相关动态
Google DeepMind的Pushmeet Kohli与Biohub的Sal Candido在Brandon Anderson主持的一场特别对谈中，讨论了AI驱动生物学的边界。他们认为AlphaFold的突破只是开始，仅靠扩大算力与数据规模不足以解决生物学问题：找到合适的标度律比盲目增大模型更重要，低质量宏基因组数据也可能改进蛋白质语言模型。对谈还涉及蛋白质结构预测远未解决、蛋白质动态与无序区、静态结构预测的局限、冷冻电镜图像能否带来更丰富的表征，以及从单个蛋白质模型走向整套生物系统与虚拟细胞所需的根本不同数据集。Candido表示，要实现Biohub治愈所有疾病的使命，需要10倍量级的突破而非渐进改进。
10月7日，Google DeepMind、Isomorphic Labs 与 Meta 同意联合投入3亿美元，支持由 Mark Zuckerberg 与 Priscilla Chan 出资的 Biohub 推出的 Virtual Biology Initiative；加上美国能源部与国立卫生研究院的出资，承诺总额已达18亿美元。项目将测量细胞在远多于以往测试的条件下的反应，再用这些数据训练预测细胞行为的 AI 模型：首个数据集约一年后发布，五年内目标是建立准确的预测模型。商业资助方对其出资的数据享有一年保密期，政府资助的数据则无此限制；Biohub 科学主管 Alex Rives 表示，保密期是吸引商业方参与的激励。相较之下，Alphabet 过去12个月研发支出689.7亿美元、Meta 为716.3亿美元，3亿美元不及两家合计日均约3.85亿美元的研发开支。
Google DeepMind 研究人员开发出蛋白水印方法 SynthID Bio，可将可检测的签名直接嵌入 AI 生成的氨基酸序列或预测的三维结构中。序列方案在模型生成时微妙改变氨基酸选择方式，检测需凭密钥；结构方案则微调了部分 AlphaFold 3，使水印写入模型预测的原子坐标。测试中，推荐版结构方法在 0.1% 假阳性率下检测率超过 99.8%，且关键结构精度指标相对 AlphaFold 3 基线没有下降。据在 Nature 报告的实验室结果，带水印的蛋白结合体在 VEGF-A、PD-L1 及 SARS-CoV-2 刺突蛋白受体结合域三个靶点上均保持功能。
Google DeepMind 将 SynthID 水印引入生物学（SynthID Bio），称首批带水印的蛋白结合物仍能结合。在针对 VEGF-A、SARS-CoV-2 刺突蛋白 RBD 与 PD-L1 三个靶点的湿实验中，带水印设计在命中率、结合亲和力和天然序列多样性上“与未加水印版本相当”，公司称之为“史上首批带水印且具生物功能的蛋白结合物”。相关方法以论文《Function-preserving watermarking of AI-generated proteins》在 Nature 同行评审发表，Google 将其定位为概念验证。水印写入序列本身，可在合成出的实体蛋白上验证；AlphaFold 3 通过微调扩散网络的一部分，让预测坐标自带可检测签名且保持精度。Google 也承认水印目前难以抵御蓄意篡改，建议结合类似 C2PA 的来源元数据或集中式数据库。
Google DeepMind 在《Nature》发表概念验证技术 SynthID Bio，能在 AI 设计的蛋白质序列与预测分子结构中嵌入不易察觉、可验证的数字标识，且在实验室测试中未削弱其实际功能。首席 AI 科学家 Demis Hassabis 称生物安全是“AI 时代最紧迫的挑战之一”，相关工具将开源；科学副总裁 Pushmeet Kohli 表示团队已成功合成兼具功能与水印的蛋白质。报道同时指出，AlphaFold 3、AlphaProteo、ProteinMPNN 等系统的生成能力抬高了生物安全风险：机器生成的陌生序列可能绕过常规基因合成过滤，未经核验的合成结构数据也可能污染开放获取的科学数据库。
Google DeepMind 于9月30日发布 SynthID Bio，把水印从图像、文本、音频和视频扩展到蛋白质：实验室测试得到首批带水印的蛋白质结合体，并保留了预期的生物学功能，其信号可在合成出的实体蛋白中被检出，而不只存在于数字设计文件里。该方法含两部分：SynthIDBio-sequence 影响序列生成模型选择哪些氨基酸，SynthIDBio-structure 在折叠模型预测的原子坐标中引入细微、可检测的图案。序列测试将 AlphaProteo 设计的骨架与改造版 ProteinMPNN 结合，针对 VEGF-A、PD-L1 以及 SARS-CoV-2 刺突蛋白的受体结合域三类靶点评估结合体。研究者同时指出，该水印无法证明未标记的蛋白质天然或安全，且有心的用户可通过重新设计蛋白去除序列水印；这仍是有说服力的概念验证，部署路径要求很高。
Google DeepMind 推出 SynthIDBio，把隐形签名直接嵌入生物序列与三维结构，且不干扰其功能。若模型输出蛋白质序列，水印是藏在氨基酸顺序中的密文；若预测三维生物分子结构，水印则是隐藏在原子三维坐标中的不可见图案。研究人员在实验室中制备了针对三种特定分子的水印蛋白结合物，包括部分新冠病毒刺突蛋白、参与血管生长的人类蛋白和参与免疫调节的人类蛋白。结果显示，水印蛋白与三种靶点的结合强度与无水印版本相当，检测工具正确识别了全部水印蛋白序列和超过 99.8% 的水印三维结构，且水印未显著影响蛋白功能或三维结构精度。相关论文发表于 Nature。
Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学：在生物代码中嵌入难以察觉的签名，使水印可在合成出的实体蛋白上验证，且实验室测试显示蛋白生物学功能得以保留。方法按数据类型调整，对序列引导氨基酸选择，对预测三维结构微调原子坐标。蛋白结合体验证使用 AlphaProteo 与启用 SynthID Bio 的 ProteinMPNN，湿实验覆盖 VEGF-A、SARS-CoV-2 刺突蛋白 RBD、PD-L1 三个靶点，带水印设计在命中率、结合亲和力和天然序列多样性上与未带水印版本相当，得到首个既有水印又具生物功能的蛋白结合体。蛋白折叠方面则微调 AlphaFold 3 扩散网络的一小部分，把水印写入模型权重。
中国物理AI大突破：PhysBrain 1.5登顶全球开源榜一，空间智能与GPT-6 Astra并驾齐驱 这家中国公司，刚跑完了物理闭环里最难的一段路 允中 发自 凹非寺 量子位 | 公众号QbitAI 物理AI，正在成为2026年全球人工智能最关键的赛道，也是未来之争。 大模型用了三年时间把“会说话、会思考、会工作”推到极致，但当行业开始追问“模型能不能走进真实世界、能不能动手”时，一扇新的大门被推开。 Google DeepMind于2026年7月30日发布Gemini Robotics 2，基于Gemini 3.5 Flash的“具身推理”大脑ER 2，试图让机器人“边看视频边想下一步”。近期，OpenAI GPT-6引发行业热议，推理、编程与多模态理解能力再度突破，把通用智能的天花板又推高了一截。 而Robocurve的一次实验，又将“大语言模型是否能在真实世界中行动”这个问题摆在了台前。该实验将GPT-6 Astra部
Google DeepMind 推出 AlphaGenome Atlas，预先给出人类基因组约 90 亿种单碱基变异的预测，同时覆盖编码区与更大的非编码区。该平台数据量为 1 petabyte，是 AlphaFold Database 的 30 多倍，并引入 AlphaGenome Variant Impact（AVI）评分，帮助研究者对潜在重要的遗传变化排序。与 Broad Institute 合作的研究用 AVI 评分优先筛出与癫痫性脑病相关基因 DNM1 的一个变异，随后实验验证了预测效应；另一项分析基于 54,000 多名 UK Biobank 参与者的数据，按预测分子效应对变异分组后，多识别出 22% 的非编码遗传关联。DeepMind 强调这只是起点而非终点，目标不是取代实验室研究，而是帮助科学家决定哪些遗传变化值得优先深入探究。
Google DeepMind 推出 AlphaGenome Atlas 平台，配套论文给出人类基因组中约90亿种单核苷酸变异的效应预测，即每一个可能的单字母改变，并通过免费网站向学术研究开放。该资源把 AI 模型 AlphaGenome 的预测预先大规模计算，让研究者获得全基因组的宏观视角。此次还发布 AlphaGenome Variant Impact（AVI）评分，把 AlphaGenome 与 AlphaMissense 的预测压缩为一个数值，便于研究者对变异排序并同时解读其分子效应。据称外部合作者已借此在尚未解决的罕见病研究中识别并实验验证关键变异，并找到与常见性状相关的罕见变异。
Google DeepMind 宣布已用 AI 预测人类 DNA 中全部 90 亿种单字母替换的生物学后果，并将结果数据库 AlphaGenome Atlas 免费开放给全球学术研究者。该数据库预先列出每个单碱基替换可能如何影响基因开关机制，此前研究者只能逐个变异运行模型或在实验室中验证，过程极其缓慢。研究副总裁 Pushmeet Kohli 称，这是首次有人
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为迄今最先进、最准确的全球天气 AI 模型；该说法基于 Brightband 的独立实时评估。模型直接学习实时观测，利用原始卫星数据每小时生成高分辨率预报，并可在 Google 产品中提供预报。它按多种空间分辨率生成逐小时预报：温度、湿度等关键地表变量为 5 公里，其他地表变量为 10 公里，风速等大气变量为 25 公里，整体比前代 WeatherNext 2 的 25 公里网格、6 小时步长约清晰五倍。系统摄取每小时地球静止卫星拼图与历史分析，输入单个灵活的 Functional Generative Network（FGN）mesh transformer，输出密集网格场和离散气旋路径。此前模型常缺乏足够空间分辨率，也难以纳入卫星等实时天气数据。
KAIST于28日发布下一代生物AI模型K-Fold，用于预测新药开发所需的蛋白质与药物结合。该项目由政府推动的“AI特定基础模型项目”资助，启动不到一年即公布成果。KAIST称K-Fold性能与世界最佳的AlphaFold 3相当，但速度快25倍；其内部分析显示，K-Fold的分子结构预测精度接近AlphaFold 3，部分评测项更高。在下一代药物平台PROTAC的预测上，K-Fold准确率约高出33%；在药物活性变化预测的基准评测中高出11%。源文提到AlphaFold因用AI解决蛋白质结构瓶颈而获2024年诺贝尔化学奖。
据Latent Space报道，自2022年以来，人工智能流水线的各个组件正逐步从人工制造转向模型制造，每个转变都始于前沿实验室的“零号病人”。这种转变可概括为“模拟”，其特点是性能略差（10%），但成本极低（100倍）且速度极快（10000倍）。第一阶段（2022年）：奖励信号合成化，InstructGPT建立奖励模型范式，随后宪法AI和RLAIF让AI自我评判。第二阶段（2023年）：训练数据合成化，微软Phi系列证明“教科书即一切”，苹果WRAP通过LLM重写整个网络使预训练效率提升约3倍，NVIDIA的Nemotron-4 340B发布了许可的合成数据生成流水线。
谷歌 DeepMind 研究副总裁 Pushmeet Kohli 主管 AI for Science，介绍团队开发的 AlphaEvolve：将大语言模型与进化搜索结合，可发现全新算法、证明困扰研究者数十年的数学结果，并改进了已有 50 年历史的矩阵乘法算法，还能为数据中心调度等问题生成可解释代码，合作对象包括数学家陶哲轩。Kohli 提出「harness」架构，强调强大生成模型须配以可靠的领域评估器，才能区分幻觉与洞见。AlphaEvolve 的突破来自去掉人为提供的模板、搜索完整算法而非代码片段。多智能体系统让模型互相批评、改进与排序，DeepMind 的 AI co-scientist 经数天计算显著提升；模型往往更擅长评估想法而非生成想法，因此宜分离生成者、批评者与编辑角色。
Google DeepMind与Google Research在《Nature》报道，WeatherNext AI模型在预测气旋路径、强度和风场结构上达到当前最优，平均能多提供一天预警：三天预报精度相当于此前模型的两天预报，改进幅度约合气象学十年进展。研究联合NHC、CIRA、英国气象局等机构；2025年飓风季中，该模型帮助NHC对飓风Melissa的快速增强和登陆牙买加作出历史性预报。团队现为每个气旋预测1000种情景，并开源WeatherNext 2与WeatherNext Cyclones模型。
谷歌在2026年DOE Genesis Mission峰会上宣布扩大对白宫Genesis Mission的支持，承诺提供4000万美元的AI代金券和云信用额度。该计划旨在利用前沿AI加速美国科学发现，使其在十年内翻倍。具体包括：向DOE的Genesis Mission获奖者提供谷歌DeepMind的前沿AI工具，如AlphaEvolve、AlphaFold 3、AlphaGenome、WeatherNext和AlphaEarth Foundations；并向DOE国家实验室的运营、研究和管理团队的数万名用户提供为期一年的Gemini for Government席位和代金券。此前，谷歌DeepMind已宣布向所有17个DOE国家实验室提供早期访问计划。
“生物学的未来是可编程的。”Ground Truths 再次邀请 Arc Institute 联合创始人兼核心研究员 Patrick Hsu，讨论数字生物学、生命语言大模型（LLLMs）与通用生物人工智能（GBAI）。话题还包括两篇发表于 5 月的多智能体 AI 药物发现 Nature 论文、Biomni、AI 公司推出的科学工作台、Virtual Cell 项目，以及利用 OpenAI 寻找阿尔茨海默病药物发现的新机制靶点。节目也谈及人类沦为实验室助手及 AI 被恶意用于制造生物武器的担忧。
谷歌DeepMind与Isomorphic Labs联合发布生物韧性策略，旨在防范AI滥用并利用AI加强全球健康防御。过去12个月，双方与政府、生物安全组织及研究机构建立了超过15项合作。其方法涵盖预防、检测和响应：通过威胁建模、评估、缓解和监控确保模型安全；与生物学家和安全专家合作测试模型；并将SynthID水印技术应用于生物领域。此外，AlphaFold、AI药物设计引擎（IsoDDE）和AlphaGenome等突破，正助力主动防御、加速疗法发现。
过去一年，AI 智能体改变了编程的含义，科学研究可能成为下一个被改变的领域。Google DeepMind 与 10 位研究员和工程师对谈，探讨接下来会发生什么；最迫切的问题是如何验证即将到来的 AI 生成想法，并让科学家用上智能体、让数据集适配智能体、让同行评议维持运转。帝国理工学院微生物学家 José Penadés 团队花了近十年研究一族超级细菌如何传播抗生素耐药性，成果未发表。2024 年他将问题交给 Google DeepMind 的 Co-Scientist，两天内得到 5 个按优先级排序的解释，排第一的正是其团队苦心证明的假说：某些超级细菌从病毒处获得尾巴，当作“钥匙”跨越宿主物种。他一度怀疑电脑被入侵，写信给 Google 核实，确认没有“偷看”。
地球物种项目（Earth Species Project）发布2025年度报告，总结了在动物语言处理（Animal Language Processing）领域的进展，包括：开发并开源了首个专为分析动物声音设计的大型音频语言模型NatureLM-audio；发表了14篇新论文；与研究虎鲸（与Raincoast保护基金会合作）、斑胸草雀（与麦吉尔大学合作）和腐肉乌鸦（与莱昂大学合作）等物种的研究者开展合作。此外，他们在NeurIPS会议上共同组织了“AI for Non-Human Animal Communication”研讨会，这是该主题首次正式出现在重要AI会议上；他们还共同组织了BioDCASE的多声道对齐挑战赛。
AlphaFold 3 版本 3.0.3 的代码许可从 CC BY-NC-SA 4.0 更改为 Apache 2.0，并进行了错误修复和性能改进。新特性包括兼容 Python 3.14，Confidences JSON 序列化速度提升最多 30 倍（对于 5000 残基的输入，序列化时间从 43 秒降至 1.3 秒），mmCIF 解析速度提升 4%。修复包括新增标志以避免从非连接糖类中移除 O1 原子、支持动态版本推断、正确传递 Jackhmmer/Nhmmer 标志、修复独立糖类的 O1 清理、保留 RNA 和蛋白质链的描述等。
据《自然》27日报道，美国生物医学研究机构 CZ Biohub 发布“ESM Atlas”数据库，其中收录其AI模型ESMFold2预测的11亿个蛋白质结构和68亿条蛋白质序列，结构数据比AlphaFold数据库多8亿。ESMFold2基于团队2024年发布的蛋白质语言模型，训练数据含来自生物体的数十亿蛋白质数据，包括未纳入AlphaFold数据库的宏基因组。CZ Biohub称其性能优于包括AlphaFold3在内的其他模型，能更准确预测抗体-抗原等复合物结构，并设计出与癌症、免疫疾病相关蛋白强结合的新型抗体和蛋白质，实验室验证与预测一致。专家看法不一：有人视之为重要新资源，也有人质疑其性能。
Google DeepMind首席执行官、2024年化学诺贝尔奖得主Demis Hassabis在2026年初主张，AlphaFold——如今服务190个国家的三百多万名研究者——是AI驱动科学革命的第一级台阶，而非终点。他在2026年1月21日刊出的Semafor访谈中表示，生成式AI的商业繁荣可能拖慢而非加速更深层的科学突破：高带宽内存短缺与开放研究共享减少带来了扩展阻力，而“跑得没那么快也许是好事”。他强调DeepMind押注多模态训练数据与推理，而非单纯堆算力，“仅靠文本无法更快抵达终点”。在2026年2月的Fortune访谈中，他把长期目标称为“radical abundance”，即AI掌握科学方法、自主运行假设—实验—发表循环，并称10到15年后将迎来“新的发现黄金时代、新的文艺复兴”。
谷歌DeepMind研究负责人Vivek Natarajan将在2026年6月12日于伦敦举行的第10届研究与应用AI峰会（RAAIS）上发言。他是Med-PaLM及Med-PaLM 2的首席研究员，这两个系统分别在USMLE问题上达到及格和专家级水平，其中Med-PaLM 2在MedQA上得分高达86.5%，较前代提升超过19个百分点。他还共同领导Project AMIE，旨在构建多模态对话式诊断智能体，能收集症状、跨专科推理并解释视觉医学信息。2026年3月，团队发表了前瞻性临床可行性研究结果。
Demis Hassabis 回顾 AlphaGo 的搜索与学习方法如何延伸到 AlphaFold、AlphaProof、AlphaEvolve 及更广泛的科学 AI。
Google DeepMind 称，Gemini Deep Think 在专家数学家和科学家指导下解决数学、物理和计算机科学中的专业研究问题。2025年夏，一个高级版本在国际数学奥林匹克（IMO）达到金牌标准，更新版本随后在国际大学生程序设计竞赛（ICPC）取得类似成绩；团队最近一周发表了两篇相关论文。研究级数学方面，团队构建了基于 Gemini Deep Think 的智能体 Aletheia，用自然语言验证器发现候选解法缺陷并迭代修正，且能承认失败；为应对高级科目中因数据稀缺造成的浅层理解与幻觉，它还使用 Google 搜索和网页浏览，避免虚假引用和计算错误。模型在 IMO-ProofBench Advanced 上随推理时计算扩展得分最高达90%，而 Aletheia 显示更低推理时计算也能实现更高推理质量。
Hassabis 解释 DeepMind 为何同时押注规模化与算法创新，并把先进 AI 视为科学工具和理解智能的模型。
本客座文章由Boris Alexeev撰写，介绍围绕Erdős问题的近期进展，特别是利用人工智能对旧新数学进行形式化。背景：保罗·埃尔德什提出了大量猜想，Thomas Bloom于2023年5月建立erdosproblems.com跟踪进展。2025年8月添加论坛，2025年5月Google DeepMind启动形式化猜想项目。Bloom和陶哲轩提议将网站与OEIS链接。目前网站上有1100多个问题，约40%已解决，约240个问题在Lean中形式化，17个有形式化解，260个链接到OEIS。文章还提及人类无AI形式化的早期例子，如Bloom和Mehta形式化单位分数问题。
Google DeepMind与数学家陶哲轩等合作者本周发表论文，介绍AlphaEvolve推动的数学发现。该工作展示了纯数学中人机协作的新方法。该系统处理了67个挑战性问题，既重新发现顶尖解，也为若干长期挑战找到新构造。AlphaEvolve被称为“通用进化编码代理”，借助Gemini等大语言模型提出、测试并迭代改进算法解，建立在DeepMind 2025年5月首次发布该工具的工作之上。陶哲轩在博客中解释，其核心是进化用于寻找解的Python代码，而非直接构造数学对象；“搜索模式”让一次较慢的LLM调用触发大规模廉价计算，并自行探索数百万种可能性，“泛化模式”则寻找对任意给定数成立的公式。研究者称，许多问题的平均准备时间最多只需几小时。源文本在列举具体新方法处截断。