4 篇内容
本文介绍了 Google DeepMind 的 WeatherNext AI 模型在气旋预测上的突破。该模型通过联合训练全球大气数据和历史气旋观测数据，结合功能性生成网络（FGNs），实现了对气旋路径、强度和风结构的高精度预测，平均可获得额外一天的预警时间，相当于十年气象进步。模型仅需 28km 分辨率输入，在 TPU 上不到一分钟即可生成 15 天集合预报，并在 2025 年飓风季成功用于预测飓风 Melissa 的快速增强和登陆，同时开源了代码和权重。文章还讨论了分辨率与精度关系的开放问题，以及模型在极端天气早期预警和气候适应中的潜在价值。
文章以 Nature 论文为基础，详述了 AI 模型架构、多模态训练和集合预测方法，展示了机器学习在复杂物理系统预测中的前沿应用，并提供开源实现，适合 AI for Science 和气象预报领域的研究者与工程师参考。其跨学科方法、工程验证和开放生态对推动 AI 在环境领域落地具有长期可迁移价值。
文章介绍了Gemini Robotics 2系列模型，包括用于全身控制的视觉-语言-动作模型（VLA）、用于具身推理的视觉-语言模型（ER）以及可在设备端高效运行并快速适应新机器人形态的轻量VLA。核心进展在于实现了人形机器人的全身协调控制、多指与夹爪的灵巧操作、多机器人协作以及数百步长时任务规划。文中给出了在多种机器人平台上的基准测试结果，展示了不同技能类别的成功率，同时也指出多指灵巧操纵仍具挑战。此外，文章强调了安全框架，引入了ASIMOV-Agentic基准来衡量推理模型的安全编排和不确定性处理能力。该工作面向通用物理智能，但当前成果仍处于研究阶段，运动速度和复杂任务的成功率有待进一步提升。
本文系统地介绍了Gemini Robotics 2的技术架构、关键能力、实验评估与安全设计，具备研究发布所要求的明确问题定义、方法依据和局限分析。对机器人学、具身AI、多模态模型及安全领域的研究者和工程师有直接参考价值，其多模型协作和快速适应新形态的技术思路可迁移到相关工程实践。
这篇文章介绍了 DeepMind 的 Co-Scientist 如何参与生物学研究，帮助科学家从大量候选基因/因子中快速筛出可能逆转细胞衰老的线索，并在人体细胞实验中验证其有效性。文中强调的不只是“找到结果”，而是把大模型用于生成假设、优先排序和加速实验迭代，从而缩短传统湿实验的探索周期。文章的核心结论是，AI 可以在生物发现中承担“提出可检验假设”的角色，并显著提升命中率与研究效率。其边界也很明确：这是面向特定细胞模型和实验流程的研究展示，不能直接外推为对整体现象或临床疗法的证明。
文章直接展示了 Co-Scientist 参与发现并验证“逆转人类细胞衰老”候选因子的过程，属于 AI 辅助科学发现的实证案例。适合关注 AI for Science、机器学习驱动假设生成和生物实验闭环的读者，但需注意它是博客级成果展示，细节仍以正式论文/补充材料为准。
这篇文章介绍了 DeepMind 提出的 Decoupled DiLoCo 分布式训练架构，目标是在跨机房、跨区域乃至跨代际硬件上训练大模型时，降低同步通信开销并提升故障韧性。其核心思路是把训练切成多个彼此解耦的“计算岛”，岛内局部推进，岛间通过异步数据流交换，从而避免传统数据并行在大规模同步时的阻塞。文章给出了两类证据：一方面在 chaos engineering 注入硬件故障后，系统能继续训练并在节点恢复后重新并入；另一方面在 Gemma 4 实验中，带宽需求显著下降，仿真中的 goodput 明显高于基线，且最终 ML 性能基本持平。作者还展示了一个 12B 参数模型跨 4 个美国区域、以 2–5 Gbps WAN 完成训练的案例，速度比传统同步方法快 20 倍以上。该方案的边界在于它依赖特定的异步训练栈与系统整合能力，且部分收益来自 Google 自身的基础设施条件与 TPU 生态。
推荐收录，因为文章直接给出了带宽、goodput、故障恢复和跨区域训练的量化结果，并明确说明了 Decoupled DiLoCo 的系统机制与实验边界。适合做大模型训练基础设施、容错分布式系统和 AI 工程化方案的参考，尤其对关注跨机房训练与资源弹性利用的读者有迁移价值。