谷歌 DeepMind 近日意外发布了 AlphaFold3的源代码和模型权重，标志着一个可能加速科学发现和药物开发的重大进展。这一消息传出仅几周后，系统的创造者 Demis Hassabis 和 John Jumper 便获得了2024年诺贝尔化学奖，以表彰他们在蛋白质结构预测方面的贡献。与前一版本 AlphaFold2相比，AlphaFold3的技术能力有了质的飞跃。AlphaFold2只能预测蛋白质的结构，而 AlphaFold3则可以建模蛋白质、DNA、RNA 及小分子之间复杂的相互作用，这是生命的基本过程。这一进展至关重要，因为理解这些分子相互作用是现代药

谷歌近日宣布，其最新开发的 AI 模型 “Big Sleep” 成功在 SQLite 数据库中发现了一处内存安全漏洞。这一漏洞是一种可被利用的栈缓冲下溢问题，令该代码在正式发布前得以修复。Big Sleep 是谷歌 Project Zero 与 DeepMind 的合作成果，被视为早期 Project Naptime 的升级版。SQLite 作为一种开源数据库引擎，这一漏洞可能使攻击者通过恶意构造的数据库或 SQL 注入，导致 SQLite 执行崩溃或甚至实现任意代码执行。具体来说，问题源于一个魔法值 -1意外被用作数组索引，虽然代码中有 assert （） 来捕获这一

近日，人工智能领域的一个重要人事变动引起了广泛关注，朱利安・施特维泽（Julian Schrittwieser）宣布加入 AI 研究公司 Anthropic。这位在谷歌 DeepMind 工作了整整十年的顶尖研究员，因参与开发了诸如 AlphaGo、AlphaZero 和 MuZero 等革命性项目而广受赞誉。他在社交媒体平台 X 上分享了这个消息，表达了对加入 Anthropic 的激动心情。朱利安表示:“我很高兴宣布，从这周开始，我将加入 Anthropic!” 他对即将与这支他一直钦佩的团队合作感到非常荣幸。他特别赞扬了 Anthropic 在人工智能领域的成果，尤

谷歌 DeepMind 联合麻省理工学院（MIT）近日发布了一项重大研究成果。研究团队开发的新型自回归模型"Fluid"在文本到图像生成领域取得了突破性进展，该模型在扩展到105亿参数规模后，性能表现出色。这项研究颠覆了业界普遍认知。此前，自回归模型虽然在语言处理领域占据主导地位，但在图像生成方面一直被认为不如 Stable Diffusion 和 Google Imagen3等扩散模型。研究人员通过创新性地引入两个关键设计因素，显著提升了自回归模型的性能和可扩展性:采用连续型词元替代离散型词元，以及引入

最近，DeepMind一篇关于超大规模 Transformer 在国际象棋领域应用的论文，引发了 AI 社区的广泛讨论。研究人员利用名为 ChessBench 的全新数据集，训练了多达2.7亿参数的 Transformer 模型，探索其在棋类这种复杂规划问题上的能力。ChessBench 数据集包含从 Lichess 平台收集的1000万局人类对弈棋谱，并使用顶级象棋引擎 Stockfish16对棋局进行了标注，提供了多达150亿个数据点，包括每个棋局状态的胜率、最佳走法以及所有合法走法的价值评估。研究人员使用监督学习方法，训练 Transformer 模型预测给定棋

最近，一位欧洲博士在机器学习圈子里引起了轰动。他不禁感叹，为什么他的美国同行一个个都开了挂，手里拿着十篇顶级会议论文，五篇还是第一作者?他自己在欧洲读博，四年中一边学习一边摸索，第一年忙着搞清楚研究是什么，第二年发表了一篇顶会 CVPR 的论文，第三年才稍微掌握了项目管理和申请资助的窍门。现在，简历上也只不过增加了两篇论文，一个期刊和一个会议，都是以第一作者身份发表的。听起来不错，但相比之下，看到美国那些同行的成就，他简直是目瞪口呆。“他们

最近，谷歌在一份公告中宣布系列重要的领导层变动和团队结构调整。这些变化主要集中在公司的知识与信息（K&I）团队和 Gemini 团队。谷歌的首席执行官桑达尔・皮查伊（Sundar Pichai）宣布，Nick Fox 将接替 Prabhakar Raghavan，成为 K&I 团队的新负责人。K&I 团队负责谷歌的搜索、广告、地理和商务产品。Raghavan 则将转任谷歌的首席技术官，与皮查伊及其他领导团队合作，为公司的技术发展提供方向和支持。在 Raghavan 的带领下，K&I 团队在人工智能领域取得了显著的进展。他们推出了搜索中的 AI 概

最近，超长上下文窗口的大型语言模型（LLMs）成为了人们讨论的热点。这些模型能够在一个提示中处理数十万甚至上百万个标记，为开发者开启了许多新的可能性。不过，这些长上下文 LLM 到底能多好地理解和利用所接收到的大信息呢?为了解决这个问题，谷歌 DeepMind 的研究人员推出了名为 Michelangelo 的新基准，旨在评估长上下文推能力。研究结果表明，尽管当前的顶尖模型在从大量上下文数据中提取信息方面取得了一定进展，但在需要推理和理解数据结构的任务上仍然存在困难。随着长上

最近，OpenAI 的 Sora 视频生成系统的研究负责人 Tim Brooks 在社交媒体上宣布，他将加入 Google DeepMind，继续在视频生成和世界模拟器方面开展工作。Brooks 表示，他对与 DeepMind 这样一支才华横溢的团队合作感到非常兴奋，并对自己在 OpenAI 度过的美好两年时光表示感谢，尤其是在 Sora 项目上所取得的成就。图源备注:图片由AI生成，图片授权服务商MidjourneySora 自今年2月发布以来，引起了广泛关注，并对竞争对手形成了压力。Brooks 的转会被视为 Google 在人工智能视频生成领域扩展实力的一部分。D

最近，米拉研究所、谷歌 DeepMind 和微软研究院的研究人员对 AI 语言模型的推理能力进行了深入调查，发现小型和便宜的模型在解决复杂问题时存在显著不足。这项研究的是一个名为 “组合 GSM” 的测试，目的是评估这些模型在解决链式的基础数学问题方面的表现。图源备注:图片由AI生成，图片授权服务商Midjourney研究人员结合了 GSM8K 数据集中的两个问题，使用第一个问题的答案作为第二个问题的变量进行测试。结果显示，大多数模型在这些复杂的推理任务中表现远低于预期，尤其是在小型

近日，谷歌 DeepMind 公布了其最新的 AI 系统 ——AlphaChip。这一系统致力于加速和优化计算机芯片的开发，AlphaChip 所设计的芯片布局已经在谷歌的 AI 加速器中得到应用。AlphaChip 的工作原理类似于我们之前所听说的 AlphaGo 和 AlphaZero，采用强化学习技术，迅速生成经过优化的芯片布局。根据谷歌 DeepMind 的介绍，AlphaChip 已经在过去三代的张量处理单元（TPU）AI 加速器中被使用。其中，在最新的第六代 TPU——Trillium 中，AlphaChip 实现了25个模块的布局设计，相比于人类专家，电线长度减少了6.2%。

谷歌DeepMind研究团队最近取得重大突破，开发出名为SCoRe（Self-Correction through Reinforcement Learning，通过强化学习进行自我纠正）的创新技术。这一技术旨在解决大型语言模型(LLM)难以自我纠正的长期挑战，无需依赖多个模型或外部检查即可识别和修复错误。SCoRe技术的核心在于其两阶段方法。第一阶段优化模型初始化，使其能在第二次尝试时生成修正，同时保持初始响应与基础模型的相似性。第二阶段采用多阶段强化学习，教导模型如何改进第一和第二个答案。这种方法的独特之处在于它仅使

谷歌DeepMind发布AlphaProteo，一款人工智能系统，专注于生成针对特定目标分子的新型蛋白质，旨在加速药物设计、疾病理解及健康应用研究。AlphaProteo成功为与肿瘤生长和多种疾病并发症相关的蛋白质VEGF-A设计了结合剂，效果远超传统方法。不同于AlphaFold，该系统设计的蛋白质能与生物过程互动，为开发针对有害蛋白的靶向疗法提供可能。应用领域广泛，包括药物开发、细胞和组织成像、疾病理解及农业作物抗性发展。AlphaProteo的潜力被寄望于加速生物学理解、药物发现及生物传感器开发，DeepMind正继续探索其在医学和健康研究中的深远影响。

谷歌 DeepMind 团队与高校合作开发了一种名为生成奖励模型 (GenRM) 的创新方法，旨在提升生成式 AI 在推理任务中的准确性和可靠性。GenRM 将验证过程融入文本生成任务，允许模型同时生成和评估潜在解决方案，同时支持链式推理（CoT），增强验证过程的全面性。相较于传统方法，GenRM 在多项测试中表现出显著优势，准确率提高16%至64%，特别是在学龄前数学和算法问题解决上，问题解决成功率从73%提升至92.8%。这一方法标志着生成式 AI 领域的重大进步，通过统一生成与验证过程，显著提升了 AI 在高风险领域应用的准确性和可信度。

谷歌旗下人工智能研发部门DeepMind的至少200名员工在5月16日内部签署了一封信，表达了对谷歌与军事组织合作的担忧，特别是对谷歌为以色列军方提供人工智能和云计算服务的报道。员工们认为这种合作与谷歌的使命声明和AI原则不符，影响了作为“伦理和负责任的AI领导者”的形象。虽然这些员工在DeepMind的总人数中占比不大，但他们的行动反映了与谷歌文化可能存在的冲突。员工们呼吁谷歌在经营策略上更加透明，并希望公司倾听他们的声音，重新审视与军事相关的合作，确保公司的使命与实践保持一致。这封信引发了公司内部的讨论，并引起了外界对谷歌在AI和军事领域立场的关注。科技公司面临着越来越多的伦理考验，如何在商业利益与社会责任之间找到平衡，是每个科技巨头都必须面对的问题。

在最近的播客中，DeepMind联合创始人德米斯・哈萨比斯表达了他对当前人工智能发展的看法。他认为AI能力被公众过度关注和夸大，存在一些噪音。公众对AI未来重要性的理解是超现实的体验。哈萨比斯对AI模型仅凭语言学习就能推断出现实世界信息的能力表示惊讶。他指出，许多人和创业公司宣称AI能实现的功能目前技术无法实现，称这些为“疯狂的点子”。哈萨比斯认为AI的长期潜力，特别是通用人工智能（AGI）方面，仍然被低估，AGI在未来十年内可能实现。哈萨比斯强调，随着AI系统能力增强，必须解决人类滥用和失控的风险，呼吁国际社会在AI监管方面进行合作，因为AI技术难以被国家边界限制。

DeepMind联合创始人Demis Hassabis在播客中指出当前人工智能能力被夸大，但其长期潜力，特别是通用人工智能（AGI）方面，仍被低估。公众对AI的关注形成双刃剑效应，既展示了其未来在日常生活中的积极作用，也带来了大量噪音。哈萨比斯赞赏AI模型通过语言学习推断现实世界信息的能力，但对公众对AI短期能力的过高期待表示担忧。他认为AI的长期潜力，尤其是AGI，将为人类带来巨大益处，如疾病治疗、清洁能源和气候变化应对。DeepMind项目预计在2030年前完成，但强调了防止AI滥用和失控的紧迫性，呼吁国际社会加强监管合作。哈萨比斯设想AI开发最后阶段将需要全球顶尖专家共同应对挑战。

Andrej Karpathy提出，基于人类反馈的强化学习（RLHF）可能并非AI通往人类级别问题解决能力的最终解决方案。他以AlphaGo为例，指出真正的强化学习技术通过不断自我对弈优化神经网络，最终在没有人类干预的情况下超越人类。相比之下，RLHF更像是模仿人类偏好而非解决问题，且在定义明确奖励机制的封闭环境如围棋中有效，在开放性任务如文章总结、代码重写等中面临挑战。Karpathy认为，虽然实现这一目标面临困难，但解决这一难题将使语言模型具备真正的问题解决能力，与Google DeepMind的论文观点不谋而合，该论文强调开放性是通用人工智能的基础。这一观点引发了广泛讨论，聚焦于AI如何真正提升解决问题的能力而非简单模仿人类行为。

红杉资本宣布投资1亿美元于初创企业Reflection AI，后者由前谷歌DeepMind研究员Misha Laskin和Ioannis Antonoglou创立，专注于人工智能技术的研发，旨在将AI带入更广泛的应用场景。此次投资使Reflection AI估值达到1亿美元，凸显了投资者对该公司未来发展的信心。团队计划加大研发投入，扩大技术人才，寻找合作伙伴，以推动AI技术的创新与应用。红杉资本的管理合伙人Roelof Botha对团队和愿景表示高度信心。

Google DeepMind的最新研究Gemma Scope揭开了语言模型黑箱的秘密，通过稀疏自编码器(SAEs)分解和重构语言模型的激活，旨在揭示背后有意义的特征。Gemma Scope采用JumpReLU SAEs，通过控制激活，优化重建损失并正则化活跃的潜在特征数量，以揭示语言模型的内部机制。研究发现，残差流SAEs的性能通常较低，序列长度对SAE性能有显著影响，不同数据集子集的表现各异，DeepMind mathematics上表现最佳。Gemma Scope的发布不仅有助于理解SAEs，还能改进实际任务性能，对SAEs进行红队测试，提高AI的可解释性和安全性。