Google 开源洪水预报水文建模框架
Google Research 在 GitHub 开源其水文建模框架,让各国气象水文机构可将 AI 洪水预报集成进自身工作流。该框架为基于 PyTorch 的 Python 包,采用 LSTM 架构,训练流程使用开源 Caravan 数据集,并已与捷克水文气象研究所(CHMI)合作验证。新版模型相较 2024 年基准版本,在有测站流域将可靠预测期延长 6 天,无测站流域延长 1 天。
Google Research 在 GitHub 开源其水文建模框架,让各国气象水文机构可将 AI 洪水预报集成进自身工作流。该框架为基于 PyTorch 的 Python 包,采用 LSTM 架构,训练流程使用开源 Caravan 数据集,并已与捷克水文气象研究所(CHMI)合作验证。新版模型相较 2024 年基准版本,在有测站流域将可靠预测期延长 6 天,无测站流域延长 1 天。
Google Research 在 I/O 2026 发布 Gemini for Science 实验工具套件,包含基于 ERA 与 AlphaEvolve 的 Computational Discovery、基于 Co-Scientist 的 Hypothesis Generation 以及基于 NotebookLM 的 Literature Insights。
Google 提出一种零信任隐私分析方案,将一次性提交的新型密码学聚合协议与 TEE 结合,使设备无需多轮在线即可安全上报数据。该设计保证 Google 只能获得群体匿名聚合结果,原始数据即使在硬件保护范围内也不会被解密或重建,TEE 证明则向参与者验证协议按公开代码正确执行。
Google DeepMind 在亚太地区启动首个加速器计划,聚焦“AI for the Planet”,面向该地区初创公司、研究团队和非营利组织,用前沿 AI 解决自然、气候、农业、能源等领域问题。该计划为期三个月,入选机构将获得专家指导,并把 Google AI 的前沿 AI 与科学 AI 模型整合进自身项目或产品。计划以新加坡线下训练营启动,现已开放意向登记。
Google 在 Nature 发表论文介绍 Empirical Research Assistance(ERA),这是一个用 Gemini 编写和优化科学代码的研究工具,通过树搜索在数千种方案中迭代优化代码。
推荐理由:Google 用 Gemini 驱动的 ERA 在 Nature 发表,并给出流行病、径流、CO2 等八篇应用结果,可看科研编码自动化的边界。
Google DeepMind 的 Co-Scientist 正被用于加速细胞衰老研究:它扫描数万篇论文后提出 20 多个可测试的新遗传因子,实验室验证其中几个成功将细胞推向更年轻状态并改善整体功能。它还能将原本长达六个月的筛选数据分析缩短至几天。
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 实景锚定能力,用户可选取美国地点并叠加风格与角色描述,生成起始位置对应真实街景影像的交互世界。
推荐理由:原文给出 Genie 接入 Street View 实景锚定的能力与开放范围,读者可据此判断世界模型在智能体与机器人训练上的落地路径。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言多轮编辑视频。
推荐理由:Gemini Omni Flash 把多模态输入与对话式视频编辑结合,读者可据此判断视频创作流程的变化。
Google DeepMind 发布 Gemini for Science,包含 Google Labs 上三个实验性工具和 Google Antigravity 中的 Science Skills。
推荐理由:原文给出三类科学实验工具的能力分工与开放入口,可据此判断智能体在科研流程中的落点。
Google 宣布把内容透明度与验证工具扩展到 Search、Gemini、Chrome、Pixel 和 Cloud。SynthID 已为超过 1000 亿张图片和视频、6 万年音频打上水印,Gemini 应用中的 SynthID 验证已被使用 5000 万次,该能力今日起进入 Search、未来几周进入 Chrome。
推荐理由:原文列出 SynthID 与 C2PA 验证在 Search、Gemini、Chrome 的落地范围,可据此判断内容溯源工具的实际可用边界。
Google DeepMind 与新加坡政府启动国家 AI 合作,在新加坡落地医疗、科研、教育和气候等项目。合作探索 AI co-clinician 辅助诊疗,并用 AlphaFold、Google Earth 加速东南亚疫情研究,同时向中小学至初级学院教育者提供 Gemini for Education。
剑桥大学 Clare Bryant 教授使用 Google Co-Scientist 研究流感等病原体跨物种传播时引发败血症等重症的分子开关。Co-Scientist 生成并排序了一批假说,其中优先标记出一个她此前未关注的蛋白,并将其细化到具体氨基酸位点。Bryant 团队正构建含氨基酸突变的细胞系验证假说,原本需两到三年的实验工作有望在六个月内完成。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google DeepMind 的 Co-Scientist 整合衰老生物学中零散的研究发现,并将其转化为可验证的假设。
爱丁堡大学团队用 Google Co-Scientist 研究 MASH 肝病,系统整合肝脏生物学与药理学证据,锁定 NLRP3 炎症小体作为连接炎症与代谢的分子桥梁,解释药物 resmetirom 为何仅对少数合格患者有效。该假设经实验验证,或为靶向联合疗法铺路。
Google DeepMind 的 Co-Scientist 帮助 MIT 机械工程师 Ritu Raman 快速梳理 ALS 相关文献,将想法转化为可检验假设并按可行性、风险收益排序研究方向。
Stanford 遗传学家 Gary Peltz 用 Google Co-Scientist 筛选可重定位治疗肝纤维化的现有药物,其提出的 3 个候选中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生,而 Peltz 自己挑选的 2 个药物均无效。表现最突出的是抗癌药 vorinostat,阻断了 91% 可驱动肝瘢痕形成的损伤反应。相关研究已发表于 Advanced Science。
Google DeepMind与Google Research开发的AI气象模型WeatherNext帮助美国国家飓风中心提前五天预测飓风Melissa将以五级强度登陆牙买加,置信度达80%,三天前升至接近100%。
推荐理由:原文给出WeatherNext在飓风Melissa中的预报表现与NHC验证报告结论,读者可了解AI气象模型在路径与强度预测上的实际作用。
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash,主打智能体与编码能力,即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise 上线。
推荐理由:Gemini 3.5 Flash 在编码与智能体基准上的表现和速度数据,可供读者判断前沿模型在长程任务上的取舍。
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 回顾了 Gemini 驱动的编码智能体 AlphaEvolve 发布一年来的应用进展,称其已从试点成为 Google 基础设施的核心组件,用于优化下一代 TPU 设计和缓存替换策略。
推荐理由:原文汇总了 AlphaEvolve 在基因组、电网、量子物理和商业客户中的落地数据,可据此判断编码智能体的跨领域适用范围。
Google Research 公布其开源工具与开放数据集已支持全球超 25 万名研究人员和开发者。其中基因组学工具 DeepVariant、DeepConsensus、DeepPolisher 已助全球处理 250 万人的外显子与全基因组,Health AI Developer Foundations 及 MedGemma 累计下载超 480 万次。
Google DeepMind 宣布 AI co-clinician 研究计划,探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由:Google DeepMind 公开了 AI co-clinician 的研究设计与评测结果,读者可了解医疗智能体在证据检索和实时多模态问诊上的能力边界。
Google Research 介绍了科学家使用 Empirical Research Assistance(ERA)开展科研的四个方向:公共卫生、宇宙学、气候与神经科学。
推荐理由:Google Research 用四个真实科研项目展示 ERA 在流行病预测、宇宙学、卫星 CO2 监测和神经回路发现中的具体产出。
Google DeepMind 与韩国科学技术信息通信部(MSIT)建立合作,将在首尔办公室设立 AI Campus,向韩国学术界开放 AlphaEvolve、AlphaGenome、AlphaFold、AI co-scientist 和 WeatherNext 等前沿模型。合作覆盖生命科学、能源、天气与气候领域,并探索韩国学生实习机会,同时与韩国 AI 安全研究所(AISI)就安全研究展开协作。
Hugging Face 发布 Transformers.js 浏览器扩展教程,演示如何在 Manifest V3 约束下用 Gemma 4 E2B 构建本地 AI 功能。
Google Research 宣布在 Google Photos 的 Auto frame 功能中上线一种新的照片视角重构方法,把照片理解为 3D 场景并在其中自动移动虚拟相机位置。
推荐理由:Google Photos 的 Auto frame 新增 3D 感知重构图能力,读者可了解生成式补全如何改变拍摄后的取景空间。
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 在 ICLR 论文中提出智能体记忆框架 ReasoningBank,从成功与失败经验中蒸馏高层推理模式,实现测试时自我进化。
Google DeepMind 宣布与 Accenture、Bain & Company、BCG、Deloitte、McKinsey 合作,推动前沿 AI 在企业的大规模落地。合作包含三大支柱:共建行业专属 AI 能力、让合作伙伴提前使用 Gemini 系列等前沿模型、以及对接 DeepMind 领导层与客户 CEO 和董事会。目前仅 25% 的组织成功将 AI 规模化投入生产。
Google 提出推理优先的合成数据生成框架 Simula,无需种子数据,将数据集构建拆解为全局多样化、局部多样化、复杂化和质量检查四个可控维度,并以 Gemini 2.5 Flash 为教师模型、Gemma-3 4B 为学生模型在网络安全、法律推理、GSM8k 和 Global MMLU 等五个领域生成最多 512K 数据点。
Google Research 提出 MoGen(Neuronal Morphology Generation),基于 PointInfinity 点云流匹配模型生成合成神经元形状,为 PATHFINDER 重建模型补充训练数据,使小鼠轴突重建误差降低 4.4%,主要来自 merge error 的减少。
Google DeepMind 发布 Gemini 3.1 Flash TTS,一款主打可控性与表现力的文本转语音模型,即日起在 Gemini API 和 Google AI Studio 面向开发者预览,企业版在 Vertex AI 预览,Workspace 用户可通过 Google Vids 使用。
推荐理由:官方给出音频标签控制方式与 70+ 语言支持,读者可据此判断语音生成的可控程度与接入渠道。
Google 发布研究实验 Vantage,利用生成式 AI 在模拟环境中创建对话,评估高中和大学生面向未来的技能,现已在 Google Labs 开放英文注册。
Google DeepMind 发布 Gemini Robotics-ER 1.6,这是其面向机器人的推理优先模型升级版,重点增强空间推理、多视角理解与任务成功检测。
推荐理由:官方给出与上一代及 Gemini 3.0 Flash 的对比,并说明仪表读数等新能力的实现路径。
Google Research 推出 ConvApparel 数据集,包含服装购物领域超 4,000 段人机多轮对话、近 15,000 轮次,用于量化 LLM 用户模拟器与真实人类的真实感差距。
Google 发布两个学术智能体框架:PaperVizAgent(原 PaperBanana)从论文方法与图注生成出版级插图,ScholarPeer 则自动评审论文。
Google Research 提出一套框架,用改编自 IRI、ERQ 等心理学问卷的情境判断测试(SJT)评估 LLM 行为倾向与人类的一致性,覆盖 25 个 LLM。结果显示,模型规模超过 120B 及前沿闭源模型在人类标注者一致时接近完美对齐,但共识低于 90% 时对齐率停滞在 80% 出头;模型还在职场场景中倾向情绪外露、在社交争端中偏好和谐而非坚持立场。
Google DeepMind 发布 Gemma 4 开源模型家族,包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸,采用 Apache 2.0 许可。
推荐理由:Gemma 4 给出四种尺寸、Apache 2.0 许可与完整工具链支持,可据此判断开源模型在端侧与本地部署上的能力边界。
Hugging Face Blog 发布文章《Welcome Gemma 4: Frontier multimodal intelligence on device》,标题显示 Gemma 4 是一款面向端侧设备的前沿多模态模型。原文正文未能抓取,暂无更多细节。
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了标注条目数与每条目标注者数的权衡,发现常用的每条目 1、3、5 名标注者往往不足,可靠结果常需超过 10 名。