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。

谷歌DeepMind的AI系统AlphaProof和AlphaGeometry2在国际数学奥林匹克竞赛中取得显著成绩，夺得银牌，表现出在数学问题解决上的惊人能力。AlphaGeometry2在19秒内解决几何难题，速度和准确性超越顶尖人类数学家。这一成就受到数学界传奇人物的高度评价，认为拓宽了AI在数学领域的应用边界。陶哲轩指出，AI的进步将有助于数学研究的自动化和形式化，而罗博深则认为这将对教育方法提出挑战，需要适应AI时代的需求，学会解决新问题。AlphaProof和AlphaGeometry2的成功，不仅是技术突破，也启示了数学研究和教育的未来变革。

​谷歌DeepMind的数学人工智能模型在今年的国际数学奥林匹克（IMO）比赛中取得了突破性进展。据官方消息，正规数学推理模型AlphaProof和改进版几何求解模型AlphaGeometry2共同攻克了本届IMO六道难题中的四道，首次达到了与人类银牌获得者相当的水平。

在刚刚结束的国际数学奥林匹克竞赛中，谷歌DeepMind的AI系统AlphaProof和AlphaGeometry2展现了惊人的解题能力，仅以一分之差未能夺冠，却在速度和准确度上超越了人类选手。AI系统在4道题上满分，并在一道题上以19秒的惊人速度解出，其解题过程符合数学竞赛标准，严谨且清晰。这次竞赛不仅展示了AI在数学领域的强大潜力，还能快速解决复杂问题，提出创新思路，甚至在某些难题上超越人类。AI在专业领域的表现，标志着其在通向人工通用智能的关键路径上取得了重要进展。虽然在常识问题上仍存在不足，但Alpha系统在数学竞赛中的表现已让人类难以望其项背，未来AI在数学领域的潜力令人期待。

Google DeepMind发布了一项引领性的研究，中心围绕其提出的百万级专家模型——Mixture，该模型采用了革新性架构在Transformer基础上跨出重要一步。Mixture通过让从十万多个微型专家中高效快速进行稀疏检索，实现了在保持计算效率的同时释放Transformer架构潜力的目标。核心亮点在于参数效益高的专家检索机制，通过乘积密钥技术分离计算成本与参数计数，PEER架构在语言模型任务中展现出卓越性能，优于密集式FFW，粗粒度MoE和PKM层。实证结果显示，通过调整专家数量与活跃专家数量，Mixture模型性能显著提升，特别是其在降低困惑度方面的出色表现。这项技术突破性地展示了个性化和智能化能力在提升转化率和用户满意度上的潜力，对于AIGC领域具有重要影响。

DeepMind团队最近发布了一项突破性的研究成果，针对人工智能领域长期存在的算力与时间限制问题提供了创新解决方案-名为JEST的全新数据筛选方法。JEST通过智能筛选最佳数据批次，而不是单个样本，大幅提高了训练效率，将AI训练时间缩短13倍，算力需求降低90%。这种策略在多模态学习中尤为有效，与传统方法相比，不仅减少了迭代次数和浮点运算次数，而且只需10%的FLOP预算就能超越最先进水平。JEST的核心原理在于通过在线模型近似技术和评估数据点的可学习性，选择相对容易学习的数据点作为训练素材，以此提高训练效率和效果。此外，通过使用基于阻塞吉布斯采样的迭代方法构建数据批次，JEST在处理大量数据时性能持续优化。此项工作不仅为AI训练领域带来了革命性的飞跃，为未来人工智能的发展提供了新的思路和方法论，有望开启人工智能更广阔的应用前景。

哈佛大学与谷歌DeepMind的人工智能实验室合作，开发了一款虚拟AI老鼠，象征性的推动了“虚拟神经科学”领域的发展。此研究的重大意义在于揭示大脑如何操控复杂身体动作，对脑科学和机器人学产生深远影响。通过无动物牺牲的虚拟实验，科学家们成功创建了一只能够模仿真实老鼠所有动作的AI，其AI“大脑”能够预测对应的真实老鼠脑内的神经活动。论文发表于《Nature》杂志，展示了利用人工神经网络训练实现运动控制，用以探究大脑神经基础，并为设计改良机器人控制系统提供了新思路。这项合作不仅加深了对AI与神经科学交界的知识，也为未来灵活、智能机器人发展开拓了新视野。

​谷歌 DeepMind 首次进行了关于最常见的恶意 AI 应用的研究，结果显示生成虚假政治家和名人的人工智能（AI）“Deepfakes” 比用 AI 协助网络攻击的尝试更为普遍。这一研究是谷歌 AI 部门 DeepMind 和谷歌旗下的研发单位 Jigsaw 合作的，目的是量化生成 AI 工具的风险，这些工具已被全球最大的科技公司推向市场以寻求巨额利润。

哈佛大学研究人员与谷歌DeepMind团队合作，利用人工智能技术为虚拟老鼠创建了一个人工"大脑"，能在复杂环境中精确控制其运动，这一创新突破发表在《自然》杂志上。

["OpenAI和DeepMind在Scaling Laws研究中的观点和方法不同","Scaling Laws能预测大模型在参数量、数据量和计算量变动时的损失变化","竞争将推动人工智能发展和人机共存的未来塑造","大语言模型的预训练涉及模型大小、数据量、训练成本的权衡博弈","Scaling Laws可以帮助优化设计决策","DeepMind提出模型大小和数据量应按相等比例扩展，OpenAI倾向选择更大的模型","DeepMind开发了AlphaGo和AlphaFold，展示深度强化学习和神经网络潜力","OpenAI开发了GPT系列模型，展示在生成式模型上的能力","研究结论表明影响模型性能的三个要素相互影响","DeepMind的Chinchilla模型优于之前的大语言模型","国内百川智能和明德大模型也在Scaling Laws研究中有所贡献","DeepMind提出Levels of AGI分类方法，揭示人工智能不同发展阶段"]

["谷歌 DeepMind 和英伟达在机器人领域有所动作","Jim Fan 和 Yuke Zhu 合作创立 GEAR 新研究小组","机器人将成为未来发展的重要方向","谷歌 DeepMind 提出人机交互马尔可夫决策过程","GEAR 展示了多个有趣项目，如 Eureka 和 Voyager","Voyager 是第一个在上下文中玩 Minecraft 的学习代理","Jim Fan 认为代理的未来在于积极探索并自我完善","VIMA 是第一款带机械臂的多式联运 LLM","LMPC-Rollouts 和 LMPC-Skip 提高了机器人的可教性","LMPC-Skip 和 LMPC-Rollouts 在不同任务中表现不同"]

["谷歌DeepMind创始人Demis Hassabis认为OpenAI依靠规模扩张并未带来原生创新","Hassabis承认之前低估了公众对AI需求和接受度","Hassabis指出规模扩大并非原生创新，称OpenAI没有进行创新","Demis Hassabis表示科技史上规模扩张不同寻常，一般需要研究成果才能形成质变"]

["谷歌DeepMind计划重新推出Gemini AI模型人像生成功能","首席执行官德米斯·哈萨比斯表示问题已在修复中","功能将在未来几周内重新上线","Gemini AI模型将带来更多人像生成的可能性"]