在AI竞赛中被暂时超越——这在行业内是常态。但它承受不起的是失去人才和投资者的耐心。

当前谷歌的处境，用一位前员工的话说，”不是再打磨打磨就好的收尾问题，而是评价标准变了”——从单轮能力比拼，转向了Agent时代的综合较量。