YOHO AI

标签： DeepMind

  • 谷歌DeepMind预言：2026年AI将实现永生

    谷歌DeepMind预言：2026年AI将实现”永生”

    2026年刚开始，谷歌DeepMind研究员就抛出一颗重磅炸弹：持续学习（Continuous Learning）将在2026年取得突破性进展，AI有望实现”自我进化”，不再需要人类反复训练。这个预言如果成真，AI的发展节奏会被彻底改写。

    Google DeepMind AI Continuous Learning
    谷歌DeepMind对持续学习的技术预言 | 来源：新智元

    这个预测不是空穴来风。Jeff Dean在NeurIPS 2025的炉边谈话中就指出，当前大语言模型的核心痛点就是”缺乏持续学习”能力。2025年底，谷歌团队提出的”嵌套化方法”已经增强了LLM的上下文处理能力，实现了持续学习的雏形。

    2026年：持续学习成为AI核心节点

    Anthropic CEO Dario Amodei最近公开表示，持续学习将在2026年落地且可实用化。这个说法不是营销话术——Anthropic的工程师自曝，过去一个月对Claude Code的贡献全部由AI 100%生成代码，非技术程序员Ben Tossell四个月用Claude Code造了50个项目，全程几乎0人工干预。

    持续学习是AI自我改进、能力涌现的核心要素。实现后，模型无需通过重新训练升级，可在自编码过程中不断进化。

    OpenAI研究员Hieu Pham甚至预测，2026年AI将破解一个千禧年难题。这个预测如果成真，意味着AI的推理能力将跨越式提升，不再只是”预测下一个token”，而是真正开始”思考”。

    2030年：全自动编程触发ASI加速

    前OpenAI研究员Daniel Kokotajlo团队用自主开发的AI Futures Model做了个推演：2030年有望实现完全自动化编程，甚至有25%的概率在1年内实现向超级人工智能（ASI）的飞跃。

    这个推演的核心逻辑是：全自动编程（AC）是AGI研发进入自动化加速阶段的”开关”。一旦落地，ASI极有可能快速起飞。这个预测听起来科幻，但推演方法是有依据的——以”能力基准趋势外推”为核心方法，采用ETR的编码时间跨度套件（ETR-HRS）作为基准，推演达到AGI所需的算力与发展路径。

    AI研发自动化分为三个阶段：

    • 阶段1：自动化编程——定义自动化编程器（AC）可完全替代AGI项目的整个程序员团队
    • 阶段2：自动化研究品味——研究品味指确定研究方向、挑选实验、解读结果、提取知识的能力；该阶段预测从AC进化到超人类AI研究员（SAR）的时间
    • 阶段3：智能爆炸——追踪三个里程碑：超智能AI研究员（SIAR）、顶尖专家级AI（TED-AI）、超级人工智能（ASI）

    2050年：诺奖级科研的主力军

    《自然》（Nature）杂志展望：到2050年，AI系统或将成为”诺奖级”科学研究的主力军。这个预测不是瞎猜——《超级智能：路径、危险与策略》作者Nick Bostrom预计AGI将在2050年前后出现，可回答当前大部分原则上可由科学解答的问题。

    伦敦研究与前瞻公司Outsmart Insight联创Alex Ayad提出了一个”黑灯实验室”场景：由AI算法驱动的自主系统结合机器人实验员，可24小时不间断攻克生物技术难题，全程无需人类在场。墨西哥国立自治大学物理学家Juan Carlos Hidalgo预测，在AI辅助下2050年核聚变能源成熟的前景”相当可期”。

    这件事为什么重要

    谷歌DeepMind这个预言的价值在于，它给出了一个明确的技术路线图：2026年持续学习落地 → 2030年全自动编程 → 2050年AI主导诺奖级科研。这个路线图如果成真，人类在科学研发中的角色会被根本性改变。

    现在下结论还太早。持续学习的技术路径还没收敛，全自动编程需要的不仅是代码生成能力，还有”研究品味”这种很难量化的能力。但方向已经清楚了：AI正在从”工具”变成”合作者”，再变成”主导者”。这个过程的节奏，可能比大部分人预期的快。

    对于开发者和企业来说，现在要问的问题不是”AI会不会替代我”，而是”我怎么在AI持续进化的环境里找到自己的位置”。这个答案，2026年可能会有第一部分线索。

  • 谷歌DeepMind用AI一口气证明9道56年数学难题，单题成本仅数百美元

    谷歌DeepMind最近搞了个大动作——AlphaProof Nexus，一个由Gemini驱动的形式化证明框架，一口气解决了9道悬而未决的埃尔德什（Erdős）数学开放问题，其中最老的已经被卡了56年。与此同时，它还顺手证明了在线整数序列百科（OEIS）里44个未解猜想。

    Google DeepMind AlphaProof Nexus
    AlphaProof Nexus 由 Gemini 驱动，结合 Lean 形式化验证

    不是”AI猜答案”，而是”机器可验证的证明”

    这次和以前那些”AI做数学题”的新闻不太一样。AlphaProof Nexus 的核心是把大语言模型（LLM）和 Lean 形式化验证工具绑在一起——LLM负责生成证明思路，Lean 负责严格校验每一步逻辑是否真的成立。

    这样做的好处是：证明不是”看起来对”，而是”机器严格验证过对”。传统数学界对AI生成证明最大的质疑就是”你咋知道它没在胡说”，Lean 验证正好堵住了这个漏洞。

    关键突破：单次推理成本仅数百美元，论文与代码已在 GitHub 开源（arXiv:2605.22763，CC BY-NC-ND 4.0 协议）。

    哪些问题被解决了？

    这次解决的9道 Erdős 问题横跨组合数学和图论，其中两个最引人注目的问题已经被卡了56年。完整列表在论文附录里，这里说几个有意思的：

    • Erdős #12：关于整数序列中等差数列密度的猜想，困扰学界超过半个世纪
    • Erdős #125：30年无人给出完整证明的图论问题
    • Erdős #846：34年悬而未决的组合数学问题
    • 其余6道问题同样来自 Erdős 遗留的353道开放问题清单，这次共解决了9道
    • 额外证明了 OEIS 百科中44个序列猜想，覆盖组合学、优化、图论、代数几何、量子光学等领域

    和 OpenAI 的那次突破有什么区别？

    就在前不久，OpenAI 宣布他们的 AI 推翻了一个有80年历史的 Erdős 猜想。两边都在做”AI+数学证明”，但路径不太一样：

    OpenAI 那次更多依赖强化学习驱动的推理，而 DeepMind 这次走的是”LLM生成 + Lean 形式化验证”的路线，两种路径各有优劣。形式化验证的好处是证明可以被机器完整检查，数学界更容易接受。

    目前 AlphaProof Nexus 还不能解决那些需要全新数学构造的问题——它强在”验证了，不是”从无到有发明了新数学”。这个界限，也是整个领域下一步要攻克的。

    这个方向意味着什么？

    以前数学家要验证一篇论文的证明是否正确，往往要花数周甚至数月。如果 AI 能快速生成”机器可验证”的证明草稿，数学研究的速度会被整个提起来。

    当然，现在说”AI 取代数学家”还早得很。目前系统能处理的是”已经被明确表述出来的数学问题”，那些需要人类直觉去”发现正确的问题”的部分，AI 还差得很远。但作为一个”超级研究助手”，它已经很能打了。

    📎 原文来源：AlphaProof Nexus 论文（arXiv:2605.22763） | 参考：agentupdate.ai、IT之家、知乎相关讨论

  • Google DeepMind憋了个大招：AI不再只陪你聊天，开始帮你搞科研了

    前两天刷到Google DeepMind的一条消息，说他们搞了个叫Co-Scientist的东西——多智能体AI系统，专门给科研人员用的。我第一反应是：又来一个”AI助力科研”的PPT项目？但仔细看完，发现这次有点不一样。

    Google DeepMind Co-Scientist AI系统
    Co-Scientist：基于Gemini构建的多智能体科研助手

    从”搜索工具”到”科研搭档”，这步跨得挺大

    以往AI在科研里的角色，说白了就是个高级搜索引擎——你问它”XXX领域有什么进展”，它给你列一堆文献摘要，然后你自己去啃。

    Co-Scientist想做的事不一样。它的定位是：假设生成、讨论、验证的协同伙伴。核心架构是”生成-讨论-验证”三阶段，多个AI智能体互相抬杠、互相验证，最后给你一个它觉得靠谱的假设方向。

    传统科研里，一个有价值的研究假设，往往需要研究者花几个月甚至几年去打磨。Co-Scientist的目标，是把这个”灵感孵化”的过程，压缩到几天甚至几个小时。

    它到底强在哪？不是参数多，是”会自己纠偏”

    DeepMind在介绍里特意强调了一点：Co-Scientist强化了准确引用专业文献和自我修正逻辑矛盾的能力。

    这话什么意思？你去用用现在市面上的大模型，让它帮你梳理一个研究假设，十有八九会出现”编造引用”（hallucinated references）或者”前后逻辑打脸”的情况。Co-Scientist针对这个痛点做了强化，目标是让AI在科研场景里不乱说话。

    当然，现在它还处在实验性开放阶段，主要面向研究机构，不是你我去网页上就能白嫖的。但它透露出的方向很明确：AI不再只是”知识的搬运工”，而是开始涉足”知识的创造过程”。

    瞄准的是哪些科研领域？生物学、化学，还有那些”人类搞了几十年还没搞明白”的难题

    DeepMind在展望里点名了几个方向：

    • ALS（肌萎缩侧索硬化症）治疗：这个病折腾了科学界几十年，AI能不能帮忙找到新的药物靶点或者治疗路径？Co-Scientist想试试。
    • 衰老研究：衰老机制极其复杂，假设空间巨大，人工筛选成本极高。AI介入后，可能会开辟一些人类研究者还没想到的角度。
    • 化学分子设计：新药物、新材料的分子结构搜索，本质上是超高维空间的探索问题，AI”生成-验证”的循环在这里很有优势。

    未来DeepMind还打算把Co-Scientist跟实验自动化系统整合起来。到那时候，AI不只是帮你”想”，还能指挥实验室里的机器人去”做”，再把结果喂回来继续迭代。这个闭环一旦跑通，科研效率的跃升会是数量级的。

    跟OpenAI证明数学猜想那件事，其实是同一个信号

    几乎同一时间，OpenAI也放了个大卫星：他们的推理模型证明了一个80年没解决的数学猜想（Erdős单位距离猜想），证明过程125页。

    这两件事放在一起看，信号就很清楚了：2026年的AI，已经从”帮我总结一下”进化到”帮我证明/帮我发现”了。这不是简单的参数堆砌，而是推理能力、文献理解、逻辑自洽性这几件事同时到了一个临界点。

    科研人员如果还在把AI当”高级搜索引擎”用，可能真的有点亏了。下一步值得关注的，是这些科研AI智能体能不能真正加速重大发现，而不只是在已有假设上修修补补。

  • AlphaFold拿诺奖才5年，Google就开始转向了

    上个星期 Google I/O 的大会上，DeepMind CEO Demis Hassabis 上台说了一句话：”我们正站在奇点的 foothills（山麓）。”奇点嘛，就是那个 AI 智能超过人类、世界被彻底改变的理论时刻。听起来挺玄的。

    但仔细看他说这话的语境，就有点意思了。当时台上在讲 Google 的 AI 科研工具，重点展示了一段视频——用 WeatherNext（Google 的天气预报 AI）提前预警了去年 Hurricane Melissa 在牙买加的灾难性登陆，可能救了不少人。这确实是了不起的成就，但它跟”奇点”还差得远呢。

    Demis Hassabis at Google I/O
    Demis Hassabis 在 Google I/O 2026 上讲述 AI for Science 的新方向（图源：MIT Technology Review）

    两条路线的分歧

    这件事其实暴露了 Google 在”AI for Science”上的两条路线之争。一条是做专门的科研工具——比如 WeatherNext 预测天气、AlphaFold 预测蛋白质结构、AlphaGenome 做基因研究——这些工具针对特定科学问题设计，效果扎实，已经被全世界 300 多万研究人员在用。

    另一条路线更有野心：做出能自主做科研的 AI 智能体。不需要人类一步一步指导，AI 自己就能提出假设、设计实验、得出结论。这就是今年 Google I/O 上发布的 Gemini for Science 包背后的逻辑——把好几个基于大语言模型的科研系统整合到一个品牌下面。

    “我们正朝着这样的 AI 前进：它不只是辅助科学研究，而是开始自己做科学。”——Pushmeet Kohli，Google Cloud 首席科学家

    AlphaFold 的诺贝尔奖得主，被调去搞 AI 编程了

    这条新闻最让人玩味的地方来了。上个月《洛杉矶时报》曝出：Google Fellow John Jumper——就是靠 AlphaFold 拿了诺贝尔奖的那位——现在被调去搞 AI 编程，不再专门做科研 AI 工具了。

    这不难理解。Google 最近在 AI 编程工具上被 Anthropic 的 Claude Code 和 OpenAI 的工具压了一头，声誉受损，当然要把最顶尖的人才调过去追赶。但这也释放了一个信号：Google 正在把资源和注意力从”专门科研 AI 工具”往”通用 AI 科研智能体”偏移。

    AI 自己证伪数学猜想，意味着什么

    就在本周，OpenAI 宣布他们的一个模型证伪了一个重要的数学猜想——据一些数学家说，这是生成式 AI 迄今对数学领域做出的最有意义的贡献。有意思的是，OpenAI 用的这个模型并不是专门为数学设计的，而是一个通用推理模型，属于 GPT-5.5 那个系列。

    这说明通用 AI 智能体确实已经开始在科研领域做出实质性贡献了。如果它们能在数学上做到，那么在其他科学领域（当然要慢一些，因为科学结论需要实验验证）大概也只是时间问题。

    Gemini for Science 现在能干什么

    本次 I/O 发布的 Gemini for Science 包含两个主要工具：AI Co-Scientist（生成科研假设）和 AlphaEvolve（优化算法）。目前还没对公众开放，但 Google 已经允许研究人员申请试用权限了。

    早期测试的反馈不错。斯坦福大学的遗传学家 Gary Peltz 在《自然·医学》上发文，把用 AI Co-Scientist 比作”咨询德尔菲神谕”——也就是问神的意思。这个比喻挺传神的：AI 给出的假设不一定对，但需要人类专家去判断和验证。

    当然，专门的科研工具（比如 AlphaFold）和通用 AI 科研智能体并不是非此即彼的关系。智能体可以调用专门工具作为”工具库”的一部分。没有 AlphaFold 的帮助，任何 AI 系统目前都别想把蛋白质折叠结构预测准。但 Google 显然在把公众形象——以及至少一部分资源和人才——从专门工具的开发，转向更通用的方向。

    “合作者”，而不是”替代者”

    Google 在对外表态上很谨慎，一直强调这些科研 AI 智能体是”加速人类科学家工作的工具”，而不是取代他们。比如，这个工具叫”AI Co-Scientist”而不是”AI Scientist”，这个命名选择看起来相当刻意。

    Hassabis 在采访里也用了类似的说法：”在未来十年左右，我们应该把 AI 看作帮助科学家的神奇工具。再往后，就很难有把握了，但也许这些系统会变得更像合作者。”

    但问题在于：一个有效的科研合作者，本身必须先是一个合格的科研工作者。如果 Hassabis 说的”奇点的山麓”不是吹牛，那么 AI 科研智能体最终超过人类同行，并不是天方夜谭。

    Hassabis 在 I/O 期间跟记者 Mike Allen 聊天时提到，他最早被 AI 吸引，是因为看到物理学在 1970 年代之后进展停滞了；他在想，人类心智是不是在这个领域已经触到了天花板，也许 AI 能帮我们突破这个壁垒。超人类的 AI 科研智能体，确实符合这个描述。

    我们也许永远到不了那一步。但 Google 看起来正在往那个山顶爬。只是不知道，等到了之后，站在山顶的还会不会是我们人类。

  • 谷歌这次把AI科学家搞出来了，7个智能体自己跑实验，还登了Nature

    谷歌DeepMind最近搞了个大动作，直接把AI科研助手的水平拉到了《Nature》正刊的级别——他们推出的Co-Scientist系统，现在已经能自主完成从提假设到验证的全科研流程，而且在肝纤维化、衰老这些之前啃不动的生命科学领域，已经拿出了实打实的成果。

    谷歌Co-Scientist系统登顶Nature
    谷歌DeepMind Co-Scientist系统架构图（来源：新浪财经）

    Co-Scientist的核心是基于Gemini大模型的7大智能体体系，模拟完整科学研究循环（提出假设→质疑修正→迭代完善）。

    7大智能体怎么分工？

    这7个智能体各有分工，合起来就是一个不用休息的科研团队：生成代理负责基于已有文献提初步假说；邻近性代理给这些假说分类，避免漏了潜在的研究路径；反思代理相当于虚拟同行评审，专门挑假设的错误；排名代理让假说两两比拼，筛选出最有前景的方向；进化代理对排名靠前的假说迭代优化；元评审代理汇总结果，生成完整研究方案给人类科学家审阅；监督代理是总指挥，拆解大目标为具体任务，协调所有智能体并行工作。

    为了保证质量，系统还借鉴了AlphaGo的博弈逻辑，让假说之间“打擂台”，把大部分算力投入假设验证环节——反复核对假设和现有文献、数据的一致性，确保假设有依据、逻辑通顺、能实验验证。另外还能调用ChEMBL、UniProt这些专业数据库，以及AlphaFold等第三方AI工具，吸收多维度的知识。

    已经在哪些领域出了成果？

    目前这个系统优先在生命科学领域落地，已经搞出了不少突破：肝纤维化治疗方向，筛选出的老药新用候选药物，在实验室里能抑制91%的纤维化相关反应，效果比传统方案好得多；渐冻症（ALS）研究，整合了几十年的领域文献，提出了全新的RNA疗法思路，现在已经在推动跨实验室联合攻关；细胞衰老逆转研究，精准锁定了关键基因靶点，把原本需要数月的数据处理工作压缩到了数天完成。

    其他方向也有进展：肝病机制研究，解析出了不同药物疗效差异的核心原因，结论经实验100%验证；新发传染病研究，能快速锁定致病关键氨基酸，把原本需要数年的实验周期缩短到数周；衰老生物学研究，提出了应激反应的全新假设，已经经过多家实验室独立验证。

    AI for Science成巨头新战场

    谷歌这次突破之后，AI for Science赛道已经成了科技巨头和初创公司都在抢的香饽饽：2025年12月FutureHouse推出AI科学家Robin，首轮融资就拿了7000万美元；英伟达和礼来宣布未来5年共同投资10亿美元，共建全球首个AI药物共创实验室；科学智能公司Lila Sciences刚完成3.5亿美元A轮融资，估值就超过了13亿美元。

    以前搞科研靠天才的灵感和运气，现在有了这套系统，相当于给每个科学家配了一个24小时不睡觉、能读完所有文献、还能自己设计实验的助手——科研效率的革命，真的要来了。

  • Google把20年街景数据喂给了Genie，AI现在能模拟你家门口的街道了

    你有没有在Google Maps的街景里「逛」过别人的 neighborhood？把那个小黄人往巴黎某条街上一扔，看看酒店是不是在安全的地段。Google现在想把这件事变得不止是「看看」，而是让你真正走进去、改天气、看暴风雪里的同一条街是什么样子。

    5月19日的Google I/O大会上，DeepMind宣布把Street View的数据接入Project Genie——Google的通用世界模型。简单来说，Genie可以根据文字或图片提示，生成可交互的游戏式三维环境。现在加上街景，它生成的就是真实世界的地方。

    Google Genie Street View 模拟展示
    Genie接入街景数据后，可生成纽约街景的交互式模拟（图源：TechCrunch）

    为什么这件事有意思

    DeepMind研究员Jack Parker-Holder举了一个很具体的例子：一个即将部署到伦敦的机器人，那边常年见不到什么太阳。用Genie，他们可以模拟阳光从维多利亚式房屋上反射下来的罕见场景，这样机器人真的遇到时就不会「懵掉」。

    「你可以说，我要去纽约，但不是这个季节，是下雪的时候。我想看看那条街在下雪时是什么样子。」

    街景数据积累，Google干了20年。背着摄像头的小车和塞了相机的背包，在全球110个国家和七大洲拍了超过2800亿张图片。这些数据的价值，过去主要体现在地图产品和广告上，现在DeepMind找到了新用法。

    不只是玩游戏

    Genie 3去年8月开放了研究预览，今年1月向美国的Google AI Ultra订阅用户开放。它的目标应用场景有三个：教育、游戏、机器人训练。接上街景之后，机器人训练这个场景立刻变得很实。

    Waymo已经在用Genie的模拟器来训练无人驾驶汽车应对「极罕见事件」——比如龙卷风，或者一头大象突然出现在路上。以前这种场景只能靠人工合成，现在有了街景作为基底，模拟出来的环境至少地理位置是真实的。

    和Waymo自己的模拟器相比，Genie的优势在于视角。Waymo的模拟都是从车载摄像头角度看的，而街景数据可以切换到任意视角——机器人视角、行人视角、甚至无人机视角。

    • 2800亿张街景图片覆盖全球110个国家
    • Waymo已用Genie模拟龙卷风、大象等极端场景
    • 支持任意视角切换（车载/行人/机器人/无人机）
    • 教育、游戏、机器人训练三大目标场景

    还差在哪里

    坦率说，现在的效果还没到「以假乱真」的程度。Google团队给我看的样片，包括我以前住过的一个街区的海底版本，识别度很高，但画质还是电子游戏水准，不是照片级真实。

    更大的问题是物理规律。现在的Genie模型还没有真正理解因果关系——比如在一个约书亚树国家公园的雪地场景模拟里，跑过去的人直接穿过了仙人掌和灌木丛。物理规则不是硬编码进去的，模型是通过被动观察自己「悟」出来的，这个过程还需要时间。

    「这类模型在准确度和质量上，可能比视频生成落后6到12个月。但我认为这是可以解决的。」——Jack Parker-Holder

    对比一下，Google自己的图像生成器Nano Banana已经能在信息图里生成完美的文字，视频生成器Veo也理解了纸船会跟着水流漂、烟会在空气中散开这些物理常识。Genie要追上这个水平，还得再跑一阵。

    目前，Street View in Genie已经向部分美国Ultra用户开放，接下来几周会逐步扩展到全球Ultra用户。DeepMind的产品经理Diego Rivas提醒说，这还是一个实验性的东西，准确度方面还有很多要改进的地方。

    但方向是清晰的。Google Maps的前总监Jonathan Herbert说，他们很早就在想怎么把地图数据用在新形式的AI研究上。Genie接入街景，是这个世界模型第一次真正摸到「真实世界的地基」。接下来会发生什么，值得盯着看。

  • Isomorphic Labs完成$21亿B轮融资：AI制药从 Nobel 奖走向临床

    Demis Hassabis 2021年从DeepMind分拆出来的Isomorphic Labs，这周宣布完成21亿美元B轮融资，领投方是Thrive Capital。算上这一轮，公司累计融资接近26亿美金，直接把AI制药这个赛道的天花板顶到了一个新高度。

    Isomorphic Labs的核心资产是AlphaFold——那个2024年拿了诺贝尔化学奖的蛋白质结构预测系统。以前科学家要花数年才能解析一个蛋白质的三维结构，AlphaFold能在几分钟内给出高精度的预测结果。Isomorphic要做的事，就是把这个能力商业化，用AI设计新药分子。

    AlphaFold已经预测了超过2亿个蛋白质结构，覆盖几乎所有已知的蛋白质编码基因。这个数据库对全球科研人员免费开放，但Isomorphic Labs的商业模式是在这个基础上做药物设计，而不只是结构预测。

    投资者的阵容很有意思

    这轮除了Thrive Capital领投，Alphabet（谷歌母公司）和GV（谷歌风投）继续跟投，说明谷歌内部对这个函数还是很有信心。新进来的投资者包括MGX（阿联酋主权基金）、Temasek（新加坡淡马锡）、英国主权AI基金。一个AI制药公司，能让多个国家主权基金同时下注，这个信号值得琢磨。

    融资额21亿美元是什么概念？对比一下：Anthropic最新一轮融资30亿美金，估值900亿；Isomorphic这一轮单轮21亿，已经超过了大部分AI公司的累计融资额。投资者现在不是在用”研究项目”的标准来评估AI制药，而是在用”下一个Google DeepMind”的标准在下注。

    AI设计的药物真的要上临床了

    Isomorphic Labs在融资公告中提到，他们第一个AI设计的分子即将进入人体临床试验。这意味着，从AlphaFold获诺贝尔奖到第一款AI设计药物进入临床，只用了不到两年。这个速度在传统制药界是不可想象的——一个新药从发现到临床，通常需要5到10年。

    • 传统制药：5-10年药物发现 + 临床试验，成功率低于10%
    • AI制药（Isomorphic模式）：18个月完成药物设计，靶点预测精度大幅提升
    • 第一家AI设计药物进入临床的时间节点：2026年内

    为什么是现在

    AI制药不是一个新概念，但之前一直卡在两个地方：一是蛋白质结构预测不够准，二是AI设计的分子在真实生物系统里不一定work。AlphaFold把第一个问题解决了，第二个问题现在也有了进展——Isomorphic用的是”闭环验证”策略，AI设计分子后会用湿实验（wet lab）验证，再把结果喂回模型。

    这个21亿美元的融资轮，本质上是在赌一件事：AI设计的分子能在人体里安全地起作用。如果Isomorphic的临床实验数据好，整个制药行业的研发范式会被重写。如果失败了，这21亿就是目前为止AI泡沫最大的单笔”学费用”。

  • Google DeepMind启动亚太加速器，用AI守护地球

    谷歌DeepMind最近宣布启动亚太区”AI for the Planet”加速器计划，要把AI用到气候变化这类棘手的环境问题上。亚太地区既是全球经济增长引擎，又是气候变化的高脆弱区，这个选择其实很有战略眼光。

    从生产力工具到行星级解决方案

    DeepMind这个动作，标志着它的定位正在发生根本性转变——不再只是做AlphaFold、大语言模型这类”生产力工具”，而是要把AI变成解决全球性问题的”行星级解决方案”。

    加速器计划为期三个月，入选团队会拿到DeepMind的技术资源、导师指导，还有机会跟DeepMind的研究员直接合作。重点是”AI智能体网络”——不是单个模型，而是多个AI协作去处理复杂的环境治理问题。

    亚太地区既贡献了全球三分之二的经济增长，也承载了最高的气候脆弱性。绿色技术虽然在兴起，但要把AI真正用到环境治理里，还需要更多的创新和实践。

    智能体网络是怎么解决环境问题的

    传统AI应用大多是”一个问题、一个模型”，但环境问题不是这样。气候变化、生物多样性丧失、海洋污染——这些都是系统性的问题，需要多个AI智能体协作，分别处理不同的子任务，然后整合出解决方案。

    举个例子：预测某个地区的洪灾风险，需要同时分析气象数据、地形数据、土地利用数据、人口密度数据……单个模型很难搞定这么复杂的输入。但如果是多个智能体分工——一个专门处理气象、一个专门分析地形、一个负责人口建模——最后把结果整合起来，准确性会高很多。

    亚太地区为什么是首选

    选亚太地区作为首个加速器落地点，背后有几层考虑。一是亚太国家的环境问题迫在眉睫——从东南亚的海平面上升，到印度的极端高温，再到中国的空气污染，都是需要紧急应对的现实挑战。二是亚太地区的科技创新生态正在快速成熟，有大量有潜力的初创团队和研究者。

    三是数据资源。亚太地区有全球最丰富的人口数据和环境监测数据，这对训练AI模型来说是金矿。DeepMind显然想通过这次加速器，跟亚太的研究团队建立深度合作，拿到这些数据资源。

    AI环境治理的想象空间

    这次加速器计划触及的，其实是一个被严重低估的方向：AI在环境科学和气候治理中的应用。过去几年，大家都在关注AI怎么改变办公、怎么颠覆搜索、怎么影响内容创作……但AI在科研、在环境治理、在应对气候变化方面的潜力，其实一点都不比那些”网红应用”小。

    如果这次加速器能跑出几个成功的案例，说不定会带起一波新的AI创业方向——不再是卷聊天机器人、卷内容生成，而是去做真正有社会价值的事情。

  • 拿了诺贝尔奖18个月后，他融了21亿美元要造AI设计的药

    Demis Hassabis拿诺贝尔奖才过去一年半，他创办的AI制药公司Isomorphic Labs就拿到了21亿美元融资。这笔钱来自Thrive Capital领投，阿布扎比主权基金MGX、新加坡淡马锡、英国主权AI基金都跟投了——注意，三分之二是主权基金。这不是普通的VC轮次，更像是一场国家级战略押注。

    AlphaFold解决了蛋白质折叠问题，而IsoDDE是AlphaFold谱系中第一个在工业规模上解决药物设计问题的系统。

    从诺贝尔奖到21亿美元

    2024年11月，Hassabis在斯德哥尔摩领走了诺贝尔化学奖。AlphaFold发布四年来被190个国家超过200万科学家使用，预测了生物学中几乎所有已知蛋白的结构。但科学荣誉和商业落地之间隔着一条鸿沟——Hassabis用18个月和21亿美元试图跨过去。

    Isomorphic的核心技术叫IsoDDE（Isomorphic Drug Design Engine），今年2月刚公布。它在蛋白质-配体结构预测基准测试上的性能是AlphaFold 3的两倍。传统物理方法算一个结合亲和力需要几周的计算时间和一整个药物化学团队，IsoDDE能在更高精度下以极低成本完成同样的工作。

    第一个吃螃蟹的人？

    Isomorphic计划在今年年底前把自己内部研发的首个AI设计药物送进人体临床试验。如果成功，它将是第一家把AI原生药物从自有管线推进到一期临床的公司。目前公司已与诺华、礼来、强生达成多靶点战略合作，三家的预收入合同总额估计超过20亿美元。

    不过前车之鉴不少。Recursion Pharmaceuticals花了十亿多美元十年时间，至今没有一个商业化药物；BenevolentAI市值从20亿缩水了四分之三；Exscientia的AI设计候选药在一期都没过完就被终止了。FDA到目前为止批准的纯AI设计药物数量是零。

    进入一期的药物最终能上市的几率大约只有十分之一。未来18个月将决定这个雄心是在斯德哥尔摩再次实现，还是只停留在又一份融资PPT里。

    为什么主权基金蜂拥而入

    这轮融资最值得玩味的信号不是金额大小，而是投资人结构。阿布扎比、新加坡、英国的主权基金同时入场，说明各国政府已经把AI制药当成战略赛道来布局了。21亿美元给Isomorphic提供了大约十年的跑道——不需要再融资就能同时推进合作项目和自研管线。

    说白了，这是一场全行业最高赌注的博弈：赌赢了，Isomorphic会成为医药研究领域最有价值的资产；赌输了，这就是有史以来最昂贵的科学实验。不管结果如何，AI改变新药发现这件事本身已经不可逆转了。

  • DeepMind英国员工投票组建工会：顶级AI实验室首次，抵制军事AI合同

    最近听到一个挺有意思的消息：Google DeepMind的伦敦员工投票组建工会了，98%的支持率，妥妥的压倒性多数。这可是顶级AI实验室第一次出现工会啊，感觉AI行业要变天了。

    导火索：Google悄悄改了道德准则

    事情要从2025年2月说起。Google的母公司Alphabet悄悄从道德准则里删掉了”不使用AI开发武器和监控”的承诺。一位DeepMind员工匿名爆料说，这个决定让很多人心里一紧——当初加入DeepMind就是冲着”负责任地构建AI造福人类”这个slogan去的，现在方向完全变了。

    “我们觉得这个’任何合法目的’条款太模糊了，基本上等于什么承诺都没做。”——DeepMind员工

    转折点：与五角大楼的机密协议

    今年4月，《纽约时报》曝光Google与美国国防部达成协议，允许其AI用于”任何合法政府目的”。紧接着5月2日，美国国防部确认已与Google、SpaceX、OpenAI、Microsoft等七家AI公司签署机密网络协议。Anthropic被排除在外——据说是因为它拒绝让AI用于自主武器或大规模监控美国公民。

    这下DeepMind的员工彻底坐不住了。他们联名致信Google英国区总经理，要求认可CWU和Unite工会作为员工代表。诉求很明确：终止以色列军方合同、提高AI使用透明度、建立AI自动化裁员保障机制。

    连锁反应：其他实验室也在观望

    CWU科技事务官员John Chadfield透露，已经有其他前沿AI实验室的员工来求助了。Anthropic和OpenAI今年都宣布了在伦敦的大规模扩张计划，如果DeepMind的工会化成功了，这些新员工很可能效仿。

    “其他前沿实验室的人看到DeepMind员工的做法，已经来找我们帮忙了。”——John Chadfield, CWU

    Google方面倒是态度温和，说会”重视与员工的积极对话”，但目前还没正式承认工会。如果双方谈不拢，员工们表示会请求仲裁委员会强制Google认可。

    说实话，这事儿挺有标志意义的。AI行业这几年发展太快，伦理边界一直在被试探。当科研人员开始集体发声、要求公司对AI用途负责，说明行业真的到了一个需要认真思考”AI向善”的临界点。后续怎么发展，咱们持续关注。

    DeepMind伦敦总部
    Google DeepMind伦敦总部 | 图片来源：Getty Images