Google DeepMind 在亚太地区推出首期 Accelerator 加速器计划，主题为“AI for the Planet”。该计划为期三个月，面向区域内的初创公司、研究团队和非营利组织，帮助其利用前沿 AI 解决自然、气候、农业和能源等领域的环境问题。入选机构将获得专家指导和将前沿 AI 与科学 AI 模型集成到项目中的支持，计划以新加坡的线下 bootcamp 启动，现已开放报名。
Google 开发的 ERA 研究工具使用 Gemini 编写和优化科学代码，相关论文于今日发表于 Nature。ERA 通过树搜索考虑数千种方案，在基因组学、公共卫生、卫星图像、神经科学、时间序列预测和数学等基准上达到专家级表现。
推荐理由：原文给出 ERA 在多个学科基准上的表现和八个应用案例，读者可据此了解 AI 辅助科学计算的实际落地方式。
生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 的实验室正使用 Google DeepMind 的 Co-Scientist 加速衰老研究。该系统扫描数万篇论文后提出 20 多个新型候选遗传因子，其中部分经实验验证能驱动细胞进入更年轻、功能更好的状态。分析大规模筛选数据原本最多需 6 个月，借助 Co-Scientism 可缩短到几天。
Google DeepMind 在 Project Genie 中推出 Street View grounding 新能力，可基于美国真实地点结合“Ocean World”“B&W film”等风格生成可交互世界，技术来自 Maps Imagery Grounding。
Google DeepMind 推出 Gemini Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成视频，并通过自然语言多轮编辑，支持角色一致性和物理表现。
推荐理由：官方首次介绍 Omni 家族，说明了对话式改视频、多输入组合和物理表现的具体能力边界。
Google DeepMind 发布 Gemini for Science，在 Google Labs 推出三个实验原型：基于 Co-Scientist 的 Hypothesis Generation。
Google 于 5 月 19 日宣布扩展内容透明与验证工具，覆盖 Search、Gemini、Chrome、Pixel 和 Cloud。
推荐理由：原文梳理了 SynthID 水印、C2PA Content Credentials 验证在 Search、Gemini、Chrome、Pixel 的扩展路径和落地节奏，可据此了解内容溯源工具的现状。
Google DeepMind 宣布在新加坡启动 National Partnerships for AI 新合作项目，聚焦医疗、科研与教育。合作包括与公共医疗集团探索 AI co-clinician“三方照护”、用 AlphaFold 加速疫情研究、为视障跑者开发 Gemma 驱动的跑步助手，并向从小学到初级学院的所有教师提供 Gemini for Education。
剑桥大学 Clare Bryant 教授使用 Google DeepMind 的 Co-Scientist 研究病原体跨物种传播（如禽流感到人类）引发败血症等重症的分子开关。
Calico Life Sciences 的 AI/ML 负责人 Matt Onsum 和首席科学家 Katherine Labbé 用 Google DeepMind 的 Co-Scientist 连接衰老生物学领域分散的研究发现，生成值得验证的假设。
爱丁堡大学 bioengineer Filippo Menolascina 用 Co-Scientist 研究代谢功能障碍相关脂肪性肝炎（MASH），从海量文献中筛选候选联合疗法。针对药物 resmetirom 为何只对部分 MASH 患者有效这一问题，系统提出 NLRP3 炎性小体是连接炎症与代谢的分子桥梁的假设，该假设后来经实验验证，有望推动双重靶向疗法。
Google DeepMind 的 Co-Scientist 正在连接 MIT 机械工程师 Ritu Raman 与 Boston Children's Hospital 化学生物学家 Ryan Flynn 的实验室，共同研究 ALS。
Stanford 医学院遗传学家 Gary Peltz 团队在 Advanced Science 发表研究，用 Google DeepMind 的 Co-Scientist 从现有药物文献中筛选可重定位治疗肝纤维化的候选药。
Google DeepMind 的 AI 气象模型 WeatherNext 提前 5 天、以 80% 置信度预测出飓风 Melissa 将以 Category 5 强度登陆牙买加，3 天前置信度升至接近 100%。
Google DeepMind 发布 Gemini 3.5 模型系列，首先推出 3.5 Flash，定位智能体与编码，在 Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）、MCP Atlas（83.6%）和 CharXiv Reasoning（84.2%）上超过 Gemini 3.1 Pro，输出速度为其他前沿模型的 4 倍。
推荐理由：官方公布了 3.5 Flash 的基准成绩、开放渠道和 Pro 后续计划，读者可以据此评估它在智能体与编码场景的取舍。
Google DeepMind 在 Nature 发布基于 Gemini 的多智能体系统 Co-Scientist，通过生成、辩论和演化假设来加速科学研究，并通过实验性工具 Hypothesis Generation 向个人研究者开放，数周内开始推出，可在 labs.google/science 注册。
推荐理由：官方同时给出系统架构、已有实验结果和开放注册入口，读者可以据此评估它对科研工作流的适用性。
Google DeepMind 发布 AlphaEvolve 一年来影响力汇总，该 Gemini 驱动的编码智能体已从试点扩展到科研与商业多领域。
推荐理由：官方汇总了 AlphaEvolve 一年来在科研和商业场景的具体结果与数字，可了解这类算法发现智能体落地的真实范围。
Google Research 阐述其开放科学实践：十年间开源的 DeepVariant、Neuroglancer、NeuralGCM、SpeciesNet 及 HAI-DEF（含 MedGemma）等工具与数据集，已服务全球超 250,000 名研究者和开发者。
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生监督下辅助医患双方的医疗 AI。
推荐理由：官方给出多组临床评测数字和双智能体安全架构，读者可以据此了解 AI 协诊助手的能力边界与实际定位。
Google Research 介绍其 2025 年 9 月发布的 Empirical Research Assistance（ERA）在四个科研领域的实际应用进展。
Google DeepMind 宣布与韩国科学技术信息通信部（MSIT）建立合作，作为其 National Partnerships for AI 计划的一部分，在首尔设立 AI Campus。
Google 宣布将一项基于 3D 场景理解的照片重构方法上线到 Google Photos 的 Auto frame 功能。
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，将大模型训练拆分为异步通信的计算“孤岛”，隔离硬件故障并大幅降低带宽需求。
Google Research 发布 ICLR 论文 ReasoningBank，提出从智能体的成功与失败经验中蒸馏高层推理记忆的框架，区别于只记录轨迹或仅总结成功流程的 Synapse 和 AWM。
Google DeepMind 宣布与 Accenture、Bain & Company、BCG、Deloitte 和 McKinsey 合作，帮助企业规模化采用前沿 AI。
Google Research 在 TMLR 发表论文，推出推理优先的合成数据生成框架 Simula，以机制设计思路将数据生成拆解为全局多样性、局部多样性、复杂化和双评论员质量检查四个可控轴，无需种子数据。
Google Research 提出 MoGen 神经元形态生成模型，基于 PointInfinity 点云 flow matching，用 1,795 条经人工验证的小鼠轴突训练生成合成神经形状，扩充 PATHFINDER 重建模型训练数据。
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，在 Artificial Analysis TTS 排行榜上获得 Elo 1,211 分，支持 70+ 语言和原生多说话人对话。
推荐理由：官方介绍了 audio tags 和 AI Studio 场景控制等新能力，读者可以了解 TTS 语音表达控制的实际用法。
Google Research 与纽约大学合作推出研究实验 Vantage，通过生成式 AI 在模拟环境中创建多方对话，评估高中生和大学生的批判性思维、协作等 future-ready 技能。
Google DeepMind 发布 Gemini Robotics-ER 1.6，相比 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 在指点、计数、成功检测等空间与物理推理能力上显著提升。
Google Research 发布 ConvApparel 数据集，包含超过 4,000 段、近 15,000 轮的人类-AI 多轮对话，用于量化 LLM 用户模拟器的“真实感差距”。
Google Research 推出两个学术智能体框架：PaperVizAgent（前称 PaperBanana）用于从论文文本生成可发表的学术插图，ScholarPeer 则自动生成基于文献、包含摘要与优缺点的评审报告。
Google Research 提出一个评估 25 个 LLM 行为倾向与人类对齐程度的框架，将标准化心理问卷改编为情境判断测试（SJT），并由 550 名参与者提供人类偏好分布。
Google Research 在论文《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究 AI 评测中每条数据标注数与标注条目数的权衡，并开源了基于真实数据集的模拟器。
Google Quantum AI 发布白皮书，更新了破解 256 位椭圆曲线离散对数问题（ECDLP-256）的量子资源估算，两条电路分别使用不到 1,200 个逻辑量子比特加 9,000 万个 Toffoli 门和不到 1,450 个逻辑量子比特加 7,000 万个 Toffoli 门，物理量子比特需求较此前降低约 20 倍。
推荐理由：Google 白皮书给出破解 ECDLP-256 更低的量子资源估算和零知识证明披露方式，加密社区可据此评估向 PQC 迁移的紧迫性。
Google 推出 Vibe Coding XR 工作流，结合 Gemini 的长上下文推理与 web 端 XR Blocks 框架，通过专门系统提示词和代码模板，将自然语言直接转化为可运行的 Android XR 应用，全程不到 60 秒。
Google Research 推出 TurboQuant 压缩算法（将发表于 ICLR 2026），通过结合 Quantized Johnson-Lindenstrauss（QJL）和 PolarQuant（将发表于 AISTATS 2026）实现零内存开销的向量压缩，可在不损失精度的情况下压缩模型和 KV cache。
Google Research 在 Earth AI 计划下推出自监督框架 S2Vec，为建成环境学习通用嵌入向量。该框架用 S2 Geometry 将地表划分为多分辨率单元，把建筑、道路等特征栅格化为多层图像，再用 masked autoencoding 无需人工标注地学习位置特征。
Google Research 在 Check Up 活动上介绍多项医疗 AI 进展：与 Fitbit 合作的个性化健康研究（Personal Health Agent）。
Google Research 与英国 NHS 合作的 AIMS 研究在 Nature Cancer 发表两篇论文，评估 AI 乳腺癌检测系统。
推荐理由：原文给出两篇 Nature Cancer 研究的具体结果和数字，读者可以据此了解 AI 在乳腺筛查双读流程中的实际表现与局限。