利用 Co-Scientist 寻找新型传染病背后的分子开关
剑桥大学研究团队正利用 Google DeepMind 的 Co-Scientist 寻找病原体跨物种传播致病的分子开关,借助该系统生成并排序高潜力科学假设。系统成功帮助科研人员精准锁定候选蛋白质及具体的氨基酸突变,使原本通常需要 2 至 3 年的靶点识别工作有望在 6 个月内完成。
剑桥大学研究团队正利用 Google DeepMind 的 Co-Scientist 寻找病原体跨物种传播致病的分子开关,借助该系统生成并排序高潜力科学假设。系统成功帮助科研人员精准锁定候选蛋白质及具体的氨基酸突变,使原本通常需要 2 至 3 年的靶点识别工作有望在 6 个月内完成。
Calico Life Sciences 借助 Co-Scientist 整合衰老生物学零散数据并提出科研假设,成功在整合应激反应(ISR)研究中取得新进展。团队利用 Co-Scientist 提出了代谢调控 ISR 的全新假说,并通过持续交互优化了假说验证的实验设计。相关实验已得出对健康与疾病机制具有重要意义的新发现,研究团队正计划发表该成果。
爱丁堡大学研究人员利用 Google DeepMind 的 Co-Scientist 系统,针对代谢功能障碍相关脂肪性肝炎(MASH)提出了关键分子机制假设并完成实验验证。该系统综合了肝脏生物学与药理学文献,指出 NLRP3 炎症小体是连接炎症与代谢的分子桥梁,解释了已获批药物 resmetirom 适用患者受限的原因,为应对药物配对筛选的组合爆炸难题及开发靶向双重疗法提供了线索。
推荐理由:原文展示了科研智能体通过跨学科文献综合提出分子机制假设并获实验验证的实例,为解决药物组合筛选难题提供了参考路径。
MIT 与波士顿儿童医院的研究人员借助 Co-Scientist 展开跨学科合作,共同探索渐冻症(ALS)的新型 RNA 机制与潜在药物。Co-Scientist 压缩了梳理海量矛盾文献的时间,协助研究人员提出可检验的假设并权衡实验可行性与风险。系统指出的细胞表面关键线索,促成了活体组织工程与 RNA 化学生物学工具的联合应用。
斯坦福大学团队发表在《Advanced Science》的研究显示,利用 DeepMind 的 Co-Scientist 成功从现有药物中筛选出了可治疗肝纤维化的老药新用候选方案。
推荐理由:实验直接对比了人类专家与 AI 在药物筛选上的表现,为大模型在老药新用和生物医学文献挖掘中的应用提供了实测参考。
Google DeepMind 与 Google Research 开发的 AI 气象模型 WeatherNext 协助美国国家飓风中心(NHC),提前 5 天以 80% 的置信度预测出飓风梅丽莎将迅速增强并以 5 级飓风强度登陆牙买加。
推荐理由:文章详细复盘了气象大模型在极端飓风预报中的实测表现,展现了AI预测路径与强度的实际落地价值。
Google DeepMind 正式推出 Gemini 3.5 系列并上线 Gemini 3.5 Flash,主打复杂长流程智能体工作流与代码执行能力。其在 Terminal-Bench 2.1 达 76.2%、MCP Atlas 达 83.6%,每秒输出 token 速度达到其他前沿模型的 4 倍,且成本不足其一半。
推荐理由:该模型在保持高推理速度的同时强化了长流程智能体与编程表现,为降低复杂自动化任务的调用延迟与成本提供了参考。
Google DeepMind 在《Nature》发表最新研究,推出基于 Gemini 的多智能体 AI 系统 Co-Scientist,用于在生命科学等领域自主生成、辩论和演化科学假设。
推荐理由:该研究展示了多智能体辩论与演化机制在科研假设生成中的可行性,为大模型辅助复杂前沿科学发现提供了落地架构。
Google DeepMind 总结了其由 Gemini 驱动的算法设计编码智能体 AlphaEvolve 在推出一年来的跨领域落地成果。在科学与硬件领域,该系统不仅协助数学家探索未解问题并将 Willow 量子芯片模拟误差降至基准的十分之一,还直接为下一代 TPU 芯片设计了更高效的底层硬件电路,同时将 Google Spanner 的写入放大减少了 20%。
推荐理由:文章梳理了编码智能体深入硬件架构设计与跨学科科学计算的具体案例,展示了 AI 算法设计工具在工业基建中的实践路径。
Google DeepMind 宣布与韩国科学技术信息通信部(MSIT)建立战略合作,将在首尔设立 AI Campus 以推动前沿 AI 在科研领域的应用。合作将向首尔大学、KAIST 等韩国科研机构开放 AlphaFold、AlphaGenome、AlphaEvolve 等 AI for Science 模型,并联合韩国 AI 安全研究所开展安全研究与人才培养。
Google DeepMind 提出分布式训练架构 Decoupled DiLoCo,通过异步计算孤岛实现低带宽、高容错的跨数据中心大语言模型训练。团队在跨美国 4 个区域、仅 2-5 Gbps 广域网带宽下成功预训练 12B 参数模型,速度比传统同步方法快 20 倍以上,并在 Gemma 4 测试中保持了同等基准性能。
Google DeepMind 宣布与埃森哲、贝恩、BCG、德勤和麦肯锡达成合作,加速前沿技术落地并推动企业级智能体转型。合作将围绕构建行业定制 AI 方案、提前获取包括 Gemini 家族在内的前沿模型访问权限,以及对接 AI 领导层三大支柱展开,重点覆盖金融、制造、零售和文娱等领域。
Google DeepMind 推出最新音频模型 Gemini 3.1 Flash TTS。该模型引入细粒度音频标签,支持用户精准引导和控制 AI 语音表达,以生成更具表现力的音频。
Google DeepMind 推出具身推理模型 Gemini Robotics-ER 1.6,大幅增强了空间定位、多视角理解与任务成功检测能力。该模型可原生调用搜索和 VLA 等工具,并新增结合代码执行的智能体视觉以高精度读取各类工业仪表。目前该模型已通过 Gemini API 和 Google AI Studio 向开发者开放。
推荐理由:新模型结合视觉推理与代码执行实现了工业仪表读取,为机器人多视角任务规划和成功判定提供了实用参考。