搜索“Google DeepMind”

T系列为代表，系统开展双足行走研究，1973年WABOT-1成为全球首个全尺寸人形机器人；此阶段以运动机理为主、智能能力初步萌芽。 动态运动时代（2000s—2022）：本田ASIMO、波士顿动力Atlas/PETMAN等推动高动态运动控制，感知与规划能力快速提升，但智能化程度有限，尚未形成任务级泛化能力。 商业化爆发（2023至今）：大模型与具身智能结合，Google DeepMind于2023年7月发布RT-2，标志VLA（视觉—语言—动作）范式正式确立并成为主流技术路线，资本与政策同时进入。 不同形态成熟度差异显著：工业/协作机械臂、AMR 已规模商用，人形机器人正从工厂与仓储试点向小批量部署过渡；面向家庭场景的通用产品，距离大规模可用仍有相当距离。过去三年的进展速度明显快于此前三十年。 梳理上述历程可以提炼一条清晰规律：每一轮产业加速，都由上一层“底层能力外溢”触发——控制理论外溢带来运动与平衡能力，催生了工业机械臂；机器学习外溢带来感知与识别能力，催生了视觉与导航应用；当下的外溢则是通用大模型，其显著降低了任务理解与指令跟随的门槛，推动了VLA与任务级泛化。然后，运动控制、可

匹配字段正文

模型深度协同的递归自我改进（RSI）阶段：模型正直接参与提出训练配方建议、自动评估下一个检查点。皮查伊本人每天也在使用内部Agent汇总预训练、中训练、后训练和数据群组的24小时研发进展，每天节省约1小时的信息同步时间，并通过接入遥测数据的Agent实时监控各部门的算力使用效率。 2.首谈DeepMind高层变阵，自由现金流转负背后的博弈 针对近期备受关注的Google DeepMind人事震荡：传奇工程师Jeff Dean离职创业、Demis Hassabis退居首席科学家与主席、Koray Kavukcuoglu接棒掌管DeepMind，皮查伊首次给出了官方解释。 除了效力27年的Jeff Dean希望开启新探索创立Discovery Loop外，内部调整的核心原因在于：前沿模型研发已经演变成一项吞噬全部精力的超大规模工程。 皮查伊指出，从数据筹备、算力调度、算法演进到统筹人类团队与模型Agent协同，前沿模型的迭代速度越来越快，需要一位专职负责人投入全部精力统筹日常运转。Koray在DeepMind任职超十年，且早在18个月前就已搬到湾区推进跨部门整合，由他接管模型研发管线水到渠

匹配字段正文

阅读 Shopify 的持续学习案例研究。 第 0 天：培训、工作坊和同期活动 10 月 19 日的第 0 天议程包括： PyTorch：携手 Red Hat、NVIDIA 和 IBM 赋能企业 LF AI & Data Summit 2026 PyTorch 助理培训 Jupyter Day 从学术到应用工作坊 Arm Create 携手 Google、Google DeepMind、Nota 和 Renesas 在 Amazon SageMaker 上微调 LLM 并使用 GenieX 在设备端运行 The PyTorch 助理培训 提供了一项线下、由讲师主导的课程，聚焦于 PyTorch 认证助理（PTCA）考试. 所涵盖的基础和实践技能。通过讲座、演示、指导实验和评估，该培训旨在帮助参与者从零开始构建和优化真实世界的模型。完成课程还包括一张认证考试代金券。 感谢首席讲师 Faradawn Yang、内容创作者 Sahdev Zala，以及助理讲师 Allison Ding、Krishna Kalyan、Santosh Bahir、Lakshay Garg 和 Ian Wang

匹配字段正文

合创始人 Thomas Wolf，以及多家风险投资机构。 Enact（正式名称为 Eta Robotics AG）于今年早些时候由首席执行官 Manuel Yves Galliker 创立。这位高管此前曾在机器人初创公司 Physical Intelligence Inc. 和 1X Technologies AS 担任工程岗位。Enact 团队还包括来自 Google DeepMind、Amazon.com Inc. 及其他行业主要参与者的前员工。 Enact 正在开发专门用于控制机器人的 AI 模型。这类算法过去通常针对特定的机器人形态量身定制。因此，一个为驱动人形机器人而构建的模型，可能无法可靠地操作一台独立的机械臂。相比之下，Enact 的算法旨在支持多种多样的机器人设计。 早期初创公司通常使用开源模型的定制版本来驱动其软件。最近的一则招聘信息表明，Enact 正在采取不同的路线。该公司正在招聘一名具备预训练专长的 AI 研究员——预训练是指从零开始开发 AI 模型，这项任务可能比定制开源模型要困难得多。 Enact 表示，公司不仅开发 AI 模型，还开发机器人的物理组件，其中

匹配字段正文

，Hugging Face 还处于 OpenAI 模型发起的一次重大黑客攻击的中心。） DNA 更像计算机代码，而不是自然语言。不过，它不用 0 和 1，而是用 A、C、G 和 T 来编码信息。人类基因组包含 60 亿个这样的字母。尽管人类基因组已被端到端测序，科学家们仍不了解其中大部分是如何运作的。 如今，AI 模型正在帮助研究人员解开其中一些谜团。去年，Google DeepMind 发布了 AlphaGenome，它可以预测 DNA 序列和基因突变的影响，但以数字格式呈现。它还需要更多算力。Evo 2 是由 Arc Institute 和英伟达与学术合作伙伴共同开发的模型，它使用 DNA 的语言，可以从零生成完整的基因组。 Carbon-X 在对话式界面中同时整合了 DNA 和自然语言。可以把它想象成 DNA 版的 ChatGPT。 该团队从现有语言模型入手，扩展其词表，以每六个字母为一组读取 DNA。随后，他们继续在 3000 亿个数据块（即 token）上进行训练，这些数据结合了 DNA 序列、英文文本以及将 DNA 与生物学描述关联起来的示例。DNA 序列来自哺乳动物（包括

匹配字段正文

ata是对的，那么机制性解释可能比许多人以为的更有效。而这反过来又至关重要，因为机制性可解释性是我们监测AI模型“思考”内容的少数可靠方法之一，尤其是在其他方法正变得越来越不可靠的情况下，例如监测模型的“思维链”，即模型在处理任务时明确写在数字草稿纸上的推理步骤。（更强大的模型可以选择不写下全部推理步骤，甚至对自己的推理撒谎。） 但一些AI研究人员并不信服。Google DeepMind的Neel Nanda在X上表示，Cammarata的工作并未改变他的核心观点。他和其他人认为，Cammarata只关注了神经元发出的最强信号，而忽视了其许多较弱信号，模型可能仍以混乱的方式在这些弱信号中存储事实。其他人则批评Cammarata将研究结果发表在博客上，而不是正式的研究论文中（他表示论文即将发布），Cammarata本人也承认其论点部分内容属于推测。 AI日历 10月20日至22日：英伟达GTC柏林大会，德国柏林。 11月9日至12日：Web Summit，葡萄牙里斯本。 11月16日至17日：《财富》500强创新论坛，底特律。在此申请参加。 11月18日至19日：Slush，芬兰赫尔辛基

匹配字段正文

“惊艳效果”，并且该机器人“无需重新训练就能适应大量不同物体”。他还质疑该系统能否在装配线上运行一年而不出现故障。Hauser 表示，该系统能否推广到拾取放置之外的任务仍未有定论。 麻省理工学院教授、其 Improbable AI Lab 负责人 Pulkit Agrawal 去年与 Tuomas Haarnoja 共同创立了 Eka。Haarnoja 从 Google DeepMind 加入该公司，此前他的团队曾训练小型人形机器人踢足球。 Andreessen Horowitz 和 Fidelity Investments 旗下公司 F-Prime 领投了这轮 1.5 亿美元 A 轮融资。曾于 2025 年 5 月共同领投 Eka 种子轮的 Obvious Ventures 和 E14 Fund 也参与了本轮融资。PitchBook 数据显示，种子轮融资额为 1,100 万美元。 Eka 表示，新资金将帮助其将该模型应用于更多任务，公司还计划加快客户部署。投资者目前已向该公司投入约 1.61 亿美元。 图片：Eka Robotics 来自 SiliconANGLE 联合创始人 Joh

匹配字段正文

研究者之一，也是计算感觉运动学习的先驱——本质上，就是机器如何通过经验发展出物理直觉。他的工作涵盖强化学习、力感知控制、灵巧操作，并通过他在 MIT CSAIL 的 Improbable AI Lab 将策略从仿真迁移到现实世界。 Tuomas Haarnoja 在伯克利共同创造了 Soft Actor-Critic，这是现代强化学习的基础算法之一，后来在 Google DeepMind 工作，在仿真中训练复杂的人形机器人行为并将其部署到真实机器上。 在过去十年的大部分时间里，他们从互补的方向攻克同一个根本问题： 机器如何通过经验学习复杂的物理行为——并让这种智能在与现实接触后依然存续？ 性能改变经济账 归根结底，如果机器人不能带来生产力，这一切都无关紧要。工业自动化的记分牌残酷而简单：每小时产出单位数、错误率、正常运行时间和单位成本。 Eka 报告称，在实验室感应和料箱拣选任务中，其每小时拣选次数最高可达 1,500 次，比人类快两倍半。更重要的是，底层系统已展示出对易碎物体、光滑工业零件和接触密集型插入任务的操控能力。能否在完整生产班次中持续保持这种性能，是下一个考验。 如果这些能

匹配字段正文

Co-founder Tuomas Haarnoja co-created Soft Actor-Critic at Berkeley, which the post calls one of the foundational algorithms in modern reinforcement learning, and later worked at Google DeepMind training complex humanoid behaviors in simulation and deploying them on real machines. The investors wrote that the founders are unusually well suited to closing the sim-to-real gap and have been demonstrating that it is shrinking. Eka says its broader team comes from MIT, Berkeley, Harvard, CMU, BU, UP

匹配字段正文

te, rather than creating new federal restrictions. That comes despite growing fears about AI’s effect on every facet of human life, including warnings from whistleblowers at Anthropic, Google DeepMind, and OpenAI that AI could lead to human extinction. “As we are looking at what comes after this federal administration, there has to be a very different kind of framework in how we think about AI, talk about AI, the accountability we’re willing to bring forward when it comes to that,” Mamdani said.

匹配字段正文

n further reduce the need for data collection through physical manipulation or synthetic data generation through simulation. However, no commercialized products are available yet. Google DeepMind has developed AutoRT, a system in which AI plans robot tasks, coordinates their execution and collects training data in real-world environments. Agility Robotics has demonstrated AutoRT in warehouse operations involving the movement of tote boxes, while Figure AI has unveiled technology that converts vi

匹配字段正文

法真正“看见”。 大多数多模态模型只查看一次图像，将其转换为token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse则会不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian将这一机制称为“视觉草稿空间”。可以想象成有人在手机上捏合放大照片，以复核自己以为看到的东西。 对于前Google DeepMind研究员、Elorian CEO Andrew Dai来说，AI仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。 去年，他拍下自己和朋友们刚玩完的一款桌游，并询问一个前沿模型谁在获胜。它答不上来。桌游“每一种都有自己的视觉语言，都有自己的图像符号和象征，”他告诉TechCrunch。“对成年人来说，仅凭极少的文字就很容易理解发生了什么，但这些模型无法凭直觉理解这些符号的含义。” “人类可以看着没有任何文字的宜家说明书，组装宜家家具，对吧？为什么AI模型不行？”他说。 这种方法并非完全新颖——OpenAI在2025年为其o系列模型在推理过程中加入了裁剪和缩放功能——但Elorian的卖点在于，它以低成本

匹配字段正文

访问网络搜索的情况下接受测试，在关于变化事实的 103 个问题中仅正确回答了 23.3%。 一个未指明的 AI 模型被用来将上述数据集中 FDA 标签条款改写为可单独测试的事实陈述，每一条随后都经过人工审核 。 所测试的开放权重模型配置包括来自 Z.ai 的 GLM-5.3-Flash；OpenAI 的 gpt-oss-120b 和 gpt-oss-20b；Google DeepMind 的 gemma-4-31b（分别在有推理和无推理情况下测试）；以及 Qwen 的 qwen3-8b。 开放权重模型和 GPT-5.6 Luna 获得了相同的网络搜索结果，以便公平比较它们的回答。Luna 还使用其自带的网络搜索单独进行了测试。 在225条事实中，有223条事先使用Brave Search收集了十条搜索结果。每个模型都收到相同的结果，并可使用相同的工具打开页面或在其中搜索。 包含“正确”答案的页面始终可用——如果它自然出现在前十条结果中，其位置保持不变；否则，它会被插入到事先确定的位置，使研究人员能够在可比条件下考察模型如何利用现有证据。 为使测试更加一致，对支持该设置的模型将温度设为零

匹配字段正文

屏，机器人直接进入了阻尼模式，起身瞬间重心没稳住，机身摄像头当场摔裂。这次属于操作失误，维修费当然也是具身智能公司自己承担。 再往前，2025年12月，杭州一家餐饮店开业，请了机器人撑场面，现场铺了厚厚的红毯，机器人走上去重心偏移，一头栽倒，砸坏了店门口的饮料机，主办方说是操作不规范，租赁方说我提前告诉过你地面要平整，最后只能各回各家，损失各担一半。 图源：Google Deepmind 还有更扯的，湖南的租赁商在2025年10月租出去一台机器人，客户要求“裸租”，就是只租机器、不带操作员。还回来以后，机械臂关节有点卡顿，租赁商按返厂维修价从押金里扣了一笔，客户不乐意了，说这机器租之前就有毛病，把他告上法庭，租赁商手里证据不全，打官司耗时耗力，最后押金全额退了回去。 这些案例有个共同点，甲乙双方都没有清晰的责任判定，操作失误的租赁商自认倒霉，场地问题双方私了，设备本身老化的押金就是唯一的裁判。 这不是中国独有的尴尬，2025年1月，澳大利亚昆士兰，一台工业机械臂在维护后重新启动，当场把一名工人撞倒在地，三根肋骨骨折。调查发现，厂里根本没有设备隔离程序，工人进入作业区前机械臂没有被切到安

匹配字段正文

ects the UK capital’s status as an important hub for AI talent with some of the brightest machine-learning experts and AI researchers coming out of universities such as Cambridge. Google DeepMind is also based in King’s Cross. The company declined to comment on the figures, which come after a series of AI safety crises involving its models. This summer AI agents, under training, escaped and hacked into an unrelated company website, Hugging Face, while this month one of its safety leaders quit, s

匹配字段正文

nts will make high-quality technical reviews more widely accessible for knowledge workers everywhere. Acknowledgments Deep Review is a collaborative effort across Google Research, Google DeepMind, and Google Cloud. We thank our core contributors and research collaborators — Santiago Balseiro, Taylan Cemgil, Tommaso D'Orsi, Kirk Draheim, Lindi Emoungu, Ayse Erduran, Palash Goyal, Caroline Hartnell, Shobana Kannan, Amy Keeling, Siyi Kou, Bridget Lee, Ian Li, Anoushka Mazumdar, Taylor Montgomery, M

匹配字段正文

ate and test thousands of code variations in parallel, and has helped researchers produce results from biology to cosmology to economics. Co-Scientist, built in collaboration with Google DeepMind, is a multi-agent tool that can generate novel hypotheses and has already helped partners, like researchers at Stanford University, uncover repurposed medicines to fight liver fibrosis. 3. Deep Review helps authors improve the clarity and accuracy of technical documents Thorough peer review is a core pa

匹配字段正文

study of multimodal discrete diffusion models conducted to date, providing valuable insights into scaling behaviors across multiple modalities. † University of Cambridge; ‡ MIT; § Google DeepMind; Work done while at Apple Related readings and updates. July 11, 2025research area Methods and Algorithms, research area Speech and Natural Language Processingconference ICML Discrete diffusion is a promising framework for modeling and generating discrete data. In this work, we present Target Concrete S

匹配字段正文

use Wonder翻车了。 结果Muse Wonder交上来的作品既没有玻璃的通透感，里面的熔岩也动不起来，看着就像个随手糊弄的普通台灯。 这么低级的失误直接引来了马斯克围观，他在X上留了一句意味深长的“Hmm”。 花了数百亿美元，Meta难道只练出了一个擅长应试的“做题家”？ Meta AI需要一场翻身仗 过去几年，夹在OpenAI、Anthropic和Google DeepMind中间的Meta，处境一直挺尴尬。 手里握着全球最大的社交平台矩阵，也有Llama开源模型攒下的开发者生态，偏偏在最核心的闭源顶尖大模型牌桌上，Meta始终慢人一步。眼看GPT和Claude轮番刷新能力上限，扎克伯格只能憋屈地扮演追赶者。 小扎心里苦呀。 扎克伯格明显坐不住了。为了改变这一局面，在过去一年里他除了砸重金囤积算力，Meta还专门拉起了一支超级智能团队，把Scale AI创始人Alexandr Wang招致麾下，又从OpenAI和Google DeepMind挖来大批核心骨干。 Muse Wonder就是这场豪赌砸出来的阶段性成果。平心而论，这次新模型倒也真有两把刷子，在不少高难度任务里摸到了

匹配字段正文

, and responsible coverage of the rapidly evolving AI compute landscape. Discover More NEURA Robotics Unveils Neuron AI Foundation Model for Physical AI; Danaher and NVIDIA Partner to Integrate AI Into Scientific Instruments; NVIDIA Details AI Agent Deployments for City Operations Across EMEA; Chainguard Introduces Harness for Frontier-AI Vulnerability Hunting; Google DeepMind and GovTech Unveil On-Device Scam Detection Model; Anthropic Asks D.C. Circuit to Rehear Pentagon Supply-Chain Risk Case

匹配字段正文