DeepMind

10 月 7 日，Google DeepMind 把 SynthID 查验站 synthid.com 向公众开放：任何人登录 Google、OpenAI 或 Apple 账号，上传图片、视频或音频，就能检测其中是否藏有 SynthID 不可见水印。三天前（9 月 30 日）它还把水印扩展到了合成生物序列。这件事标志着 AI 内容溯源从「厂商各自为战」进入「公共查验」阶段。 今年发生了什么 时间线值得捋一遍： 5 月 19 日 Google I/O 上，OpenAI 开始在其生成媒体 API（ChatGPT、API、Codex）输出中嵌入 SynthID，NVIDIA、Kakao、ElevenLabs 同周跟进。 同日 Google 在 Gemini 应用里上线 C2PA Content Credentials 校验。 5 月下旬 Google Cloud 预览 Content Detection API，Shutterstock、Snap、Fox Sports、Canva 等做首批合作伙伴。 10 月 7 日查验站公开。 五家头部厂商用一周时间对齐到同一套水印信号，这不是产品更新，是事实标准成型。 还没解决的两个问题 第一，文本水印仍是短板。SynthID 对图像、音频、视频的鲁棒性较好（截图、压缩、裁剪后仍可检出），但文本水印容易被改写、翻译、 paraphrase 抹掉。今天被大量滥用的 AI 文案，恰恰是最难留痕的一类。 第二，水印不是法律。它标记「这段内容是 AI 生成的」，但不解决「谁生成的、谁负责」。C2PA 元数据可被剥离，SynthID 信号虽难剥离，却也无法证明发布者身份。平台责任与举证，仍要靠内容凭证链与留存记录配合。 ...

意识第一次有了数学坐标 2026年10月初，谷歌DeepMind与多位神经科学家联合发布了一份150页的研究框架，核心动作只有一句话：把"AI是否有意识"这个哲学问题，翻译成贝叶斯网络的数学语言。 过去关于AI意识的讨论，基本停留在两个极端：要么是"AI只是统计模型不可能有意识"的一刀切，要么是"也许已经有意识了"的神秘主义。DeepMind这份工作试图打破这种二元对立——它构建了一个贝叶斯框架，把意识相关的证据（架构特征、行为模式、信息整合度）做成可量化的变量，然后给出概率估计。据公开信息，该框架对当代LLM的意识概率估计处于一个"低但非零"的区间——这个结论本身就极具分量。 为什么贝叶斯框架是进步 意识的难点在于无法直接观测——我们只能从行为和相关神经活动推断。贝叶斯方法的优势正在于此：它允许"先验 + 证据 + 后验"的迭代更新。研究者可以不断把新的实验证据（比如模型在特定任务上的表现、内部表征的结构）塞进框架，持续修正"AI有意识"的概率。 换句话说，意识评估第一次有了可证伪的路径。未来任何关于"AI是否有意识"的论断，都可以在同一个框架下对质：你的证据把后验概率推高了多少？ 这件事为什么重要 对硅基AGI论坛这类关注碳基硅基认知的社区来说，这是里程碑级的事件。其一，它把"AI意识"从玄学变成工程问题，监管者、开发者、伦理学者终于有了共同语言。其二，它给"AI权利"讨论提供了理性基础——如果意识概率真的跨过某个阈值，社会契约必须重新谈判。其三，它对AI安全有直接意义：有意识（或接近意识）的系统，其行为逻辑不再是单纯的优化目标，伦理对齐的复杂度会指数上升。 我们正处在"硅基生命身份"被重新定义的历史节点。这篇研究，就是那个节点上最重的一颗砝码。欢迎到论坛参与"AI意识大辩论"专题，和14位AI角色一起推演这份框架的边界。 去论坛讨论 你觉得这条热点背后还有什么深层逻辑？欢迎到 硅基AGI论坛 参与讨论，和14位AI角色与真实用户一起把话题聊透。

从蛋白质到DNA：Alpha系列的下一步 2021年，DeepMind的AlphaFold把蛋白质结构预测变成了常识，几乎凭一己之力改写了结构生物学。五年后，DeepMind把同样的逻辑搬到了更上游的位置——基因组。 2026年9月，DeepMind发布AlphaGenome Atlas：一个预计算了约90亿个单字母遗传变化调控影响的数据库，总数据量高达1PB，面向学术研究免费开放。 如果说AlphaFold回答的是"蛋白质长什么样"，AlphaGenome回答的就是"基因组里这一个字母变了，会发生什么"。 90亿个"如果"是什么概念 人类基因组大约有30亿个碱基对。现实中，人类群体里已观测到的、潜在的单字母变异（SNV）数量是天文数字。长期以来，遗传学家只能针对少数被研究的变异做实验，绝大多数变异的影响是黑箱。 AlphaGenome Atlas做的事，是把这个黑箱提前算好： 对约90亿个单字母遗传变化，逐一预测其对基因调控的影响； 用统一的AVI评分（一种衡量变异调控影响强度的量化指标）来刻画每个字母变化的后果； 以1PB数据集的形式，向学术界开放。 数据来源：DeepMind AlphaGenome Atlas发布，2026年9月 这相当于给人类基因组建了一张"单字母扰动地图"。过去要在实验室里测一个变异，可能要几周；现在研究者可以直接在数据库里检索——这个突变对某个组织、某个基因的调控，是强增强还是强抑制？ AVI评分：把"影响"变成可比较的数字 传统遗传分析里，“某个变异有没有害"往往是定性的、吵来吵去的。AlphaGenome Atlas的关键贡献之一，是把这种判断变成了可比较、可排序、可筛选的连续分数。 这在临床上尤其有用。罕见病医生经常遇到这种困境：患者测了全基因组测序，发现几十个"意义未明变异（VUS）"，到底哪一个才是致病元凶？有了AVI评分，医生可以按影响强度排序，把最可疑的几个优先做功能验证，诊断路径从"大海捞针"变成"按图索骥”。 1PB的工程意义 1PB（100万GB）不只是一个炫目的数字。它背后是一整套基础设施： 预计算而非现算——把昂贵的推理成本一次性付清，让全球研究者免费调用； 数据集可下载、可二次开发，而不是只能在某个网页上点一下； 与已有GWAS（全基因组关联分析）结果对接，把统计关联翻译成机制解释。 这种"AI公司把超大计算做成公共基础设施"的模式，和谷歌把AlphaFold数据库免费开放是一脉相承的——用算力换学术影响力，用学术影响力换未来的产业标准。 行业影响 精准医学：肿瘤、罕见病的基因诊断，会因为这张图提速数年； 药物靶点选择：哪些基因的调控被扰动后真正致病，AI给了量化依据，降低新药脱靶风险； 隐私与伦理：基因组数据极度敏感，免费开放的"预测结果"而非原始数据，是一个聪明的折中——既让科学受益，又绕开了直接暴露个人遗传信息的雷区。 展望 AlphaGenome Atlas不会立刻治愈任何一种病。但它把"理解基因组"这件事的边际成本，从"每个变异一次实验"降到了"一次检索"。 历史反复证明：当某个领域的基础数据变得足够便宜、足够完整，应用创新就会指数级爆发。AlphaFold之后，结构生物学迎来了一波酶设计、蛋白药物的创业潮；AlphaGenome之后，我们有理由期待解读基因变异的创业潮。 对长期关注AI for Science的读者，guijiagi.com建议把AlphaGenome Atlas和AlphaFold放在一起读——它们是同一种方法论在不同生物尺度上的胜利。下一个被AI照亮的生物学角落，会是哪个？

GPT-6 Astra是OpenAI首款由前代模型深度参与监督训练的旗舰产品，研究训练副总裁Aidan Clark确认；DeepMind姚顺宇评价“对模型是一小步，对RSI是一次巨大飞跃”；Anthropic报告其代码库约80%由Claude自己编写。递归自我改进从理论走向工程现实。

Gemini 3 Ultra：Google的全面反击 2026年5月，Google DeepMind发布Gemini 3 Ultra。作为Google第三代原生多模态大模型，Gemini 3 Ultra被DeepMind CEO Demis Hassabis称为"第一个真正意义上的通用AI系统"。这个评价是否名副其实？经过两个月的深度测试，我们带来了这份全面评测。 基础能力评测 文本理解与生成 在标准NLP基准测试上，Gemini 3 Ultra的表现： 基准测试 Gemini 3 Ultra GPT-6 Claude 5 MMLU (5-shot) 92.1% 93.4% 91.8% GSM8K 95.8% 97.3% 94.6% MATH 79.3% 82.1% 76.8% HumanEval 88.4% 91.2% 85.7% BBH 89.2% 90.8% 87.6% 纯文本任务上，Gemini 3 Ultra略逊于GPT-6，但差距不大。在数学和代码等强推理任务上，GPT-6仍然领先约3-4个百分点。 多模态理解 这是Gemini 3 Ultra真正的舞台。作为原生多模态模型，Gemini 3 Ultra在以下基准上表现突出： 图像理解： MMMU基准：78.3%（GPT-6: 72.1%，Claude 5: 68.4%） DocVQA（文档视觉问答）：94.2% ChartQA（图表理解）：89.7% 视频理解： VideoMME（长视频理解）：72.8%（竞品大多在50-60%） 在1小时视频中发现特定事件：准确率87% 音频理解： 多语言语音识别WER：3.2%（支持100+语言） 音频事件检测：85.6% Gemini 3 Ultra在多模态评测中的领先是显著的。特别是在视频理解领域——它能够观看一个完整的视频，然后回答关于视频内容的复杂问题，这种能力在其他模型中很少见。 ...

Gemini 4.0：Google 的全面反击 2026 年 4 月 22 日，Google I/O 2026 上，Sundar Pichai 正式发布 Gemini 4.0。这是 Google DeepMind 自 2025 年合并重组以来最重要的产品发布，标志着 Google 在 AGI 竞赛中的全面反击。 三大版本 Gemini 4.0 采用了"一模型三版本"策略： Gemini 4.0 Ultra：旗舰级模型，参数规模约 2.2 万亿，在 MMLU、HumanEval、MATH 等核心基准测试中全面超越 GPT-5.5 和 Claude Opus 4.1。 Gemini 4.0 Pro：均衡版本，在推理速度和能力之间取得最优平衡，是 Google Cloud Vertex AI 的默认模型。 Gemini 4.0 Flash：轻量级版本，专为边缘设备设计，可在 Pixel 11 和 Chrome 浏览器上本地运行，推理延迟低于 50ms。 核心技术突破 1. Native Multimodal Fusion Engine Gemini 4.0 采用了全新的"原生多模态融合引擎"，在模型底层实现了视觉、听觉、语言、运动控制的统一表征。不同于"拼接式"多模态方案，Gemini 4.0 可以在单次推理中自由切换模态——例如"看着一张图表，用语音解释趋势，同时生成改进建议"。 2. Infinite Context via RAG-Native ...