09:37AWS Machine Learning Blog@Aris Tsakpinis精选Google DeepMind 发布的 Gemma 4 开源权重模型系列现已在 Amazon Bedrock 上可用。该系列包含三个指令调优变体:Gemma 4 31B(密集架构)、26B-A4B(MoE 架构,每次激活 4B 参数)和 E2B。所有变体均支持内置推理、原生函数调用以及文本和图像多模态输入。模型基于 Apache 2.0 许可发布,旨在多种部署场景下实现每参数智能最大化。AI模型Gemma 4Amazon BedrockGoogle DeepMind开源模型多模态4 个信源在谈推荐理由:Google DeepMind 把最新的 Gemma 4 放到 AWS 上了,三种规格可选,带推理和图文理解,正好拿来玩开源项目。原文
10:52rohanpaul_ai@rohanpaul_ai精选Google DeepMind 发布论文《From AGI to ASI》,探讨从通用人工智能(AGI)到超级人工智能(ASI)的四种可能路径:持续扩展计算与模型规模、算法范式突破(超越 Transformer)、递归自我改进(AI 加速 AI 研发)、多智能体集体智能。论文指出,扩展路径可能受限于数据、计算和能源瓶颈;递归改进最不确定,因需真实世界测试和稀缺硬件;多智能体集体智能最被低估,通过专业化与协调可超越单一模型。ASI 可能不是单一事件,而是 AI 辅助创造更好 AI 的加速链。论文Google DeepMindAGIASI多智能体递归自我改进推荐理由:DeepMind 分析 AGI 到 ASI 的四种路线原文
00:44Google DeepMind@GoogleDeepMind精选Google DeepMind 的 TacticAI 利用图神经网络将球场上的 22 名球员视为独立节点,球员间的物理互动作为连接,从而构建出完整的比赛态势图。这使得俱乐部数据科学部门能够通过虚拟拖拽球员的方式,实时测试不同的防守阵型配置。该技术为足球战术分析提供了全新的交互式工具,有望提升球队的战术部署效率。AI产品图神经网络足球战术实时模拟Google DeepMind体育分析推荐理由:足球战术分析团队终于有了可交互的 AI 工具——TacticAI 让数据科学家像玩游戏一样拖拽球员测试阵型,做体育数据分析的建议点开看看。原文
08:47Google DeepMind@GoogleDeepMind精选Google DeepMind 推出了 Co-Scientist,一个基于 Gemini 的多智能体系统,旨在作为科研人员的专属研究伙伴。该系统能够自动生成、辩论并演化针对复杂科学问题的新假设。Co-Scientist 通过多智能体协作,模拟科研团队的工作流程,有望加速科学发现过程。这一工具将帮助科学家更高效地探索未知领域,推动突破性进展。AI产品多智能体系统科研助手Gemini假设生成Google DeepMind推荐理由:科研人员终于有了 AI 驱动的协作伙伴——Co-Scientist 能自动生成和优化假设,做基础研究或跨学科探索的团队可以直接用它加速发现,建议点开看看具体怎么用。原文
AITOP5月29日 08:02Opus 4.8发布:编程助手的“静默时刻”,是解放开发者,还是新门槛?🔥Anthropic 把 AI 编程的“确认键”彻底删掉了!Claude Code 搭载全新 Opus 4.8 模型,长时间任务不跑偏、不废话、不中断,像一个资深工程师一样默默干活,从功能开发到漏洞清扫全包圆,你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”,现在它直接交完整交付物……自主编程的最后一层窗户纸,被捅破了。做自动化开发和代码审查的团队,这个模型建议直接上手,效率差距肉眼可见……
21:38Qdrant@qdrant_engine精选Google DeepMind 的 Paige Bailey 在 Vector Space Day 活动前提出一个尖锐问题:为什么开发者还在用静态 Markdown 文件(如 SKILLS.md)来定义 Agent 的能力边界?她认为这是一种过渡方案,并将在活动中讨论替代方案。该活动将于 6 月 11 日在旧金山 Midway 举行,面向构建生产级 Agent 的开发者。AI产品智能体Agent 开发Google DeepMindVector Space Day静态配置推荐理由:Paige Bailey 点出了当前 Agent 开发中的关键痛点——静态配置文件的局限性,做 Agent 的团队值得关注她提出的替代方案,或许能大幅提升 Agent 的灵活性和可维护性。原文
23:42rohanpaul_ai@rohanpaul_ai精选76°Google DeepMind 发表论文,首次系统性地提出 AI 智能体的安全威胁不仅来自模型本身,更来自其读取的环境。论文定义了六类“智能体陷阱”,涵盖感知、推理、记忆、行动、多智能体协作及人类监督等维度。实验显示,隐藏的提示注入攻击在高达 86% 的场景中成功劫持智能体,子智能体劫持成功率 58-90%,数据窃取攻击在五种架构中均超过 80%。论文强调,网页中的隐藏内容(如 HTML 注释、CSS 隐藏文本)对智能体构成严重威胁,且记忆污染攻击在数据污染低于 0.1% 时成功率仍超 80%。论文智能体安全提示注入记忆污染攻击面Google DeepMind推荐理由:这篇论文把 AI 智能体的安全边界从模型内部扩展到了整个互联网环境,做智能体开发和安全研究的团队必须重新审视攻击面——你的智能体可能正在被看不见的网页内容操控。原文