OpenAI 將機械人研究員調往其他團隊,通用模型或減低對專用機械人 AI 的需求
OpenAI 將機械人研究員調往其他團隊,以加快機械人研究,並非放棄該領域。研究員轉入首席研究官 Mark Chen 主管的主要研究團隊,應用機械人及硬件團隊則加入 Greg Brockman 旗下的 Applied 組織。
OpenAI 將機械人研究員調往其他團隊,以加快機械人研究,並非放棄該領域。研究員轉入首席研究官 Mark Chen 主管的主要研究團隊,應用機械人及硬件團隊則加入 Greg Brockman 旗下的 Applied 組織。
Google 將 Gemini 4 Hydrogen 定位為速度取向模型,稱它在預設推理設定下完成任務的速度是 Gemini 3.8 Flash 的 2.5 倍。
Google 發佈 Gemini 4 Hydrogen,面向編碼及 Agent 工作,並稱其速度較 Gemini 3.8 Flash 快 2.5x。它提供 1,048,576-token 統一窗口,僅透過 Google 託管 API 提供,定價為每 1M input tokens $1.50、每 1M output tokens $7.50。
Google DeepMind 發佈 AlphaProof Code,讓人類專家與 AI 智能體協作驗證軟件,並在若干假設下,對 Signal 協定參考實作 libsignal 的編譯後機械碼證明若干安全性質。
科創板日報分析指出,物理 AI 一級市場融資由熱轉冷,但大型科技公司仍加快基座與生態佈局,產業落地尚處早期。2026 年物理 AI/世界模型一級市場融資事件已超過 100 起,10 月降至 5 起;索辰科技上半年相關業務收入 659 萬元、佔比 9.06%,歸母淨虧損 7866 萬元。文章並指出,整機大規模放量前,上游產業鏈難有實質業績承接。
作者以 15 項本機測試評估 Gemini 4 Hydrogen,指出它在多項任務中比 GPT-6.1 Sol 速度更快、Token 用量更少,但複雜物理任務仍不及 Carbon。
UTAW於2026年11月12日表示,政府將介入並協助 Google UK 舉行工會認可投票,運動尋求代表至少1,000名與倫敦辦公室相關的 Google DeepMind 員工。
Google DeepMind 宣稱 Gemini 4 Hydrogen 面向快速編碼、多模態整合及日常工作,完成任務的速度是 Gemini 3.8 Flash 的 2.5 倍。
Google DeepMind 發佈 Gemini 4 Hydrogen,主打日常編碼及智能體工作流程中的快速執行,並即日起在開發者、企業及消費者產品渠道全球推出。
推薦理由:文章以 Gemini 3.8 Flash 為對照,列出 Hydrogen 在任務速度、Terminal-Bench 4.1 成績及多項安全指標上的變化,呈現更新涵蓋的能力範圍。
前沿 AI 基準分數已不再是模型權重的固定屬性,而是特定系統配置和測試條件下的測量結果。Google DeepMind 的 Gemini 4 Carbon 在 OSWorld 2.1 的 82 題離線子集取得 81.5%,結果取三次單次嘗試中的最高分。文章建議固定任務、工具權限、時限、重試及評分方式,並記錄成功率、延遲和成本等指標,透過多次測試瞭解表現差異。
Google 於 2026 年 11 月 11 日宣佈 Gemini Decision 1,可在單次 API 呼叫中對最多 1,000 個問題評分,並回傳概率及信心分數。
推薦理由:文章並列 Google 自家基準與獨立排行榜,呈現 Gemini Decision 1 的測試優勢及排名落差,説明它在不同評測口徑下的定位。
Google DeepMind 發佈基因組研究 AI 模型 AlphaGenome 2,根據指定生物狀態預測 DNA 序列及變異對特定細胞類型的影響。
Google DeepMind 公佈 AlphaProof Code,利用 AI 智能體形式化驗證 libsignal 的部分程式碼,檢查 Signal 一對一聊天的多項安全性質。研究團隊在四週內產生約 6.5 million lines 的證明,研究人員沒有撰寫證明程式碼。驗證範圍限於研究人員自行構建的程式庫,未涵蓋 Signal 應用程式、羣組訊息或金鑰生成。
推薦理由:這項工作展示 AI 智能體如何配合人工制定規格與 Lean 證明,並界定驗證範圍,呈現形式化驗證的實際流程與限制。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,將基因變異影響預測由組織平均層面推進至單個細胞類型與細胞狀態層面。模型以超過1億個單細胞圖譜數據訓練,涵蓋68個組織的人類與小鼠樣本;在28種原代免疫細胞測試集中,因果變異識別比例由16%升至30%,在90%精度下召回率翻倍。模型現免費開放予非商業研究,商業研究須申請私有預覽,且未獲臨牀或診斷用途許可。
Google DeepMind 於 11 月 11 日發佈 AlphaGenome 2,將基因變異影響預測由組織平均細化至指定細胞類型或細胞狀態。TenK10K 測試中,其因果變異比例為 30%,高於單細胞數據微調後第一代 AlphaGenome 的 16%,效應方向預測則為 43% 對 23%。
文章比較 PLaMo 3 Translate 與 TranslateGemma,建議離線日語翻譯或在手機、小型手提電腦上使用時先試 PLaMo 3 Translate。
DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,加入單細胞數據以預測遺傳變異在不同細胞類型及狀態下的影響。在涵蓋 28 種原代免疫細胞的測試中,模型識別出約 30% 的相關因果變異,第一代經單細胞數據微調後為 16%;AlphaGenome 2 已透過 AlphaGenome API 向非商業研究開放,商業研究則處於私有預覽階段。
Google DeepMind 於 11 月 12 日推出新一代基因組 AI 模型 AlphaGenome 2。模型以 1.07 億單細胞圖譜訓練,可預測 DNA 序列及其變異對特定人類細胞類型和狀態的影響。致病變異識別率達 30%,目前開放非商業研究使用。
Mercor於11月10日宣佈完成7.5億美元D輪融資,估值達200億美元,三位23歲聯合創辦人按此估值各自身家約42億美元。公司由早期AI招聘工具轉向為模型公司提供專家編寫的任務、評分標準及模擬工作環境,OpenAI、Anthropic和Google DeepMind均為主要客戶。
Google DeepMind 推出 AlphaGenome 2,可按目標組織、細胞類型或細胞狀態,預測 DNA 序列及其變異的影響。模型以超過 1.07 億個人類及小鼠單細胞圖譜訓練,覆蓋 68 種組織;在 28 種原代免疫細胞的 TenK10K 測試中,致病因果變異識別率為 30%,上一代微調後為 16%,基因表達變化方向識別率則為 43%,上一代為 23%。
Google 推出 Gemini Decisions API,由新模型 Gemini Decision 1 對文字、圖片、音訊、影片及 PDF 輸入進行單次多模態評估,最多可處理 1,000 個獨立問題。
推薦理由:API 將工具選擇、政策檢查及模型路由等封閉式判斷集中於單次評分,並列出延遲和輸入 token 費用,讓其應用取捨有具體依據。
Google DeepMind 發佈 DNA 模型 AlphaGenome 2,按指定細胞狀態預測變異效應,輸入為 1 Mb DNA 序列。在 TenK10K 單細胞 eQTL 評測中,模型於 90% precision 下召回 30% 因果變異,高於微調版 AlphaGenome 1 的 16%;它亦可利用原始 scRNA-seq counts 建立新細胞狀態嵌入,無需微調。
Google DeepMind 推出 Gemini Decisions API,底層模型 Gemini Decision 1 可在單次處理中評估最多 1,000 個互相獨立的問題。
Google DeepMind 的 AlphaProof Code 用四週驗證了 Signal 加密協議實際運行的密碼核心程式,這類工作通常需數年。專家界定形式化安全要求後,基於 Gemini Carbon 的 AI 智能體以 Lean 證明語言編寫超過 6,000,000 行程式碼,並標記約 1% 的程式碼庫供人工審查。測試時刻意植入的 2 個錯誤亦即時被捕捉。
Google DeepMind 發佈 Gemini Robotics 2.5,並宣佈 AlphaGenome 2,分別更新機械人操作及 DNA 序列功能預測。Gemini Robotics 2.5 在不同任務的評測成功率為 30% 至 100%,完成任務的速度較前一版本快 20% 至 30%;在 Mercedes-Benz 的實際概念驗證中,汽車零件包裝成功率為 96%。
Google DeepMind 發佈 AlphaGenome 2,預測遺傳變異對個別細胞類型及狀態的影響,提供比 AlphaGenome 更細緻的分析。模型以超過 100 million 個細胞剖面訓練,涵蓋 68 種組織;Google 稱它識別出可改變細胞基因表達的變異數量,接近前一個最先進模型的兩倍。
Google DeepMind 發佈 AlphaGenome 2,預測 DNA 序列及其變異對特定人類細胞類型的影響,連接單細胞生物學與人類遺傳學。模型以來自 68 種組織、超過 1.07 億個細胞的單細胞資料訓練,可按指定細胞類型或狀態預測基因表達等讀數,並新增 DNA 甲基化預測。
推薦理由:AlphaGenome 2 在 TenK10K 數據集上將因果變異識別率由 16% 提升至 30%,呈現其針對特定免疫細胞解析變異效應的改進。
Google DeepMind 於 2026年11月11日發佈 AlphaGenome 2,按指定組織、細胞類型或細胞狀態預測 DNA 變異對基因調控的影響。
Google DeepMind 發佈 DNA 序列模型 AlphaGenome 2,從寬泛組織平均預測轉為按單一細胞類型或狀態進行條件式預測。模型以超過 1.07 億個單細胞圖譜訓練,較此前最優模型可識別近兩倍數量、能改變細胞基因表達的變異。目前模型透過 AlphaGenome API 開放非商業研究,商業研究仍處於私密預覽階段;模型僅供研究,未經臨牀或診斷用途驗證與審批。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,可預測 DNA 序列及其變異對特定人體細胞類型的影響。在 TenK10K 數據集測試中,模型識別因果變異的比例為 30%、基因效應方向判斷準確率為 43%,初代 AlphaGenome 分別為 16% 和 23%。
Google DeepMind 研究人員以智能體 AI 和 AlphaProof Code,在四週內形式化驗證 Signal 協議的多項關鍵密碼學保證。分析未涵蓋整個 Signal 手機應用程式,也未在檢視的協議部分發現新漏洞;在含有已知且已修復漏洞的舊版 Signal 上,AlphaProof Code 成功識別漏洞,並顯示該協議無法通過形式化驗證。
Google DeepMind 的 AI 模型協助美國國家颶風中心(NHC)預測颶風,研究顯示其平均可比原有模型提前一天達到相同預報準確度。模型曾在颶風伊薩亞斯形成前一週識別其可能發展為熱帶氣旋,並可為每個氣旋生成 1000 種發展情景。不過,模型在不同預報時段可能大幅調整判斷,專家仍需結合即時飛機觀測和衞星資料,綜合各模型預測並判斷風暴的實際結構。
Google DeepMind 的 AI 模型可令氣象預報平均提早一天達到原有模型的準確度,並已納入美國國家颶風中心(NHC)部分路徑和強度預測輔助系統。預測伊薩亞斯時,模型在風暴形成前一週識別出它可能發展為熱帶氣旋,並可為每個氣旋生成 1000 種發展情景,同時預測降雨、路徑和強度。單一模型可能在不同預報時段大幅調整判斷,專家仍須綜合模型結果,並結合飛機和衞星即時觀測判斷風暴結構。
Google DeepMind 與 Google Quantum AI 發表預印本,介紹以 Lean 核驗 AI 智能體編寫的量子程序及其資源消耗的方法。核聚變和光化學模擬的新方案成本分別降至此前最佳方案約 9% 和約 1/8;藥物代謝模擬成本則降低 60%,核聚變方案所需邏輯量子比特由 5,650 減至 4,374。
Google DeepMind 公佈 AlphaProof Code 的研究結果,最多 80 個 AI Agent 用四星期為 Signal 的 libsignal 撰寫形式化證明,驗證其主要安全保障。
Google DeepMind 推出 Gemini Robotics 2.5,並向 Google 的機械人合作夥伴開放;該模型在梅賽德斯-奔馳生產線的汽車零件分揀任務中達到 96% 成功率。
Google DeepMind 於11月10日發佈 Gemini Robotics 2.5,稱其在200多項任務測試中,部分任務成功率較此前基準相對提升30%至100%,執行速度提高20%至30%。
Google DeepMind 的 AlphaProof Code 以 Gemini 驅動的多智能體框架,為 Signal 已部署的密碼協議實作產生關鍵安全性質的機器可檢查證明。工作歷時 4 週,產生約 600 萬行 Lean 證明。DeepMind 亦開源了證明材料,並發表技術論文。
Shivam Kumar 以 Google DeepMind 的 AlphaProof Code 驗證 Signal 密碼核心為案例,提出信任 AI 驗證程式碼庫前的開發者檢查清單。
推薦理由:清單將形式化驗證拆解為證明邊界、假設、可審核產物及人工作用等檢查點,並説明證明正確不代表規格完整。
Google DeepMind 以 AlphaProof Code 在約四星期內,將 libsignal v0.105.4 與 spqr v1.6.0 的單對單通訊程式碼驗證至 AArch64 機器碼層,項目由五人完成。
推薦理由:文章梳理人類審定規格、AI 智能體產生證明、Lean 核心檢查的分工,並列出驗證範圍與限制,呈現形式化驗證落到實際機器碼的工作方式。