公司与模型
Google 与 DeepMind 的 Gemini 模型、Veo 视频生成、前沿研究与各条产品线的 AI 更新。
367 条精选近 30 天 49 条共收录 2,416 条
Google Cloud 在 2026 年 Q2 营收同比增长 82% 至 $24.8b，超过 $22.3b 的预期，增速已与 NVIDIA 趋同。增长主要来自 AI 算力租赁需求，而非 TPU 系统销售——后者本季度才开始确认收入，大部分收入将在 2027 年落地。云业务积压订单达 $514b，同比增长 385%，营业利润率从一年前的 20.7% 扩大至 35.6%。
推荐理由：作者用财报数据对比 Google Cloud 与 NVIDIA 的增速趋同和利润率变化，帮助读者理解云厂商与芯片商共享同一需求曲线。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：Google Gemini Flash 系列更新到 3.6，150+ tok/s 的吞吐量对 agent 场景是实际提升，OpenRouter 第一时间上线，开发者可以直接调。
Josh Woodward@joshwoodward精选AI 评分6969我们正在推出三款新模型，旨在让 AI 智能体在大规模应用中更快、更智能、更经济： 🔵 Gemini 3.6 Flash：它比 Gemini 3.5 Flash 使用更少的模型 token，就能以完全相同的成本提供更高质量的工作成果。 🔵 Gemini 3.5 Flash-Lite：一款快速、经济高效的选择，适用于处理文档和智能体搜索等日常任务。 🔵 Gemini 3.5 Flash Cyber：一款专为网络安全打造的模型，用于发现并修补关键软件漏洞。
推荐理由：Google一口气扔出三个Gemini Flash新模型，3.6 Flash把复杂编码token砍了65%，做Agent的成本敏感型选手可以直接收益，Cyber模型专攻漏洞修复是个有意思的细分信号。
Google 发布 Tunix，一个基于 JAX 的原生后训练库，旨在消除多轮、使用工具的 LLM 推理智能体训练中的 TPU 闲置瓶颈。Tunix 通过高并发异步 rollout 与解耦的生产者-消费者流水线最大化硬件吞吐量，确保训练器持续获得数据。该库提供即插即用抽象和持续宏观级性能分析，便于集成自定义环境。
推荐理由：Google 这个训练库直接解决 agent 训练中 TPU 空转的隐性成本，对做后训练的团队可能是基础设施级改进，值得跟进。
Google DeepMind 推出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款新模型。其中 Gemini 3.6 Flash 为最新主力模型，3.5 Flash-Lite 主打更低成本与更高效率，3.5 Flash Cyber 则针对网络安全场景优化。三款模型均通过 Google AI 开发者平台提供 API 访问。
推荐理由：Gemini Flash 系列常规更新，Flash-Lite 和 Cyber 变体值得 API 开发者留意，但细节还没出来，目前只能先标记。
Google DeepMind 研究副总裁 Raia Hadsell 在 RAAIS 2026 演讲中主张，语言只是可建模系统之一，世界、生物、天气和机器人同样适用基础模型方法。
推荐理由：DeepMind 研究副总裁在 RAAIS 演讲中把世界模型与机器人串成一条主线，为读者提供了语言之外看 AI 路线的完整框架。
Google 在 Gemini API 更新日志中宣布 Gemini 3.6 Flash（gemini-3.6-flash）和 Gemini 3.5 Flash-Lite（gemini-3.5-flash-lite）正式可用（GA）。
推荐理由：官方更新日志给出两个模型正式可用的定位差异和参数弃用信息，开发者可据此评估迁移与成本选择。
Google Vids 推出两项更新：Gemini Omni 支持用户通过自然语言提示词和图片参考生成、逐步编辑高质量视频片段；个人数字分身功能允许用户上传自拍和语音录制后，输入文字即可让数字分身出镜。两项功能面向 Google AI Pro 和 Ultra 订阅者及 Google Workspace 商业客户开放，所有生成内容均含不可见的 SynthID 数字水印。
推荐理由：如果你已经在用 Google Workspace，这两个更新让 Vids 的可用性提升了一档，但对于外部的 AI 视频生成，没带来新变量。
Google AI 发布 DiffusionGemma 开发者指南，该实验性模型基于 Gemma 4 架构，采用计算受限并行生成，在单张 NVIDIA H100 上实现 1000+ tokens/秒的生成速度。模型为 26B 参数的 MoE 架构，推理时仅激活 3.8B 参数，可在 18 GB VRAM 内量化部署。
推荐理由：虽然 DiffusionGemma 是实验性的，但把文本生成从内存带宽瓶颈转向计算瓶颈的思路非常新颖，这篇指南给出了可落地的服务方案和微调手法，做推理优化的值得跟进。
欧盟依据《数字市场法案》（DMA）裁定 Google 必须向竞争对手开放 Android 和 Google Search 的关键部分，包括允许第三方 AI 助手和搜索引擎获得更大访问权限。这两项决定可能削弱 Google 对两大核心平台的控制，并为其 AI 工具 Gemini 的未来格局带来深远影响，同时为竞争对手创造新的发展机会。
推荐理由：欧盟这两项裁决直接撬开了谷歌安卓和搜索的围墙，对Gemini等AI助手的地位是实质冲击，做AI应用和搜索的创业者值得盯着后续执行细节。
Google Cloud 与 Parallel Web Systems 合作，将 Parallel 的搜索基础设施作为新的网络接地提供商原生集成到 Gemini Enterprise Agent Platform 中。该集成使开发者能将 AI 智能体锚定在可验证的实时网络结果上，以提升企业工作流的事实准确性。用户还可编程提取、永久缓存并与其他大语言模型一起处理网络数据。
推荐理由：为 Gemini Agent 平台引入第三方搜索 grounding，企业开发者多了一个直接可用的实时事实核查选项，虽非重大突破，但对做合规和知识库场景的团队是个实用更新。
包括 Hachette、Cengage、Elsevier 及作家 Scott Turow 在内的出版商与作者团体对 Google 提起集体诉讼，指控其未经授权使用受版权保护的作品训练 Gemini 模型，并故意移除或篡改版权信息以掩盖这一行为。原告称 Google 将原本仅用于 Google Books 搜索片段展示的书籍副本，以及 Google Play 商店上传的图书，非法用于 AI 训练。诉讼援引 Google 内部文件，其中指出此举可能带来“100 亿至 1000 亿美元的潜在罚款”。该案在纽约南区联邦地区法院提起。
推荐理由：出版商集体诉讼谷歌，这次带上了内部文件警告‘可能面临千亿美元罚款’的弹药，是版权方对AI训练最有力的一次反击，值得关注后续发展。
在 Google I/O Connect India 上，Google 展示了由定制 Tensor SoC 和 TPU 驱动的 Pixel 10 系列所支持的 100% 私有端侧 AI 未来。活动首次推出轻量级 Gemma 4 E2B 模型，该模型原生运行于设备端，可实现完全离线的多模态功能，包括 AI 聊天、实时图像识别和个人智能体任务。开发者即日起可通过新发布的 Tensor SDK beta 及其配套开源资源，开始构建这些安全的边缘应用。
推荐理由：我觉得这是端侧 AI 从实验到落地的信号，Gemma 4 E2B 的离线能力搭配新 SDK，让完全本地的多模态应用不再是期货，做移动隐私 AI 的开发者该上手试试了。
Google AI Developers@googleaidevs精选AI 评分7070推荐理由：Google把Gemini 3.5的语音翻译做到了近实时、保持语调，这对出海产品是个很实际的升级，实时通话翻译终于从demo走向可用。
Google 发布实验性开源模型 DiffusionGemma，采用文本扩散技术并行生成 256 token 块，推理速度最高提升 4 倍。该 26B MoE 模型仅激活 3.8B 参数，量化后适配 18GB VRAM 消费级 GPU，在单张 H100 上达 1000+ tokens/s。
推荐理由：Google把扩散模型首次做进大语言模型，生文速度提升4倍，还开源了权重。虽然实验性质量打折，但本地实时交互的开发者终于有个新选项可以玩了。
Google 发布 ADK 2.4.0，允许将 Workflow 直接注册为 Agent 的工具列表中的一等工具，使协调 Agent 能自动调用动态工作流。该模式通过 `@node` 装饰器定义动态执行节点，支持在运行时根据用户输入的任务列表迭代调用子 Agent 生成执行计划。示例使用 gemini-3.5-flash 模型实现任务协调，代码已开源至 devrel-demos 仓库。
推荐理由：ADK 2.4 把动态工作流直接注册成 Agent 的工具，补齐了多智能体编排里缺失的那块拼图，做复杂 Agent 的可以直接抄这个模式，代码拿来就能跑。
Demis Hassabis@demishassabis精选AI 评分6868推荐理由：Demis Hassabis 亲自下场提出一个具体的 AGI 监管框架，用 FINRA 模式构建标准组织，这比泛泛呼吁更有行动感，政策讨论里少见的可操作方案。
Google AI 工程师指出，使用合成随机向量数据测试向量搜索性能可能导致误导性结果。对于 HNSW 索引，合成数据构建耗时 6,601,789 毫秒，而真实数据仅需 4,174,196 毫秒，速度快 1.5 倍，因为随机向量缺乏自然聚类结构，使图索引的节点连接更难建立。
推荐理由：玩pgvector或AlloyDB向量搜索的开发者应该看看这篇，用合成数据测HNSW索引召回率可能只有3%，而真实数据超90%，附带完整SQL复现脚本。
Google Research 发布 SensorFM，一个在超过 100 万亿分钟多模态传感器数据上预训练的大规模基础模型，数据来自 500 万同意参与者，涵盖 100 多个国家及 20 余款 Fitbit 和 Pixel Watch 设备。SensorFM 学习通用的人体生理表征，可迁移至心血管、代谢、睡眠、心理健康及生活方式等 35 项健康预测任务，支持标签高效适配与数据填充，并可作为个人健康智能体的基础工具。该模型旨在解决传统可穿戴健康模型针对单一终点、难以泛化的问题。
推荐理由：SensorFM 在 500 万人、万亿分钟传感器数据上训练出一个通用生理基础模型，35 项任务全面领先，自动调参的代理教室也很有想法，做健康 AI 的人值得细读。
Google 发布 LiteRT.js，这是 LiteRT 跨平台边缘 AI 运行时的最新成员，专为 JavaScript 开发者设计，可直接在浏览器中运行机器学习模型。LiteRT.js 基于 WebGPU 和即将推出的 WebNN 实现 SOTA 推理性能，同时支持回退到 WebAssembly CPU 方案。
推荐理由：Google 将 LiteRT 扩展到了浏览器端，让 Web 开发者可以直接在客户端跑 AI 推理，但发布缺少性能数据和对比，实质价值还要看后续的 benchmark。
