美国国债因强劲 PMI 指标继续下跌
相关推荐
Google DeepMind 首次审计:AI 未加速自身研发,75% 代码由 AI 编写
ChainCatcher 消息,Google DeepMind 在 Gemini 4 Argon 安全报告中公布首次针对机器学习研发自动化的整体实证评估,结论是 AI 并未加速 AI 自身的研发,尽管 AI 已编写该实验室工程师交付的大部分代码。参与评估的研究员 Haydn Belfield 在 X 上表示,目前不存在显著的端到端 ML R&D 加速,因此 AI 驱动 ML R&D 的风险目前较低。团队构建了内部指数 GCI v1,将 123 个 AI 模型在 92 个基准上的得分合成单一数值。前沿 Gemini 能力以约每月 0.1 GCI 点的稳定速度提升,Gemini 1.5 Pro 在 2024 年底接近 0.5 点,Gemini 3.8 Flash 在 2026 年 9 月略高于 2.9 点,Argon 约 3.3 点高于趋势线,但 Belfield 称这源于算力与组织投入增加,而非 AI 驱动的加速。DeepMind 生产代码中超过 75% 由 AI 编写,完全委托的代码合并请求比例在 4 月至 9 月间从 7.5% 升至 11.9%,但约 88% 的请求仍需多轮人工引导或人工编写。对 12 位资深研究者的调查显示,自动化在明确、可验证的执行任务中最高,在开放式科学构想、新实验设计与诊断训练不稳定等环节最低。
美国 9 月制造业 PMI 创三年新高
ChainCatcher 消息,9 月份美国制造业增速加快,PMI 达到 2022 年 5 月以来最高水平。新订单激增促使工厂提高产量并增加就业,订单积压增加,供应商日益繁忙。尽管出口订单下滑,但安全库存增加支撑需求。经济增长加速、招聘增加和物价走高,市场猜测美联储或将进一步加息。
谷歌与 DeepMind 成立研究所探索通用人工智能
ChainCatcher 消息,据 Axios 报道,谷歌 (GOOG.O) 与 DeepMind 成立研究所,旨在探索通用人工智能的发展。
谷歌调整 AI 组织架构,责任团队移出 DeepMind
ChainCatcher 消息,据华尔街日报报道,谷歌 (GOOG.O) 调整 AI 组织架构,将 AI 责任团队移出 DeepMind 实验室。
谷歌员工把唱衰DeepMind的报告放桌上天天看,三个月后SemiAnalysis道歉,承认自己当初看走眼了
动察 Beating AI 快讯,谷歌 Gemini 强化学习团队成员 Arthur Douillard 透露,他们把 SemiAnalysis 那篇唱衰 DeepMind 的报告打印出来,摆在办公桌上天天看。外界都觉得他们已经掉队,再也追不上了,他们偏要憋着一口气证明对方看错了。 这篇报告发表于今年 8 月,标题叫《Gemini is Cooked but GCP is Cooking》。当时 SemiAnalysis 认为,DeepMind 的顶尖人才大量出走,谷歌云又抢走了大量算力,模型研发已经跟不上 OpenAI 和 Anthropic。甚至直接断言:DeepMind 已经不算顶尖 AI 实验室,基本不可能再追上第一梯队了。 结果才过了三个多月,谷歌连续发布 Gemini 4 Argon、Carbon、Hydrogen 和 Neon 四款模型。Carbon 一度登顶 Artificial Analysis 综合智能榜,最新的 Neon 综合排名世界第三,编程智能体评测更是拿下第一,略微超过 Claude Fable 5.2,完成任务的平均成本还不到后者的一半。 Arthur 特意发帖感谢 SemiAnalysis:「谢谢你们提供的动力。文章里说的那些问题,当时确实存在,但时代已经变了。」 SemiAnalysis 这回也服软了,直接晒出一张「谷歌道歉表」,给自己勾选了好几条犯错理由,包括「只看了 X」「没读模型卡」,甚至还有「水星逆行」。最后承认自己看错了 Gemini 4。 DeepMind 创始人哈萨比斯也亲自下场接梗:「道歉收下了!不过你们漏勾了一项:低估了这支超强的 Google DeepMind 团队。」
DeepMind 研究员梳理 AGI 通往超人工智能的四条路径
火星财经消息,Google DeepMind 研究科学家 Tim Genewein 在 DeepMind Institute 发表文章,探讨人工通用智能(AGI)之后可能出现的发展路径。文章将超人工智能(ASI)描述为能够在广泛的人类关切任务上,持续超越大规模人类专家群体的系统,并提出从 AGI 到 ASI 的四条技术路径:扩大模型与数据规模、出现技术范式转变、提升智能体协同能力,以及递归自我改进。文章还讨论了硬件投入、算法效率和算力增长对 AI 系统规模及认知任务成本的影响,并指出模型与数据扩展可能面临高质量数据供给、规模收益递减及电力、芯片等资源限制。作者表示,评估 AI 能力进展需要新的基准与建模方法,并需要前沿实验室及各级机构参与。文章基于 Tim Genewein 等人共同撰写的《From AGI to ASI》技术报告;DeepMind Institute 说明,其文章不应被视为 Google 的官方观点。