AlphaGo团队老将离开DeepMind创业：把AlphaGo式推理搬进机器人
相关推荐
传Google DeepMind拟裁超1/3：短期停更Pro，资源转向Flash
据动察 Beating 监测，Google DeepMind 正在酝酿进一步重组，可能裁掉三分之一甚至更多员工。GDM 目前约有 7000 至 8000 人，重组将重点精简岗位和实际工作不匹配的冗余人员。 更大的变化是模型路线。谷歌短期没有更新 Pro 模型的计划，也将减少对 Fable、Opus 同级超大旗舰模型的投入，把更多资源转向成本更低、迭代更快的 Flash。 这可能和 GDM 能拿到的资源有关。GDM 最近一个考核年的整体 OKR 只有 0.5/1，过去一段时间很难争取到更多大型模型训练资源。搜索、YouTube、Gmail 等谷歌核心业务同样需要大量 TPU。 还有一个内部细节或许可以解释为什么谷歌 Gemini 模型体验不佳：GDM 核心团队此前从未真正把 Gemini 当成日常主力模型，反而是非核心团队仍被要求使用 Gemini。
Google DeepMind高管称AI万亿美元投资押注“递归自我改进”
Odaily星球日报讯 Google DeepMind 首席战略官 Jasjeet Sekhon 表示，当前 AI 行业规模空前的资本投入，背后的关键投资逻辑之一，是押注未来 AI 系统实现“递归自我改进”（Recursive Self-Improvement，RSI）。 Sekhon 近日在加州大学伯克利分校举办的 Agentic AI Summit 上表示，AI 产业目前投入的大量资本，最终需要由一种更高级的能力来证明其价值——即 AI 能够自动改进自身，并创造能力更强的下一代系统。 他指出，RSI 已经成为 AI 投资逻辑中的重要组成部分。与传统依靠人工研发和训练迭代的模式不同，递归自我改进设想的是 AI 系统能够自主优化算法、改进模型架构，并持续提升自身能力。 Sekhon 认为，RSI 正在取代 AGI（人工通用智能），成为当前 AI 领域新的核心叙事。随着 OpenAI、Google、Anthropic 等公司以及云计算巨头持续投入巨额资金建设算力基础设施，市场正在押注 AI 未来可能从“规模扩展”（scaling）阶段迈向“自我增强”阶段。 不过，RSI 是否能够实现仍存在较大争议。目前 AI 模型虽然已具备代码生成、工具调用和自动优化能力，但距离真正意义上的自主递归改进仍面临技术、安全和可控性挑战。（The Information）
Google DeepMind发布Lyria 3.5音乐生成模型，支持生成最长3分钟完整歌曲
BlockBeats 消息，7 月 30 日，Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，重点提升音乐结构、歌词质量、指令遵循、人声表现及歌曲时长控制能力，可直接生成最长 3 分钟的完整歌曲，而非仅数十秒音频。 据介绍，Lyria 3.5 仍采用 latent diffusion 架构，在时间音频 latent 空间进行扩散生成，训练数据为带有不同粒度文本标注的音频，并通过 SFT 及结合人类、Critic 反馈的强化学习进行后训练，所有生成内容均嵌入 SynthID 水印。不过，Google 未披露训练数据规模、来源及量化 Benchmark，仅表示相较 Lyria 2，在音频清晰度和歌词指令遵循方面取得显著提升。 此外，Lyria 3.5 首发集成至 Flow Music，后者支持对话式音乐创作、Stem 分轨、Remix、音乐发布、播放列表生成，并可联动 Veo 生成音乐视频，还支持开发音频插件、音乐游戏及自定义 DAW，进一步整合 Lyria、Veo 与 Gemini，构建覆盖音乐创作、编辑、发布和分发的完整生态。
DeepMind突传实现RSI：三个大写字母点燃社区
动察 Beating AI 快讯，AI 社区突然疯传 Google DeepMind 已经实现 RSI。 RSI 即递归自我改进，被很多人视为通往超级智能最关键的一步。AI 可以自己改进训练方法、代码和模型，造出更强的下一代，再让下一代继续升级。真正跑通后，AI 研发可能进入自我加速循环。 起因是爆料账号 lyra 给 Google DeepMind 发了一句「huge congRatulationS Indeed!」，其中三个异常大写字母正好拼成 RSI。随后 Lentils 又贴出一张疑似内部模型列表，里面出现 rsi-model-liverl-le。他还声称 Google 内部有 10 个同系列训练模型槽位，但没有贴出对应截图。 传闻也未必是假的。路透社 8 月报道，谷歌联合创始人 Sergey Brin 已要求 DeepMind 加快 Gemini 研发，并重点推动递归自我改进。DeepMind 6 月的官方报告也把「recursive improvement」列为 AGI 走向 ASI 的四条潜在路径之一。
DeepMind给人类基因组做了张AI地图：90亿种DNA变化直接查
动察 Beating AI 快讯，Google DeepMind 发布 AlphaGenome Atlas，把人类基因组约 90 亿种可能的单字母 DNA 变化提前全部算好，做成一个可以直接搜索的数据库。整个数据集约 1PB，比 AlphaFold Database 大 30 多倍。 人类基因组约有 30 亿个 DNA 字母，每个位置都可能换成另外 3 种，因此共有约 90 亿种单字母变化。过去研究人员要用 AlphaGenome 单独分析变异，现在可以直接在 Atlas 里查结果，不需要每次重新跑模型。 Atlas 还给每个变异提供一个 AVI 分数，综合 AlphaGenome 和 AlphaMissense 的预测，帮助研究人员先找出最可能产生影响的变异。它既覆盖约 2% 的蛋白质编码区域，也覆盖更难研究的另外 98% 非编码区域。 已有研究团队用它找出此前漏掉的罕见病相关变异，并通过实验确认其中一个变异确实会导致 RNA 剪接异常。
前DeepMind科学家曹原：AI独立拿诺奖至少还要二三十年
据动察 Beating 监测，前 Google DeepMind 资深研究科学家、Unreasonable Labs 联合创始人兼 CEO 曹原认为，AI for Science 正进入爆发期。但 AI 要真正独立做出诺贝尔奖级别的科学发现，至少还需要二三十年。曹原此前参与过 Gemini 等项目，现在创业方向也是让 AI 发现新知识。 他认为，眼下最大的瓶颈是验证。写代码可以马上运行测试，数学还能用 Lean 逐步检查证明。但生物、材料和物理最终都要做真实实验。一次实验可能很贵，也可能要等很久，AI 很难像 Coding Agent 一样连续快速试错。 更难的是「创造新概念」。曹原认为，现在的模型很会在已有知识、定义和定理里搜索答案，但还不会像顶尖科学家一样，抽象出新的数学对象、定义和理论。他把这种「概念抽象」称为 AGI 的「最后一英里」。