Google DeepMind 发布 SynthID Bio：用于 AI 生成蛋白质的水印技术
Google DeepMind 推出 SynthID Bio，一种专为合成生物学设计的水印技术，可在 AI 生成的蛋白质序列和 3D 结构中嵌入不可见签名，同时保持其生物功能。
推荐理由：原文展示了在蛋白质序列和3D结构中嵌入不可见水印的方法，并验证了其不损害生物功能，为合成生物学提供了新的溯源与安全保障思路。
#论文/研究
#论文/研究
今日 0 条Google DeepMind精选AI 评分7878
NVIDIAAI 评分5555 NVIDIA 等机构发布超2800种病毒蛋白复合物预测结构数据集
NVIDIA 与 Google DeepMind、EMBL-EBI 等全球研究机构合作，通过 AlphaFold Database 公开了超过2800种病毒的预测3D蛋白复合物结构。
PyTorchAI 评分5555 PyTorch 发布 Blackwell 上端到端块缩放 MXFP8 FlashAttention-4 研究
PyTorch 团队扩展 FlashAttention-4 以支持 MXFP8 前向和反向传播，在 LLM 形状上达到 2.85 PF/s 前向和 2 PF/s 反向吞吐量。
Google DeepMind精选AI 评分6363 Google DeepMind 试点全球首个双盲 AI 评估
Google DeepMind 宣布推出全球首个针对专有前沿 AI 模型的双盲评估机制，旨在通过加密“盒子”隔离外部评估数据，防止模型在测试前接触题目导致的基准污染。该方案与 Singapore AI Safety Institute、OpenMined、AVERI 和 MLCommons 合作，目前已在 Gemini Flash Lite 模型上进行测试。
推荐理由：原文介绍了利用加密环境防止基准污染的双盲评估方法，为验证前沿模型真实能力提供了新的技术路径。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 AI Control Roadmap 以保障 AI Agent 安全
Google DeepMind 发布 AI Control Roadmap，提出针对内部 AI Agent 的纵深防御框架，将未信任的智能体视为潜在内部威胁。该方案基于 MITRE ATT&CK 构建威胁模型，通过可信 AI 监督、行为分析及分级响应机制（D1-D4/R1-R3）来应对模型能力增长带来的安全风险。
推荐理由：原文公开了内部 AI 控制路线图及百万级智能体轨迹分析数据，为行业提供了可参考的纵深防御框架与实时监测实践。
Google DeepMind精选AI 评分7373 Google DeepMind发布塞拉利昂AI辅助学习影响评估研究
Google DeepMind公布了一项在塞拉利昂进行的预注册试验结果，显示使用Gemini驱动的Guided Learning工具使学生在八周内数学成绩提升0.258个标准差，相当于1.2至1.7年的典型学习进度。
推荐理由：原文披露了塞拉利昂预注册试验的量化结果，展示了AI作为教学伙伴而非答案引擎的实际效能与行为改变。
Google DeepMind精选AI 评分6565 DeepMind发布Co-Scientist辅助发现肝纤维化重定位药物的研究
斯坦福大学Gary Peltz团队利用Google DeepMind的Co-Scientist加速寻找治疗肝纤维化的重定位药物。相关研究发表于Advanced Science，Peltz让Co-Scientist提出三个候选药物并解释推理过程，同时自己基于文献选出两个候选。
推荐理由：原文展示了Co-Scientist在药物重定位任务中的具体表现，对比了AI筛选与人类专家选药的实际实验结果。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 AI co-clinician 研究计划
Google DeepMind 宣布启动 AI co-clinician 研究计划，旨在探索 AI 如何作为协作成员增强医生专业能力并提升护理质量。该研究在盲测评估中显示，AI co-clinician 在98个初级保健查询案例中有97例未出现关键错误，且在开放式药物知识问答上超越其他前沿模型。
推荐理由：原文展示了AI在真实临床查询中零关键错误及多模态远程诊疗的模拟评估，为理解医疗AI从文本向实时交互演进提供了具体数据支撑。
Google DeepMindAI 评分4040 Google DeepMind 提出 Decoupled DiLoCo：实现低带宽分布式 AI 训练
Google DeepMind 推出 Decoupled DiLoCo 架构，支持在低带宽下跨数据中心进行弹性分布式 LLM 训练。该方案基于 Pathways 和 DiLoCo，通过异步计算隔离硬件故障影响，并在 Gemma 4 模型测试中保持同等 ML 性能。实验显示，使用 2-5 Gbps 网络训练 12B 参数模型的速度比传统同步方法快 20 倍以上，且兼容不同代际 TPU 混合训练。