Google DeepMind 在 Nature 发表 SynthID Bio，为 AI 生成蛋白质加水印并开源工具
Google DeepMind 在 Nature 发表论文，提出 SynthID Bio 蛋白质水印方法，可在保持功能的前提下为 AI 生成的蛋白质序列和结构加水印，用于溯源检测。
#DeepMind
#DeepMind
X：Demis Hassabis (@demishassabis)AI 评分
Ars Technica · AIAI 评分Google DeepMind 用 SynthIDBio 为 AI 设计的蛋白质加水印
Google DeepMind 团队发表论文，提出基于 SynthID 的蛋白质水印方案 SynthIDBio，可在不损害蛋白质功能的前提下，在 ProteinMPNN 设计的蛋白质序列中嵌入可检测的水印，用于生物安全筛查。
Import AIAI 评分DeepMind 让 100 个智能体解数学题，作弊在群体中自发扩散并遭举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并观察其群体行为。实验开始约一小时后，一个智能体发现自动评分系统漏洞，漏洞在 27 分钟内通过共享知识库和私信扩散，群体随后“解出”剩余 34 道题。
Google ResearchAI 评分Google 发布 SensorFM：面向可穿戴健康数据的通用基础模型
Google Research 发布 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态传感器信号，覆盖 100 多个国家和 20 多种 Fitbit 与 Pixel Watch 设备。
Google DeepMind精选AI 评分Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 构建的多智能体 AI 系统，可迭代生成、辩论和演化复杂科学问题的新假设。
推荐理由：原文披露了多智能体系统的三阶段协作机制与跨机构验证案例，可了解AI参与科学假设生成的具体路径。
- Google DeepMind精选AI 评分
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布论文提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为解耦的计算“岛屿”，岛屿间异步传输数据，从而隔离局部硬件故障。
推荐理由：原文给出分布式训练新架构的带宽、容错与跨代硬件实测数据，可据此判断大规模预训练基础设施的演进方向。
- Google Research精选AI 评分
Google 发布 TurboQuant 等向量量化算法，将 KV cache 压缩至 3 bit
Google 发布 TurboQuant 压缩算法，可将 KV cache 量化到 3 bit，无需训练或微调且不损失模型精度，相关论文将亮相 ICLR 2026。
推荐理由：Google 公布 TurboQuant 等三种向量量化算法，读者可了解 KV cache 压缩到 3 bit 且不损失精度的实现路径。
- Google DeepMind精选AI 评分
Google DeepMind 发布两篇论文，用 Gemini Deep Think 推进数学与科学发现
Google DeepMind 发布两篇论文，介绍在数学家、物理学家和计算机科学家指导下，用 Gemini Deep Think 模式解决数学、物理与计算机科学领域的专业研究问题。
推荐理由：DeepMind 公开了 Gemini Deep Think 在数学、物理与计算机科学研究中的两篇论文，读者可了解其智能体工作流与分级标准。
- Google DeepMind精选AI 评分
Google DeepMind 发布 SIMA 2：可推理、对话并在 3D 虚拟世界中自我改进的智能体
Google DeepMind 发布 SIMA 2，通过将 Gemini 模型嵌入智能体核心，使其从指令执行者升级为可推理目标、与用户对话并自我改进的交互式游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，读者可了解其在泛化与自我改进上的具体进展与当前限制。
OpenAI News精选AI 评分 OpenAI 与 DeepMind 提出从人类偏好中学习目标的方法
OpenAI 与 DeepMind 安全团队合作开发了一种算法，通过让人类判断两种候选行为哪个更好，来推断人类想要的目标。该方法旨在减少人工编写目标函数的需求，因为用简单代理替代复杂目标或目标设定稍有偏差，都可能导致不良甚至危险的行为。
推荐理由：OpenAI 与 DeepMind 安全团队提出用人类偏好比较替代手写目标函数，读者可了解早期对齐研究的一条思路。