> 刚刚斩获诺贝尔奖的AlphaFold缔造者结束九年谷歌生涯跳槽Anthropic，这场顶级人事震荡暴露了AI巨头在生命科学领域的底层商业角力与差异化竞争图谋。

## 拆解跳槽动机　大厂体制与前沿创新的博弈

在硅谷波诡云谲的AI人才争夺战中，John Jumper的离职无疑是一枚重磅炸弹。作为在Google DeepMind深耕九年、一手缔造了AlphaFold这一划时代产品并刚刚折桂2024年诺贝尔化学奖的灵魂人物，他的离开绝不仅是个人职业生涯的常规跳槽。

这一人事震荡发生在谷歌Gemini核心大脑Noam Shazeer转投OpenAI的几天之后。高密度的人才流失，赤裸裸地暴露了谷歌庞大官僚体制在应对敏捷AI创新时的无力感。即便DeepMind的CEO Demis Hassabis给予了高度赞扬，也无法掩盖一个残酷的事实　在算力被集中用于保卫搜索引擎基本盘和追赶OpenAI通用大模型进度的当下，像Jumper这样专注于将AI应用于极致科学探索的顶尖极客，正在谷歌内部面临优先级被边缘化的隐力。他们需要更纯粹、更灵活且没有大公司部门倾轧的土壤。

![32.png](https://static.downly.cn/images/7229310298c2cc167c07ddd4e1171fe9.png) <center>图源备注 图片由AI生成</center>

## 算力换商业壁垒　Anthropic的差异化超车路线

对于接盘方Anthropic而言，招募Jumper绝非只为了给自家研究团队装点门面，而是其深谋远虑的商业护城河构建策略。在通用大模型（AGI）的正面战场上，面对拥有微软无限算力支持的OpenAI，Anthropic如果仅靠“安全对齐”这一张牌，很难在长期的商业变现中持续获得资本市场的青睐。

引入Jumper，意味着Anthropic正在将重兵投向另一个潜力无限的吸金巨兽领域　AI for Science（人工智能驱动科学计算），尤其是极具暴利属性的生物制药与基因工程赛道。AlphaFold已经证明了AI预测两亿多种蛋白质结构的能力，这对于新药研发是颠覆性的提效。Anthropic意图利用其强大的基础模型能力，结合Jumper在生物计算领域的顶级认知，打造出一套针对医疗、制药和生命科学的特种大模型矩阵。这不仅能避开与OpenAI在C端市场的惨烈红海绞杀，更能直接敲开辉瑞、强生等财大气粗的跨国药企的钱袋子。

![33.png](https://static.downly.cn/images/f8f93bbfced2ab23af8f5effb8b8435e.png) <center>图源备注 图片由AI生成</center>

## 动了谁的蛋糕　行业棋盘的连锁反应

这场人事变动动摇了深层行业的利益格局。谷歌不仅失去了一张能在科技史留名的王牌，其在生命科学AI领域的绝对垄断地位也开始松动。未来，AI制药领域的竞争将不再是单纯的算力竞赛，而是“通用认知大模型”与“垂直领域顶尖Know-How”的结合能力之争。Anthropic的一步险棋，已经正式宣告了AI下半场的商业主战场，正从写诗写代码的文娱体验，向重塑人类生命健康边界的硬核产业疾驰而去。

诺奖得主出走折射谷歌人才阵痛 Anthropic的科学计算野心

> 导语：Anthropic通过极度细分的模型架构精准切割算力市场，Fable5与Mythos5的双规发布不仅是参数量的单纯扩张，更是大模型从通用闲聊向重度垂直生产力工具演进的关键分水岭。

## 算力分配的精密手术刀 Fable5统治代码域的底层架构
过去的大模型在处理极长代码仓库时，往往会陷入注意力机制的算力黑洞，导致上下文遗忘或生成幻觉。Anthropic此次推出的Fable5，其核心突破在于完全重构了针对结构化语言的注意力分配逻辑。通过引入针对代码逻辑树优化的稀疏注意力机制，Fable5在处理数万行级别的跨文件调用时，不再需要对全局文本进行高昂的密集计算，而是精准提取类与函数的依赖关系。

技术焦点　这种局部敏感哈希与专家混合网络（MoE）的深度结合，使得Fable5在极低延迟下完成了过去需要庞大集群才能实现的上下文关联。它不仅解决了以往Copilot类工具在重构旧代码时容易丢失全局依赖的瓶颈，更将代码生成的准确率提升到了能够独立跑通复杂微服务架构的层级。开发者面临的不再是一个只会补全单行代码的打字机，而是一个能够理解系统级架构的虚拟高级工程师。

![12.png](https://static.downly.cn/images/37f432ae3ed16de6bb8ae6e5cd620c25.png) <center>图源备注 图片由AI生成</center>

## 跨越模态护城河 Mythos5破解科学计算的注意力陷阱
如果说Fable5是软件工程的利刃，那么Mythos5则是 Anthropic 劈开硬核科学壁垒的重锤。长久以来，自然语言处理模型在面对高维度的科学数据（如蛋白质折叠的三维坐标、流体力学的偏微分方程）时表现挣扎，因为自然语言的序列化逻辑与物理世界的空间并行逻辑天然冲突。

架构创新　Mythos5大胆引入了连续时间空间的动态张量处理单元。它在训练阶段大规模剔除了无用的互联网闲聊语料，注入了海量经过多维结构化清洗的顶级学术期刊数据与实验室开源模拟数据集。在推理时，Mythos5能够将数学公式与物理定律隐式映射到其内部的几何流形中，直接越过“理解文本”的步骤，进入“理解物理规则”的阶段。这种跨模态的深度融合，让其在材料科学预测与复杂生物分子模拟上的表现，直接逼近了专用的超算模拟软件。

## 开发者生态的重构 告别万金油模型的调用范式
Anthropic这一代产品矩阵的发布，正在彻底摧毁“一个千亿参数模型解决所有问题”的粗放式开发范式。通过API网关的智能路由，下游应用开发者可以根据具体的任务负载，无缝在主打代码的Fable5、专注科研的Mythos5以及其他日常对话模型中切换。

生态涟漪　这种极致解耦的策略，直接带来了推理成本的断崖式下降。开发者无需为了获取一行精准的SQL代码而唤醒一个拥有全知全能知识库的庞然大物。算力的精确制导，标志着大语言模型正式进入了精细化作业时代，而那些依然死守单一庞大通用模型阵地的厂商，必将在高昂的推理成本与平庸的垂直表现中失去企业级客户的青睐。

Anthropic第五代模型阵列解析 Fable5主导代码生成与Mythos5突破科研边界

> 拒绝挤牙膏式的营销，谷歌用一波高密度的技术轰炸重申了工程霸权。从端侧突围到科学计算，其背后掩藏着一套全新的MoE架构与算力分配哲学。

## 撕裂内存墙 端侧算力的极致压榨
在本周释出的产品矩阵中，诸如Nano Banana 2与Gemma 4等新一代轻量级模型的亮相，彻底暴露了谷歌在端侧设备上的勃勃野心。过去一年，业界苦于大模型的参数膨胀，导致边缘设备在运行推理时频频撞上物理层面的显存上限。

技术突破点　谷歌此次显然在模型量化与剪枝技术上取得了实质性跨越。通过更为激进的混合精度训练与动态显存分配策略，这些端侧新星能够在不显著牺牲逻辑推理能力的前提下，将内存占用压缩至惊人的地步。这就像是将一台原本需要特种宽载卡车运输的重型发动机，精巧地塞进了一辆民用轿车里。这意味着手机与物联网设备真正具备了离线运行复杂Agent流的能力，隐私焦虑与网络延迟的顽疾被连根拔起。

![32.png](https://static.downly.cn/images/7934d91b721936dcbce1e61344b48851.png)
 <center>图源备注 图片由AI生成</center>

## Co-Scientist的涌现 垂直领域的专家混合
如果说端侧模型是向下扎根，那么Co-Scientist等前沿应用的发布则是向上攀登。这并非简单的通用大模型套壳，从其表现出的极高专业度可以推断，谷歌在底层架构上大概率深度应用了极为精细的专家混合机制。

在面对复杂的科学推演时，系统不再像无头苍蝇一样调用全局参数，而是通过高效的路由网络，精准唤醒只懂数学推理或生物化学的“局部脑区”。这种架构上的巧思，极大地降低了单次调用的算力消耗，同时大幅抑制了模型在专业领域最致命的“幻觉”生成。

![33.png](https://static.downly.cn/images/0d2669e169b0b01991e644007db21a93.png)
 <center>图源备注 图片由AI生成</center>

## 告别单点作战 生态闭环的降维打击
dreambeans等创意工具的加入，补齐了这一波技术发布的最后一块拼图。这表面上是多模态能力的炫技，实则是谷歌在向外界展示其全栈式的工程统御力。

务实预判　当其他厂商还在为单卡算力与单体模型参数量焦头烂额时，谷歌已经开始推行其“全尺寸覆盖”的降维打击战略。从云端超大集群到用户口袋里的智能手机，一条毫无滞涩的模型调用链条正在成型。未来，衡量AI厂商实力的标准将不再是谁跑分更高，而是谁能以最低的工程损耗，让智能像水电一样在端云之间平滑流动。

谷歌本周密集释放AI全家桶 底层算力调度优化与端侧模型的架构革新

> 科学智能体工具包的开源，标志着 AI 从单纯的模式识别正式进化为具备完整科学假设与验证回路的自动化研究员。它通过将文献阅读与代码执行模块化，正在重塑科研探索的底层基础设施。

## 打破知识孤岛 模块化科研的架构巧思

过去几年里，大语言模型在科学领域的应用多半停留在“学术版搜索引擎”的初级阶段。研究人员抛出一个问题，模型返回一段毫无逻辑推演的缝合文本。Google DeepMind 开源的科学智能体工具包，彻底抛弃了这种单线程的文字游戏，转而引入了一套高度模块化、具有工程美学的分布式架构。

架构亮点　该工具包将科学研究拆解为三个独立的认知引擎：假设生成器、实验设计沙箱与结论评估器。这套架构的精妙之处在于“隔离与协作”。假设生成器只负责根据庞大的知识库（通过 RAG 接入最新论文）提出天马行空的理论；实验设计沙箱则是一个被严格限制的 Python 解释器，它强迫智能体必须用严谨的代码逻辑来验证刚才的假设；评估器则冷酷地分析运行日志与报错信息。这种多智能体辩论机制，本质上是把科学共同体的“同行评审”过程，微缩到了几次 API 调用的毫秒级交互中。

![22.png](https://static.downly.cn/images/784b369196cd1695fd6d6f6e8014152a.png) <center>图源备注 图片由AI生成</center>

## 从代码生成到自我纠错的执行闭环

真正让极客们兴奋的，是这个工具包在“代码执行与自我纠错”上的底层逻辑重构。传统的大模型写代码，一旦遇到环境变量不匹配或语法错误，就会陷入死胡同。而 DeepMind 为科学智能体配置了一个极其强悍的状态机（State Machine）。

运行机制　当生成的实验代码在沙箱中抛出异常时，错误堆栈不会直接扔给用户，而是会被反向序列化，连同环境状态一起喂给“反思模块”。智能体会在内存中回溯之前的决策树，定位是数学公式推导错误还是数据清洗时的索引越界。这种“左脚踩右脚”的自我迭代能力，让 AI 不再是一个被动回答问题的黑盒，而是一个能够主动试错、甚至半夜还在不知疲倦地跑回归测试的赛博科学家。

![23.png](https://static.downly.cn/images/1debd174748c10158a7eb8f57ebd4a48.png) <center>图源备注 图片由AI生成</center>

## 涟漪效应 科学计算平民化的新纪元

这套开源工具包的发布，无异于向学术界投下了一枚深水炸弹。过去，材料科学或计算化学领域的突破，往往依赖于顶级实验室里大量博士生耗费数年的试错。而现在，底层架构的开源意味着任何人只要拥有足够的算力接口，就能组建一支不知疲倦的“自动化科研远征军”。

它解决的最核心瓶颈，是将人类科学家的灵感与繁琐的实验验证彻底解耦。当基础逻辑链条可以被代码沙箱自动验证，科学研究的瓶颈将不再是“算不完的方程”或“看不完的文献”，而是人类是否还能提出足够新颖、值得让智能体去跑满一天算力的好问题。

拆解 DeepMind 科学智能体工具包 告别黑盒的自动化科学流水线

> **导语**
> 上海人工智能实验室开源全球最大科学多模态模型，基于MoE架构实现万亿参数与极致算力效率平衡，在AI4S领域确立国际领先地位，并全面开放SAGE架构技术链路。

## 科学计算领域的参数里程碑

全球开源 AI 社区近日迎来了一次重量级的技术刷新。上海人工智能实验室正式发布并开源了 **Intern-S1-Pro**，这是一款参数量达到万亿级别（1T）的科学多模态大模型。

该模型的发布不仅打破了开源社区的参数规模纪录，更标志着国产 AI 在 **AI for Science (AI4S)** 这一前沿赛道上取得了战略性突破。在综合学科评测中，Intern-S1-Pro 展现出了令人惊叹的专业能力，其复杂数理逻辑推理水平已达到奥林匹克竞赛金牌标准。在真实的科研场景下，它能够作为高水平的智能体辅助科学家进行实验设计与数据分析，其实力已稳居全球开源模型的第一梯队。

![Google_AI_Studio_2026-02-05T02_39_23.699Z.png](https://static.downly.cn/images/a85a54b0f905d1efb66a6bc31955bce4.png) <center>图源备注：图片由AI生成</center>

## 混合专家架构与物理直觉

在庞大的参数规模之下，Intern-S1-Pro 的技术内核同样精妙。研发团队采用了先进的 **混合专家架构（MoE）**，虽然总参数量高达1万亿，但通过高效的动态路由机制，模型在处理每一次具体任务时，仅需激活 **220亿（22B）** 参数。这种设计极大地降低了推理成本，实现了超大规模模型在算力效率上的最优解。

为了让 AI 真正理解科学规律，团队还引入了创新的“通专融合”技术架构 SAGE。通过引入傅里叶位置编码并重构时序编码器，模型仿佛拥有了“物理直觉”，能够统一理解从微观粒子信号到宏观物理现象的复杂规律。这一技术突破攻克了超大 MoE 模型训练中常见的稳定性难题，证明了国产团队在底层算法架构上的原创能力。

## 全链路自主可控的生态底座

Intern-S1-Pro 的意义远超模型本身，它是一次从原创架构到国产算力基座的完整技术验证。目前，该模型已在 GitHub 和 HuggingFace 等主流平台全面开源，并提供在线体验服务。

这一举措为全球科研机构和开发者提供了一个开放、共享的高性能基础设施。通过降低顶级科学模型的获取门槛，上海人工智能实验室正在加速构建一个基于国产技术的科研 AI 生态，为未来的科学发现提供源源不断的智能动力。

![Google_AI_Studio_2026-02-05T02_39_28.314Z.png](https://static.downly.cn/images/f3ead6a4fb51a05a89f7d6f330992612.png) <center>图源备注：图片由AI生成</center>

国产开源新高地：万亿参数Intern-S1-Pro发布，数理推理对标奥赛金牌

> 今日AI界风起云涌，从苹果对计算机视觉初创公司的收购意向，到大型模型安全性的惊人发现，再到谷歌、微软等巨头在浏览器、深度学习领域的技术革新，以及西湖大学“AI科学家”的惊艳表现，无不预示着人工智能正以前所未有的速度渗透并重塑着我们的世界。

---

## 苹果拟收购Prompt AI，剑指智能家居安防

据最新消息，苹果公司正在与计算机视觉初创公司 Prompt AI 进行最后的收购谈判。Prompt AI 成立于2023年，其核心技术能够与家庭安防摄像头高效联动，提供高精度的识别与分析服务。此次收购若能成功，将极大增强苹果在智能家居和AI技术领域的战略布局，特别是在家庭安全方面的竞争力。

![image.png](https://static.downly.cn/images/0cb51fb390612006306a45a4ef7ca9ec.png)
<center>图源备注：图片由AI生成</center>
 

## AI安全警钟 250份“毒”文件即可“策反”大型模型

Anthropic 的一项突破性研究揭示了大型语言模型一个惊人的安全漏洞。研究发现，仅需250份经过特殊构造的“投毒”文件，就可以在大型AI模型中成功植入“后门”。更令人担忧的是，这种攻击方式的有效性与模型的大小无关，即便是参数量更大、在更干净数据集上训练的模型也同样脆弱。这一发现颠覆了以往“模型越大越安全”的普遍认知，为AI安全领域敲响了警钟。

![image.png](https://static.downly.cn/images/11fb724c8e36779aaa0f8ca696ac18f2.png)
<center>图源备注：图片由AI生成</center>
 

## MIT联手丰田推新AI工具，机器人在“虚拟厨房”中练就真本事

麻省理工学院（MIT）与丰田研究院合作，共同研发了一款名为“可引导场景生成”的创新AI工具。该工具能生成高度逼真的虚拟训练环境，如厨房、客厅等，让机器人可以在模拟场景中进行大量练习。这项技术显著提升了机器人学习和处理现实世界复杂任务的能力，为机器人技术的未来发展开辟了一条全新且高效的路径。

![image.png](https://static.downly.cn/images/cf746aae7f3c9395579443c8355fac39.png)
<center>图源备注：图片由AI生成</center>
 

## 谷歌AI月处理超1.3万亿“代币”，计算复杂度而非用户量激增

谷歌透露，其AI产品的月处理“代币”（tokens）量已激增至超过1.3万亿。然而，官方解释这一数据的飙升主要反映了模型后端计算复杂度的显著提高，而非用户使用量的直接大幅增长。这一现象背后，是AI模型日益强大的能力，同时也引发了业界对计算资源消耗和环境影响的持续关注与争议。

![image.png](https://static.downly.cn/images/2e59f5743ead317719ab9126b6b39ac9.png)
<center>图源备注：图片由AI生成</center>
 

## Chrome浏览器迎Gemini加持，“上下文任务”让网页浏览更懂你

谷歌正在为其Chrome浏览器测试一项名为“上下文任务”（Contextual Tasks）的Gemini新功能。该功能旨在深度整合Gemini AI的聊天交互能力，使其能更好地理解当前网页内容，并基于上下文智能地处理浏览任务和自动化复杂操作。目前，这项功能已在Chrome Canary测试版中进行实验，预示着未来的网页浏览体验将变得更加智能和高效。

![image.png](https://static.downly.cn/images/e1407da459ffaf75189ffc1a883158bb.png)
<center>图源备注：图片由AI生成</center>
 

## “AI科学家”诞生西湖大学，两周完成人类三年科研

西湖大学研发的AI科学家“DeepScientist”展现了惊人的科研能力。它仅用两周时间，便完成了通常需要人类科学家三年才能完成的工作量，不仅能独立生成科学想法并进行验证，还在三个前沿AI任务中刷新了人类创造的纪录。DeepScientist强大的自主科研能力，标志着AI已从辅助工具向独立的科研伙伴迈出了重要一步。

![image.png](https://static.downly.cn/images/1c7d74eb11a36e4f466fef20ab8a3db0.png)
<center>图源备注：图片由AI生成</center>
 

## 微软研究院发布Skala模型，以更低成本实现更高精度深度学习

微软研究院推出了名为Skala的全新深度学习模型。该模型通过创新的方法，在大幅提升计算效率的同时，实现了以往需要更高计算成本才能达到的精度。具体来说，Skala能够以接近meta-GGA的速度，达到混合泛函的精度，在分子体系原子化能量评估等任务中表现出极低的误差，显著优于现有方法，为科学计算领域带来了新的突破。

![image.png](https://static.downly.cn/images/0d8db767327a46f53ab31882d5c148df.png)
<center>图源备注：图片由AI生成</center>
 

## 开源工具Petri认证 Claude Sonnet 4.5登顶“最安全大模型”宝座

在Anthropic推出的开源人工智能审计工具Petri的最新评估中，Claude Sonnet 4.5在“风险任务”类别中表现最佳，被评定为目前最安全的大型语言模型（LLM）。这一评估结果为企业和开发者在选择兼顾性能与安全性的AI模型时提供了重要的参考依据。

![image.png](https://static.downly.cn/images/c881ec9fe2ce134bec809df197280e72.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1011：苹果收购风声再起，AI安全警钟长鸣，谷歌微软技术革新



> 在人工智能领域，生成模型是研究的热点之一，它们能够学习数据的分布并生成新的样本，在图像、文本、音频等领域展现出巨大的潜力。流匹配模型（Flow Matching Models）作为一种新兴的生成模型技术，因其训练稳定性和样本生成效率而受到关注。然而，传统的流匹配模型训练方式通常是离线的。近日，一项名为 Flow-GRPO 的研究提出了一种将流匹配模型的训练与在线强化学习相结合的新方法，为提升生成模型的性能和灵活性开辟了新的道路。



## 流匹配模型：一种生成模型的新范式

流匹配模型是一种基于连续规范化流（Continuous Normalizing Flows）的生成模型。它通过学习一个将简单先验分布（例如，高斯分布）映射到复杂目标数据分布的连续变换（即“流”）来工作。与扩散模型类似，流匹配模型也涉及到一个时间维度的过程，但其核心思想是学习一个向量场，使得沿着该向量场演化的轨迹能够将先验分布推向目标分布。相比于早期的规范化流或扩散模型，流匹配模型在训练稳定性、样本生成速度以及处理高维数据方面展现出优势。



![image.png](https://static.downly.cn/images/20250514030049.119395723.png)



## 传统训练方法的局限

传统的流匹配模型训练通常采用离线的方式。这意味着模型在固定的数据集上进行训练，学习数据集的分布。一旦训练完成，模型就固定下来，无法根据新的数据或特定的目标进行实时调整。这限制了流匹配模型在一些需要动态适应或追求特定生成目标的场景中的应用。例如，在需要根据用户实时反馈调整生成内容的交互式应用中，离线训练的模型就显得不够灵活。







## Flow-GRPO：引入在线强化学习

Flow-GRPO 技术的核心创新在于将流匹配模型的训练整合到在线强化学习（Online Reinforcement Learning）的框架中。强化学习是一种通过“试错”来学习最优决策的方法，智能体在环境中执行动作并接收奖励信号，根据奖励信号调整策略以最大化累积奖励。

在 Flow-GRPO 中，流匹配模型被视为一个生成策略，而训练过程则被转化为一个强化学习任务。模型生成的样本可以被视为“动作”，而一个“奖励函数”则根据生成样本的质量或与特定目标的符合程度来提供反馈。通过在线地与环境交互（例如，与用户进行交互，或在一个模拟环境中生成样本并评估其质量），流匹配模型可以根据实时获得的奖励信号不断调整其内部参数，优化生成策略。

Flow-GRPO 采用了一种基于梯度策略优化的方法（Gradient Policy Optimization），允许模型直接根据奖励信号的梯度来更新其生成策略，从而有效地将强化学习的在线适应能力与流匹配模型的生成能力结合起来。



![image.png](https://static.downly.cn/images/20250514030139.547775225.png)



## 优势与应用前景

Flow-GRPO 方法带来了多重优势：

*   **在线适应性：** 模型可以根据实时数据和反馈进行调整，更好地适应动态变化的环境或满足个性化需求。
*   **目标导向生成：** 通过设计特定的奖励函数，可以引导模型生成符合特定目标或偏好的样本，例如生成具有特定属性的图像或满足特定风格的文本。
*   **潜在的性能提升：** 在线学习的过程有机会探索更广阔的策略空间，可能发现比离线训练更好的生成策略。

Flow-GRPO 技术为流匹配模型在更广泛的应用领域提供了可能性，例如：

*   **交互式内容生成：** 根据用户的实时输入和反馈，动态调整生成内容。
*   **个性化推荐系统：** 生成符合用户实时偏好的推荐内容。
*   **机器人控制：** 将流匹配模型用于学习复杂的连续控制策略。
*   **科学计算与模拟：** 在需要实时调整模型参数的场景中应用。



![image.png](https://static.downly.cn/images/20250514030226.802827125.png)



## 挑战与未来展望

将流匹配模型与在线强化学习结合也面临一些挑战，例如如何设计有效的奖励函数、如何处理强化学习训练中的样本效率问题以及如何保证在线学习过程的稳定性等。然而，Flow-GRPO 的提出为解决这些问题提供了一个有前景的框架。未来，研究人员将进一步探索更有效的在线训练算法，将 Flow-GRPO 应用于更复杂的生成任务，并研究其理论性质。这项工作为生成模型的在线学习和强化学习的应用开辟了新的研究方向。


搜索结果: 科学计算