DeepMind
谷歌旗下AI研究机构，专注于人工智能基础研究与应用
核心事实
时间轴 (近 90 天)
DeepMind研究者的做法是先训练神经网络在已知数学对象的数值数据上进行回归，再通过显著性分析定位网络最依赖哪些输入特征，从而引导人类数学家提炼可被精确证明的猜想
DeepMind归纳的好水印具备三个属性：不可感知性、鲁棒性、可扩展性
SynthID是DeepMind设计的AI水印技术，Pushmeet Kohli是其架构师之一
DeepMind图像水印方法通过生成器神经网络、对抗代理和检测器三方同步训练，以保证水印在缩放、裁剪、旋转、加噪等变换后仍可被检测
生物领域的水印方案直接复用了开源的SynthID文本库代码，模型开发者无需与DeepMind协调即可使用
DeepNash由DeepMind研究团队开发，用于攻克不完全信息博弈Stratego
DeepMind 开发了 AlphaGo 和 AlphaStar（星际争霸），OpenAI 开发了 Dota 2 团队对战 AI
Google拥有从Transformer论文到DeepMind一系列突破的研究积累
AI蛋白质设计工具如DeepMind的AlphaFold、华盛顿大学的RFdiffusion使研究者能在数小时内完成过去数年才能完成的序列设计工作
AlphaGenome Atlas背后的核心模型是DeepMind于2024年发布的AlphaGenome
还有 40 条时间轴事件
全部知识事实 (20)
Astra名称此前更多与谷歌DeepMind的Project Astra相关联，后者是谷歌在2024年Google I/O大会上展示的多模态AI助手项目
90%已验证OpenAI、Anthropic、DeepMind等机构均已将可解释性作为研究方向
90%已验证OpenAI、Anthropic和Google DeepMind均已在各自模型中集成了类似的智能体能力框架
90%已验证OpenAI、Anthropic、Google DeepMind等头部AI实验室都已建立了专门的红队测试流程，并将其作为模型发布前的必要环节
90%已验证Google DeepMind由2014年收购的DeepMind与谷歌内部的Google Brain团队于2023年合并而成
90%已验证推测解码（Speculative Decoding）范式由Google Brain和DeepMind团队于2023年几乎同期提出
90%已验证截至2023年，AlphaFold已预测超过2亿种蛋白质结构，覆盖几乎所有已知生物体
90%已验证AlphaFold是DeepMind于2020年推出的蛋白质结构预测系统
90%已验证2022年DeepMind的Chinchilla论文指出同等算力预算下应均衡增大模型尺寸与训练数据量
85%已验证2017年发布的AlphaGo Zero完全不依赖人类棋谱数据，仅通过自我对弈强化学习，在40天内超越了所有前代版本
80%已验证DQN是DeepMind在2013年提出的算法，首次将深度神经网络与Q-learning强化学习相结合，使AI能学会玩49款Atari游戏
80%已验证DeepMind的AlphaProof和AlphaGeometry系统采用了逐步验证的思路
75%已验证Google DeepMind的Chinchilla论文优化了模型参数量与训练数据量的最优比例
75%已验证DeepMind的AlphaZero于2017年发布，仅凭自我对弈就在国际象棋、将棋和围棋上达到超越人类顶尖水平
75%已验证Google DeepMind的SIMA项目训练了一个能够在多款3D游戏中执行自然语言指令的通用智能体
75%已验证涌现能力现象被DeepMind研究员系统记录于2022年的《Emergent Abilities of Large Language Models》论文中
75%已验证多模态大模型的技术基础是视觉编码器（如ViT）与语言模型的联合训练，使模型能将像素空间视觉信息映射到与文本共享的语义空间
75%已验证深度强化学习融合后，AlphaGo击败人类围棋冠军和OpenAI Five成为其标志性应用
75%已验证Demis Hassabis是Google DeepMind的联合创始人
75%已验证AlphaFold在2020年解决了蛋白质折叠问题
75%