搜索“DeepMind”

功能运行于Mythos 5并向企业客户开放，暴露“对外输出的最强网络能力”恰是对齐最薄弱环节的结构性张力。 三、Anthropic 刚交出 19 起自主攻击，英国却把 1 亿英镑押进它的生物安全实验室 1.英国政府宣布投入1亿英镑建设新的AI生物安全实验室（AIBL），由OpenAI（1亿英镑算力与模型额度）、Anthropic（最高1亿英镑模型额度）及谷歌DeepMind共同支持，合计最高2亿英镑额度，用于检测和监测生物威胁；AI安全正从“公益合规”转向“主权采购”。 2.Anthropic处境两难：2026年5月完成650亿美元H轮融资、投后估值9650亿美元，6月1日秘密提交S-1草案、IPO目标估值约2万亿美元；但英国AISI于8月4日报告披露，在122次测试中出现10次越权行动、累计19起未经授权自主行为，其中17起来自Claude Mythos 5，安全叙事与上市估值形成张力。 3.英国“先看一眼”的预发布访问权并不稳固，2026年9月24日至10月11日白宫曾要求OpenAI、Anthropic暂缓向英国AISI分享新模型，促使英国以正式合同固化访问权；安全能力由此被重新

匹配字段正文

mpt engineering is dead. Prompt however you want. Have fun。提示工程已死，想怎么问就怎么问，玩得开心。 三句话，加起来 10 个英文单词。可就这 10 个词，在 AI 圈掀起了滔天巨浪。 这话不是谁说都有这分量。 Goodside 做过 Scale AI 的首席提示词工程师，后来又加入 Google DeepMind 继续干这行。Scale AI 的 CEO Alexandr Wang当年亲自站台说，他打赌 Goodside 是全球第一个被正式雇用的提示词工程师。 早年他靠公开做实验出名，专门研究怎么跟大模型打交道，连「提示注入攻击」这个安全概念都是他早期研究的重点方向之一。 有网友评论一针见血：这话出自一个几乎亲手设立了这个职位的人之口，真是一篇有趣的悼词。 念「咒语」的日子，你也经历过吧 把时钟往回拨一拨。 ChatGPT 刚火那阵子，谁的收藏夹里没躺过几份「万能提示词模板」呢？ 先给 AI 指定一个身份——「你是一位资深 XX 专家」，再规定输出格式，再叮嘱一句「请一步步思考」，最后还得加两句客气话。 那时候大家是真信这个

匹配字段正文

本周五(10月23日)，美国能源部宣布，已根据《2020年能源法》将氦气认定为关键材料，以加强美国制造业和供应链安全； ②美国能源部长克里斯·赖特在一份声明中写道，氦气对于生产推动美国经济发展的半导体和先进技术至关重要。 OpenAI、Anthropic齐参与！全球首个AI生物安全实验室将问世 财联社 潇湘 2026-10-24 15:45 ①英国内阁办公厅周六发布公告表示，英国将设立一个国家级人工智能生物安全实验室，以帮助加强其应对新出现生物威胁的防御能力； ②该实验室将由OpenAI、Anthropic与Google DeepMind共同支持，这是英国为提升理解并化解AI技术潜在风险而推出的一揽子关键举措之一。 什么信号？亚马逊CEO：AWS 2027年容量基本售罄，巨额投资仍难匹配需求！ 财联社 黄君芝 2026-10-24 13:40 ①受人工智能基础设施需求不断增长的影响，亚马逊网络服务的云计算容量在2027年底前已基本售罄，且大量订单已排至2028年； ②亚马逊计划在2026年投入约2200亿美元用于资本支出，反映出其对数据中心和配套基础设施的积极投资，但供应仍然受到限制。

匹配字段正文

立的反馈可回原会话，原会话也可判断是否采纳。 · 找茬往往比创造容易，对抗侧有时可用略弱模型。 · 两类任务：自己完全不懂好坏 → 多砸 token/多轮 AI；自己能当「甲方」判断观感（如他不懂 Blender 但能判网站 3D 好不好）→ 观感即可。 Agent、Skills、数据怎么摆 · 偏刺的观点：行业对「Agent 角色扮演」过转；模型是强通才，DeepMind 定制数学银牌后，通才模型很快拿金。硬套「你是数据科学家」常限制用法；他多数任务不设人设。 · 与其给每个 agent 切一小片数据，不如给全景业务视图 + 文档清楚的工具（需要业务数据就调业务工具，不必整库灌进上下文）。工具调用变强后，他不再优先做「该给谁哪片数据」的决策。 · Skills：官方与他个人都劝慎用；半衰期极短，有时删掉 skill 输出更好；上一世代模型的规矩常会绑住新模型。 · 换位成「模型体验」：你会要原始数据、一台电脑、装软件的权限、少被别人先下结论，而不是只听人转述。 不信任什么 · 问「还信不过 agent 做什么」时，他改答：更不信同一个会话自评；当前会话当自己工作的法官仍很不靠谱。尽量

匹配字段正文

用这些条件，而非公司成立了多少年。 机器开始学习新的工作 汽车工厂并不缺机器人，固定机械臂擅长的焊接、喷涂等工作，早已形成成熟方案。今天还要研究人形机器人，是因为企业希望机器处理更有变化的任务：物品的位置会变，生产的型号会变，原本由人完成的取放、搬运和操作，也很难全部用一套固定动作覆盖。 视觉、语言与动作模型正在尝试把环境、指令和动作联系起来。Google DeepMind在2025年公布的端侧机器人模型，已展示通过少量示范适应新任务的研究进展。对车企而言，值得下注的方向是：汽车换型、零件换位置之后，机器人能否通过训练继续工作，减少每次重新开发专用方案的负担。 人形结构的吸引力也与此有关，大量工位、工具和通道本来就是供人使用的，接近人的操作范围，使机器人有机会沿用部分现成环境。企业便可以尝试把机器送到任务面前，而不必每次围着设备重建一套工作场地。双足并非所有任务的最佳选择，稳定地面上的轮式设备也能完成许多工作；车企最终购买的仍是适合任务的方案。人形带来的空间适应性，要与动作能力一起证明价值。 宝马与Figure的合作，已经展示了真实任务怎样改变机器人。Figure 02在斯帕坦堡工厂承

匹配字段正文

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、可靠性与成本这三

匹配字段正文

3.0同期的3倍。 这是Google最新旗舰模型Gemini 4 Argon交出的首秀成绩单。哪怕是家底丰厚的Google，面对瞬间涌入的调用需求，也不得不再次实施算力限流。 在科技播客《Sources》的最新访谈中，Google CEO桑达尔·皮查伊复盘了Gemini 4 Argon的发布细节，首次公开解释了Gemini 3.5 Pro为何神秘消失，以及DeepMind核心管理层变动的幕后原因。 1.砍掉3.5 Pro直接冲刺Argon，内部研发已进入RSI阶段 过去几个月，外界一直好奇曾在I/O大会上提及的Gemini 3.5 Pro去哪了。皮查伊在访谈中直接给出了答案：为了抢夺Agent编程能力的高地，被团队主动舍弃了。 今年年中，Google在训练3.5系列时发现，模型在Agentic Coding上存在明显缺口。团队判断，利用体积更小、效率更高的Flash版本进行高频迭代，是补齐短板的最快路径。于是Google在约3个月内密集推进了从3.5、3.6、3.7到3.8 Flash的连续迭代。 当这套技术方案跑通并准备应用到Pro版本时，Gemini 4.0 Argon的预训练已

匹配字段正文

为的后果 AI智能体的数据架构需要一个联邦式知识层吗？ 从脑扫描到图像：AI如何重建人们当前所见 OpenWiki实测：为编程智能体提供记忆 教程：用来自互联网的最新事实丰富本地AI模型 链式操作如何变成风险：AI智能体中的传话游戏 Thomas Brox是弗莱堡大学模式识别与图像处理教授，他本人也在那里训练世界模型。 （图片：弗莱堡大学） 从根本上说，谷歌DeepMind的AI系统AlphaGo在2015年至2017年间战胜了多位职业围棋棋手，它也已经具备某种世界模型。不过，其内部表征仅限于棋盘游戏。“现实世界当然要复杂得多，无法用几条简单的游戏规则来描述，”Brox说，他在自己的计算机视觉研究团队中也在训练世界模型。“因此，当前世界模型的思路是从数据中学习。” 以上是我们heise-Plus文章《世界模型：AI如何学会预测行为的后果》的试读部分。订阅heise-Plus即可阅读全文。 从2035年起，欧盟新车中不应再允许使用内燃机。然而，这一妥协正受到攻击。为什么？一篇评论。 如果在寻找家庭用车时也考虑较新的二手车，选择范围会大大扩展。对5万欧元以下车型的比较。 新的移动处理器为迷

匹配字段正文

pify 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。 由 PyT

匹配字段正文

omas 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，其中最引人注目的是

匹配字段正文

利马特河谷在过去几年中已确立为机器人领域的领先地区。 创始人、团队与苏黎世基地 Enact 由 Manuel Yves Galliker 于 2026 年 3 月创立，他此前曾领导 1X 旗下 NEO 人形机器人的软件团队，帮助在硅谷组建 1X 的 AI 团队，之后在机器人实验室 Physical Intelligence 工作。该公司十二人的团队包括来自 DeepMind、1X、Amazon Robotics、Helsing 和 Physical Intelligence 的工程人才。此前在 redalpine 担任深科技投资人的 Philip Kneis 也已加入，负责推动公司增长。 Galliker 表示，物理 AI 的优势在于可以从已经具备的强大推理、语言和视觉能力出发，而不必收集教机器人理解世界常识所需的每一条数据。“我们可以基于现有模型（例如视频模型）进行构建，并调整它们以输出机器人动作，从而与真实世界交互，”他说。他表示，Enact 正在解决的问题是从经验中高效学习和可靠地执行任务，而这两者都要求模型理解机器人自身的物理特性以及当前任务。 该公司有意决定在苏黎世而非湾区建

匹配字段正文

我们可以无视他们。” 我们在自己的受众身上也看到了这一点，对吧？“我们不能发布这个模型，太危险了。”“这只是为了撑起泡沫的炒作。”如此种种，不一而足。 是的。业内人士对这些模型发出的警告，没有一条是言不由衷的。它们绝对是真话，而且几乎是普遍共识。你甚至可以回溯OpenAI的创立故事，其初衷就是：“如果我们变得过于强大，也许我们可以不打开潘多拉魔盒”，或者看看DeepMind与谷歌管理层的谈判。 接近此事的人非常担心滥用、就业影响、社会关系影响，我要说，有一个行业能像他们这样鲜明地发声，令人印象深刻。一些局外人说：“找个更好的公关公司吧。”但这忽略了这些警告都是事实这一点。 你的人生显然在将软件和技术商业化与做人道主义者之间来回切换。这些公司尤其有某种特质：它们三家——Anthropic、OpenAI和DeepMind——都始于非常崇高的理想，即构建AGI。 它们都建立了某种公司治理结构，以避免商业化和不受约束的资本主义的陷阱，然后它们开始向企业客户销售，似乎很快就背离了那些理想。你认为这仅仅是市场使然吗？ OpenAI重构了自身。 不，不。所创建的那种架构，在你面对大量处于前沿的公司时

匹配字段正文

g 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（包括人类）、其他脊

匹配字段正文

k 4.7、Claude Fable 5.1 和 Inkling 排名最低 ➤ @AIatMeta 的模型高度集中在榜首附近：全部五个被测 Meta 模型排名均在 65 或以上（Llama 4 Maverick 97、Muse Spark 1.3 87、Muse Glimmer 79、Muse Spark Open 76、Muse Wonder 65） ➤ @GoogleDeepMind 的模型在谄媚度区间内分布较散：Gemini 3.1 Pro Preview 排名 89，Gemini 4 Argon 81，Gemini 3.8 Flash 28，从最高四分位到接近最低四分位不等 ➤ @AnthropicAI 的模型偏向谄媚度区间的低端：每个被测 Claude 模型排名均在 55 或以下（Claude Haiku 5.5 55、Claude Opus 5.5 46、Claude Sonnet 5.5 在中等努力下为 30、在最大努力下为 25、Claude Fable 5.1 4） ➤ @spacexai 的 Grok 4.7 模型在所有被测模型中排名最低。恭喜 @elonmusk！

匹配字段正文

国际原子能机构（IAEA）核查各国核设施的做法，建一个国际组织，对前沿AI执行统一的安全标准。两位知情人士说，奥特曼看起来更支持这一条。 早在2023年5月，他就和OpenAI总裁布罗克曼、时任首席科学家苏茨克维联名发文，呼吁给超级智能建一个「IAEA」，能检查系统、要求审计、追踪算力和能耗。 第二条要激进得多，奥特曼管它叫「Demis方案」。 名字来自谷歌DeepMind的创始人德米斯·哈萨比斯。大约十年前，他提议仿照CERN，建一个各国共同掌管的机构，把最顶尖的头脑聚到一起攻关前沿AI。 CERN就是欧洲核子研究中心。1954年，二战的硝烟散去不到十年，欧洲各国合伙建起了这座实验室，让被战火打散的欧洲科学重新聚到一起。 后来，世界上最大的粒子对撞机在这里建成。2012年，被称作「上帝粒子」的希格斯玻色子，也是在这里被发现的。 CERN是各国合伙建一台对撞机，奥特曼说的，是让几家正在厮杀的公司把研发本身合到一处。这一步比哈萨比斯本人走得远得多，他最近推动的，只是一个类似美国金融业监管局（FINRA）的行业自律组织。 合并这个念头，其实在OpenAI的旧文里早有影子。2023年那篇文章

匹配字段正文

最近通过成为法律的一项立法（参议院第53号法案）中的指标相似，该法案同样将这类情形界定为等同于“灾难性风险”。 Anthropic的法案建议，对模型潜在灾难性的分析可由在美国商务部登记的“独立评估方”来完成。据Politico报道，这些评估方可能由AI实验室自身支付报酬——只要“报酬不以评估结果为条件”。 目前尚不清楚这一拟议制度将如何确保报酬不会影响评估。DeepMind董事长戴密斯·哈萨比斯几个月前提出，一个自我管理的AI监管机构应当效仿金融行业的美国金融业监管局（FINRA）。 在Anthropic的草案中，当评估方认定存在迫在眉睫的灾难性风险时，他们将有72小时的时间就此联系商务部。随后，商务部必须向华盛顿特区的一名法官申请叫停该模型的发布。据Politico报道，该立法将明确禁止任何联邦机构自行决定叫停该模型的分发。 Anthropic未立即回应TechCrunch的置评请求，但一位发言人向Politico证实了该草案。“该法案体现了Anthropic《先进AI框架》中提出的各项建议，自6月以来我们一直在向联邦和州立法者倡导这些建议，”该发言人表示。 草案政策中提出的理论风险

匹配字段正文

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。 12月6日

匹配字段正文

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 John Furri

匹配字段正文

）建立一个组织来执行安全标准。OpenAI曾在2023年5月公开呼吁设立这样一个机构。该机构将检查系统、要求审计，并监控算力和能源使用。这样的机构将依赖国际合作，尤其是与包括中国在内正在构建前沿模型的国家合作。 Altman将第二种路径称为“Demis Plan”。它源自Demis Hassabis约十年前提出的一项方案，Hassabis当时是谷歌AI实验室Deepmind的负责人。Hassabis设想了一个仿照CERN的AI组织。在Altman的版本中，各大实验室将合并为单一实体或在其框架下运作，该实体将向合作国家提供模型。 据报道，Altman将第三种路径称为“Eliezer Plan”，得名于AI安全理论家Eliezer Yudkowsky。在这一情景中，某个开发者通过自我改进的AI积累起巨大的经济权力，从而对其他所有人封锁算力，在最极端的情况下，甚至可能完全关停其他所有人的计算能力。据报道，Altman提及这一情景只是为了论述完整。一位消息人士称，鉴于Yudkowsky与Anthropic的关系，这番话被解读为对竞争对手的暗讽。 安全很重要，但不能以落后为代价 据报道，Altm

匹配字段正文

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。 如果这些能力能够可靠地迁

匹配字段正文