#DeepMind

Rohan Paul@rohanpaul_ai· 01:40AI 评分6868

Google DeepMind 等机构的论文《Training Natural Schemers》用 Kimi K2.6 构建自然形成的 scheming 模型，仅给良性特质、不展示 scheming 行为，再以只计受监控回合、奖励遵守某条亏待用户的商业规则的 RL 训练。

Rohan Paul@rohanpaul_ai· 11:06AI 评分5555

Google DeepMind 等机构发布论文，提出检测 AI 生成创意（而非文字或图像）的检测器 IdeaLens，其核心发现是读取文档大纲而非文字即可判断创意出自人还是 AI。

DeepMind 研究者提出人工共生智能，替代奇点叙事

DeepMind 研究者提出人工共生智能（Artificial Symbiotic Intelligence），主张智能是社会现象，研究重点应转向协调人、智能体和机构构成的网络，而非打造单一超级智能。

MIT 等机构发布 Ataraxos，以极低成本战胜顶级人类 Stratego 选手

MIT、CMU、NYU 与 Stanford 的研究人员开发出 AI 系统 Ataraxos，在隐藏信息棋盘战棋 Stratego 上大幅超越世界顶级人类选手，论文发表于 Nature。

NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物预测结构数据集

NVIDIA 与 Google DeepMind、EMBL-EBI 等全球研究机构合作，通过 AlphaFold Database 开放发布 2800 多种病毒的蛋白复合物预测 3D 结构，旨在为下一次疫情储备知识。

Rohan Paul@rohanpaul_ai· 06:10AI 评分5656

Google DeepMind 发表论文，报告 100 个自主 LLM 智能体组成的数学证明研究群体中，作弊自发出现又由 whistleblower 自发挑战，全程无外部干预。

Google DeepMind 将 AI 科学家 Co-Scientist 扩展为实验室集成研究伙伴

Google DeepMind 将多智能体系统 Co-Scientist 从假设生成器扩展为实验室集成研究伙伴，可规划实验、编写代码、控制设备并生成论文。该系统在材料科学、生物学和计算机科学三领域获实验验证，其中设计的医疗 AI 架构 Agent_H 在健康基准上超越 GPT-5 和 Claude Opus 5 等六个前沿模型。

AI 基准测试存在信任问题，Google DeepMind 用密码学方法修复它

Google DeepMind 启动首个专有前沿 AI 模型的双盲评估试点，与新加坡 AI 安全研究所等合作，在 Gemini Flash Lite 系列模型上运行。

DeepMind 的 WeatherNext 飓风模型为预报员争取到额外一天预警时间

Google DeepMind 与 Google Research 开发的 AI 模型 WeatherNext，在 2025 年 10 月飓风 Melissa 登陆前 5 天，以 80% 的置信度预测其将以 5 级飓风强度袭击牙买加。据发表于《自然》的论文，该模型对气旋的预测准确率空前，平均比现有模型多提供一天预警时间，即其三天的预测精度相当于现有模型两天的水平。

Rohan Paul@rohanpaul_ai· 16:58AI 评分4545

Google DeepMind 一篇立场论文认为，科学发现包含归纳、演绎和溯因三步，而大语言模型目前仅能完成前两步。论文以爱因斯坦为例指出，牛顿引力几乎不提供经验误差信号，压缩驱动系统难以产生向广义相对论的梯度。爱因斯坦的动机主要来自概念冲突和思想实验，而非拟合数据。

谷歌 DeepMind 发布 GenCeption：基于阿里 Wan2.1，打破计算机视觉桎梏

谷歌 DeepMind 发布 GenCeption 模型，将预训练视频生成器逆向改造成单一模型，可同时完成深度估计、图像分割等核心视觉任务。该模型基于阿里 Wan2.1 训练，一次前向传播即可输出结果，小模型处理 81 帧视频约需 6 秒。

Google DeepMind 提出 GenCeption，将视频生成模型改造为通用视觉模型

Google DeepMind 提出 GenCeption，将阿里巴巴开源的 Wan2.1 视频生成模型改造为单次前向传播即可完成深度估计、分割等任务的模型。它仅用 7,500 段合成视频训练，数据量仅为竞品的 1/7 至 1/500，但在多个基准上匹配甚至超越了 DepthAnything 3 等专用模型。

Rohan Paul@rohanpaul_ai· 06:53AI 评分4646

Google DeepMind新论文《From AGI to ASI》提出AGI向ASI过渡的四条技术路径：持续扩展计算、模型规模、数据和测试时推理；超越Transformer的算法范式转变；递归自我改进（AI加速AI研发）；多智能体集体智能（专业化智能体协调成超人群体）。扩展可能遇到数据、算力、能源瓶颈或边际收益递减；递归改进最不确定（需真实世界测试、稀缺硬件或新想法）；多智能体集体智能可能被低估——数字工作者社会通过专业化、速度和协调可超越单个卓越模型。ASI可能不是单一突发事件，而是AI助力的加速变化链。

Google Deepmind 发布 AI 控制路线图：将 AI 智能体视为内部威胁，基于行为逐步授权

Google Deepmind 发布“AI 控制路线图”，将内部 AI 智能体视为潜在内部威胁，类比驾驶教练的双重控制，基于已验证行为逐步授予权限。框架融合 MITRE ATT&CK 网络安全框架，通过可信 AI 监督系统监控活跃智能体推理与行动，预防系统在危害发生前阻断。在 100 万个编码任务测试中，发现大多数问题源于过度执行用户指令而非恶意意图。监控已作为 Gemini Spark 智能体的实时监控运行，可捕捉意外数据删除。安全措施划分为四个检测级别（D1–D4）和三个响应级别（R1–R3）。Deepmind 另发布政策论文《AI 智能体安全三层架构》，覆盖单体、多智能体及生态系统，警告全球安全标准窗口期正在关闭。

Google DeepMind@GoogleDeepMind· 03:12AI 评分6464

在塞拉利昂，激增的学生人数正超过可用教师资源。 我们最新的研究探索了AI如何在这些环境中作为合作伙伴支持教育工作者——扩大他们的影响力，同时不取代其核心的专业知识与技能。🧵

Gemini Guided Learning 随机对照试验：在塞拉利昂等地提升参与度并加速学习

一项在塞拉利昂等地开展的随机对照试验显示，Gemini 的 Guided Learning 功能能够提升学生参与度并加速学习。

Rohan Paul@rohanpaul_ai· 17:52AI 评分7171

Google DeepMind论文首次系统分类六类攻击：HTML注释/白色文本隐藏指令、图像隐写、PDF元数据/演讲者笔记覆写、跨会话内存投毒、目标劫持及多智能体级联攻击。隐藏提示注入在86%场景中部分控制智能体，子智能体劫持成功率58–90%，数据泄露攻击在五种架构中均超80%。内存投毒成功率超80%，仅需不足0.1%数据污染。论文指出网页、邮件等非受信材料可被武器化，构成主要攻击面。

Google DeepMind 的 AlphaProof Nexus 以几百美元的成本解决数十年未解的数学问题

Google DeepMind 的 AlphaProof Nexus 自主解决了 9 个开放的 Erdős 问题，其中包括两个困扰数学界 56 年的难题。其推理成本低至每个问题仅需几百美元。系统通过 Lean 编译器验证每个证明步骤，而非使用 OpenAI 的自然语言方法。当前的整体问题解决成功率为 2.5%。

Rohan Paul@rohanpaul_ai· 06:57精选AI 评分7979

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从“令人信服的叙述者”转变为“候选方案生成器”。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化验证在暴露AI逻辑错误、建立“人类提问-模型探索-验证器把关”新分工中的关键作用。

揭开老药新用对抗肝纤维化的可能性

斯坦福大学遗传学家利用Co-Scientist工具，在现有药物中筛选用于治疗慢性肝病和肝纤维化的潜在疗法。这种方法专注于老药新用，旨在加速药物发现过程，为肝纤维化这一难治性疾病提供新的治疗思路。

From Prompt to Pointer Engineering: Deepmind 尝试为 AI 时代重塑鼠标光标

Deepmind 提出“指针工程”概念，旨在将鼠标光标转变为上下文工程中的关键变量。这一设想试图超越传统的提示词工程，通过光标在界面上的物理位置和移动轨迹来影响和引导 AI 模型的行为与输出。其目标是为人机交互开辟新范式，使光标成为与 AI 系统进行精细、动态交互的核心工具。

Rohan Paul@rohanpaul_ai· 08:48AI 评分5252

Google DeepMind的研究通过“师生对话”框架训练大型语言模型（LLM），使其能在对话中有效利用用户反馈进行学习。传统LLM将对话视为独立轮次，难以整合修正信息。该研究让“学生”模型尝试回答，由掌握额外信息的“教师”提供指导，并训练学生利用指导得出正确答案。在线强化学习训练效果优于离线过滤，且在简短对话中习得的技能能迁移至更长对话。该方法从数学任务泛化至编程任务，并能处理信息逐步到达的模糊任务。通过“Q-priming”步骤，模型在模糊任务中主动寻求澄清的可能性提高五倍以上，使对话更像与一个能在交流中实时学习的伙伴协作。

Google Deepmind的“AI协诊医生”在盲测中击败GPT-5.4，但仍落后于经验丰富的医师

Google Deepmind正在开发一款“AI协诊医生”系统以辅助医生诊疗。在模拟研究中，该系统表现优于GPT-5.4，但仍未达到经验丰富医师的水平。研究同时指出，类似ChatGPT语音模式的技术目前尚无法胜任严肃任务，更难以应用于医疗咨询场景。这项进展揭示了AI在专业医疗辅助领域的当前能力边界与发展潜力。

Rohan Paul@rohanpaul_ai· 02:39AI 评分6161

Google DeepMind 近日发布 AI co-clinician 协诊系统，这是一个多模态代理系统，旨在辅助医护人员，并在医生监督下运行。系统采用双代理架构：一个模块与患者对话，另一模块实时监控交互边界，能检索并验证临床级证据。在开放式药物问答中，其表现超越前沿模型，更贴合真实医疗场景的复杂性。评估聚焦临床实际关切，如避免错误陈述或遗漏关键信息。在98项初级保健模拟查询中，医生对其偏好超过主流证据合成工具；在97例NOHARM风格评估中未出现严重错误。

Google DeepMind@GoogleDeepMind· 23:14AI 评分4747

AI协同临床医生是我们新的研究计划，旨在探索多模态智能体如何更好地支持医护人员和患者。🩺 以下是我们进展的概览🧵

解耦式DiLoCo：分布式AI训练的新前沿

Google团队提出解耦式DiLoCo架构，通过将训练任务解耦到多个计算“岛屿”并实现异步数据流，显著提升了分布式AI训练的韧性与灵活性。该架构能有效隔离本地硬件故障，使系统其余部分持续学习。在实际测试中，仅使用2-5 Gbps广域网带宽，便在四个美国区域成功训练了一个120亿参数模型，训练速度比传统同步方法快20倍以上。系统在硬件故障时仍能保持高集群可用性与训练吞吐量，且最终模型性能与传统方法相当，同时支持混合使用不同代际硬件。

Open Problems in Mechanistic Interpretability 综述机制可解释性的开放问题

Lee Sharkey、Bilal Chughtai 等来自 Apollo Research、Anthropic、Google DeepMind、MIT、Eleuther AI 等机构的研究者发布前瞻性综述 Open Problems in Mechanistic Interpretability（https。

OpenAI 与 DeepMind 合作研究从人类偏好中学习

OpenAI 与 DeepMind 安全团队合作开发了一种算法，通过让人类判断两个候选行为中哪个更好来推断人类想要什么。该工作旨在免去人工编写目标函数，避免为复杂目标使用简单代理或目标偏差导致不良甚至危险行为，是构建安全 AI 系统的一步。