Google 资深副总裁 Jeff Dean 宣布离职创业 Google 资深副总裁 Jeff Dean 宣布将在工作 27 年后离职，与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同创办 AI 公司 DiscoLoop AI。 Jeff Dean 是 Google 传奇工程师，参与构建了 MapReduce、BigTable、TensorFlow 等核心系统，近年负责 Google AI 和 Google Research。

推荐 Google Research 刚刚开源的 Harness² ，前几天也解读过它的论文。 它会让 Agent 自己尝试修改 Prompt、Skill、Memory 等配置，在同一个任务上反复运行、对比效果，找到更合适的工作方式。 除此之外，它还会把改进经验保留下来，供后续任务参考。 实验中，WorkBuddy-Bench 单轮优化最高提升了 11.5 分。当然，反复试错的成本和经验能否稳定迁移，还需要进一步验证。 像我们平时做 Agent，很多时间都花在调 Harness 上。如果这套试错和经验积累能逐渐自动化，确实很有价值。 GitHub：

10 月 16 日，Google Research 发布两项研究，分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是，研究展示了 AI 如何根据真实实验失败原因，修改下一轮设计策略，而不只是增加候选分子的生成数量。 1. Wet-lab 命中率：经过三轮反馈，最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin： 第一轮没有获得有效结合分子，命中率为 0%。AI 分析实验失败原因后，发现部分固定引物序列影响适配体折叠，于是修改结构设计。第二轮命中率达到 26.0%，第三轮进一步达到 42.1%，靶标特异性达到 98.5%。 Myoglobin： 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号，产生大量非特异性结合分子，实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构，第三轮命中率提高至 33.5%。 也就是说，Myoglobin 的最终命中率达到第一轮的约 3.3 倍，相较第二轮低点提高约 9 倍。 2. 蛋白质设计：计算成本下降，同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP（Fibroblast Activation Protein）。 Google 使用 Agent 辅助优化蛋白设计流程，通过只保留靶蛋白局部结合区域进行结构预测，使该步骤计算速度提高 8.6 倍。 在相同计算预算下，人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后，团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注？ 此前： AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是： AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节，而开始成为 AI 持续改善设计策略的反馈来源。

DeepL真的挺厉害的. 能一度在翻译领域超过Google (2020年~2022年, 体感的中文翻译和日译中明显更好) 本身对翻译数据要求高, 技术也一直在跟进. 创始人本身是之前Google Research做计算语言出身, 结果他迎来了这个领域的圣杯显现 , 也迎来了自己公司的陌路...

🕹️ 谷歌刚开源了 ARTEMIS，能让 AI 像人一样拿着一台真 Android 手机点来点去。 8 月中旬才建的仓库，GitHub 上已经 1.2 万 star，一千三百多个 fork，在 Google Research 的 AndroidWorld 基准上跑出 99% 以上的任务完成率，那套题覆盖 20 多个应用、100 多个多步骤任务。 写过 Android 自动化测试的都知道那种折磨：一个登录流程要写几十行定位代码，界面一改控件就全废，脚本比功能本身还难维护。ARTEMIS 的路子是你用自然语言说要测什么，它靠元素索引去点，认不出来就退回坐标和视觉定位，跨应用的流程也能一路走完。 它原生带一个 MCP 服务，Claude Code、Windsurf、Antigravity 这类工具可以直接驱动手机，顺手把 Logcat 和截图收回来。赶时间就用每步三到五秒的快速模式，想跑长时间稳定性测试就换成执行前先核对目标、卡住了再交回来的那一档。另外它第一次在设备上跑任务时会装一个读屏幕布局的辅助服务，只在手机本地运行、不往外发数据，失败了就退回 UIAutomator2。 手机测试这件事，终于不用全靠人肉手指了。 GitHub：

前 OpenAI 研究科学家田永龙已确认加入腾讯混元团队，未来将参与视觉语言模型相关研发。 田永龙本科毕业于清华大学，在麻省理工学院（MIT）获得博士学位，曾先后在谷歌研究院（Google Research）、Google DeepMind 担任高级研究科学家，主要研究计算机视觉与生成式模型。 这是腾讯混元继去年十二月招募首席 AI 科学家姚顺雨后，引入的又一位顶尖华人 AI 研究员。

好家伙！真的是把JEV玩出花来了！！ AI 看不清图片，居然开始自己写代码“补短板”了！！ 图片太暗，就自己调对比度； 目标太小，就自己裁切放大； 判断没把握，就调整提示词再试。 连怎么处理图片、怎么调用工具，都可以自己改！ 国外一大神把 Google Research 开源的 Harness² 框架接入 Jev，做了一个视频内容识别的demo。 整个系统可以识别街道上的行人，把“小目标”、“放大两倍”、“遮挡”、“匹配可见部分”等处理经验纳入流程，再交给模型判断。 底层模型能力不变，但模型在做任务的过程中，一直在被持续的调教！ 大概看明白了，这是解决了一个很关键的问题： 模型明明有能力，任务为什么总做不好！

🧬 刚挂上 arXiv 的 Harness²，干的事是让 AI agent 自己把自己的提示、工具、记忆和技能调到最顺。 仓库 10 月 6 日才建，12 天就攒了 3300 多 star，对应论文编号 arXiv 2610.14224，九位作者署名，代码挂在 google-research 名下（README 自己写明了它不是 Google 官方支持的产品）。 现在调一个 agent 基本是人肉循环：跑一遍不行就改提示，再不行加个工具、塞点记忆，改完重跑，一天就这么没了。Harness² 把这个循环交给机器自己跑——模型权重一个字不动，它只动模型周围那套系统，靠「提出—探测—组合」三步在当前任务里反复试哪种配法更好。 更有意思的是第二层：每个任务试出来的有效配法会被写进一个持续累积的方案库，下一个任务直接拿前面攒的经验开局，不用从零再试一遍。能动的部件有八个，系统提示、护栏、记忆、工具指导、子智能体、技能、脚本和插件都在里面，执行器支持 OpenCode 和 Codex。 论文给的数字是：三个专业基准上，单次迭代最高把 WorkBuddy-Bench 提了 11.5 分，JobBench 提了 4.5 分，LAB 的部分通过率提了 11.8 个百分点，而且加大递归预算还能继续涨。 以前是人给 agent 搭架子，现在架子开始自己长了。 GitHub：

卧槽，这只苍蝇最近在AI圈玩疯了：16.67 万个神经元，已经开始打 Doom、玩马里奥、炒 BTC😂 最近 X 上到处都是一只“苍蝇”在打游戏、炒币、跑 Minecraft。它当然不是真苍蝇，而是一套按照真实果蝇神经接线重建出来的数字神经系统。 9 月，Google Research、HHMI Janelia、剑桥等团队正式发表 MaleCNS 研究，把此前公开的雄性果蝇完整中枢神经系统连接组推到了台前。 社区目前最常用的一套模拟保留了约 16.67 万个神经元、2560 万条有向连接，对应约 1.24 亿个突触接触。 然后AI圈彻底玩疯了。 有人把 Doom 的画面喂给果蝇视觉神经元，再从下降神经元读取前进、转向和开枪。 有人把它接进超级马里奥 64 和 Minecraft。 还有人直接把 BTC K 线变成视觉输入，让苍蝇输出买、卖、持有，赚钱刺激 PAM11 多巴胺细胞，亏钱刺激 PPL101。甚至已经可以接 Coinbase 真账户下单。 按照这个进度，下一步是不是还可以继续训练其他大脑神经元，然后提取出来供大家使用啊？

$GOOGL 还是太全面了！ 想象一下，你要把一座超级大都市里的每一座发电厂、每一根高压电缆、每一个变电站，乃至居民家里的每一个开关和电线，全部精细地画成一张完整的电路图。 更夸张的是，这张图对应的实际空间，只有一粒粗盐那么大。 这就是谷歌 Google Research 联合顶尖科研机构刚刚干出来的一件大事：他们把一只成年雄性果蝇的整套中枢神经系统，彻底绘制出来了。 这不仅仅是一个大脑，而是包含了大脑、视觉神经系统以及相当于人类脊髓的胸腹神经绳。全图囊括了超过 16.6 万个神经元，以及整整 1.25 亿个突触连接。 为了做出这张图，科学家把果蝇切成了几千个纳米级超薄切片，用电子显微镜扫描出海量的图像数据。谷歌则动用了专门的神经网络算法，把数以百万计的二维切片拼叠成三维的神经元结构。哪怕有了顶级 AI 的辅助，人类研究人员依然耗费了整整 44 个人年的精力去复核与修图。 当你真正看懂这张神经路线图，就会发现生物演化的机制有多精妙。比如科学家发现，果蝇在飞行、行走或者避障时，大脑并不是在实时指挥每一条腿该怎么迈。大部分动作是由靠近肢体的局部神经环路自主决定的。这不就是天然的边缘计算吗？ 这也解释了为什么谷歌能一直保持极高的行业上限。大家平时看谷歌，觉得它是一个做搜索、做广告、做 YouTube 的商业公司。但它的底层内核，其实是一个解决超大规模复杂问题的工程计算引擎。从 AlphaFold 预测蛋白质结构，到重建人类大脑皮层切片，再到今天绘制完整的果蝇中枢神经系统。 当一家公司能把顶尖的算力、AI 算法与基础科学研究深度结合在一起的时候，它就不只是在做眼前的业务，而是在为未来几十年的人类科技铺设地基！