百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药

资讯 AI 行业观察 全文 8278 字 · 约 21 分钟读完 配图 12 张 分类生物科技

当蛋白质设计有了自己的「ClaudeCode」,Al Native生物科技公司...

百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 1)

在药物研发里,找到一个能和目标蛋白结合的分子,算不算关键一步?这确实是个不小的进展,可要真正做出一款药,路还长得很。


候选分子得先证明自己能认得上目标、结合得上,接下来还要过亲和力、功能活性、表达量、热稳定性、纯度这些实验评估的关。就算早期指标看着不错,也还得往下做药代动力学、毒理学等研究,才能看出它有没有潜力进入后续研发阶段。


这道关卡,也是 AI 从蛋白质设计一步步走向真实药物研发时必须迈过去的。


这几年生成式生物大模型往前走,AI 已经能照着目标蛋白的结构和设计要求,造出原先并不存在的蛋白质分子;真实湿实验也开始证明,这些算出来的分子确实能和目标产生结合活性。


也就是说,AI 蛋白质设计从结构预测迈向了从头生成,初步跨过了「从 0 到 1 验证能结合」这道门槛。


可近一年来,真实药企的研发管线提出了新要求,「能结合」已经不够用了。行业开始追问:AI 找不找得到值得继续推进的候选分子?能不能少做大量无效的设计和实验?计算结果能不能变成真实的研发成果?


换个说法,AI 制药的行业命题,正从「能不能设计出一个分子」转向「能不能真正成药」……


围绕这个目标,各类厂商都在试路子,「AI Native 生物制药公司」百奥几何就是其中一家。


近日,百奥几何正式发布新一代药物研发引擎 GeoFlow V4,同时推出智能体式药物设计编排体系 GeoFlow Code。


本文含视频,请点上方「查看原文」在来源页观看。


GeoFlow V4 靠数据与模型协同扩展,继续强化蛋白质结构预测、从头设计和候选评估;GeoFlow Code 则加入自主编排机制,AI 不再只是执行单次设计任务,而能围绕具体研发目标自行组织多轮探索、评估与优化。二者撑起一条以成药为导向、贯通「模型 - 分子 - 数据」的 RSI 干湿反馈研发闭环。


更引人注意的是湿实验结果:13 个疾病治疗相关靶点、15 项从头设计任务,平均命中率 34.6%,比上一代提升约 85%。


另外,GeoFlow V4 在一个统一框架下支持小蛋白、环肽、纳米抗体和 IgG 抗体等多种分子类型的从头设计。部分候选分子拿到皮摩尔(pM)级结合亲和力,设计抗体在表达量、热稳定性、纯度以及非特异性结合等早期可开发性指标上表现不错。


从模型能力往上走,到 AI 自己组织设计任务,再到真实实验验证,百奥几何这回要展示的显然不止是一个更强的蛋白质模型,而是一套能把 AI 能力变成研发成果的系统,继续拓宽 AI 在分子研发上的能力边界。


换句话说,「在命中之外,向成药更进一步」。


基模跃迁:

GeoFlow V4 怎样让蛋白质设计变得更强?


蛋白质设计不是单一任务那么简单。


针对不同疾病靶点和研发需求,研究人员可能要设计小蛋白、抗体、纳米抗体或环肽。这些分子在结构、长度、构象约束和设计目标上各不相同,对应的计算方法和实验验证方式也不一样。


百奥几何前几代 GeoFlow 模型一直在啃这个问题。从早期做抗体生成,到统一全原子结构预测与生成,再到多步推理驱动的表位定向设计,模型的能力边界一步步伸向更完整的蛋白质设计任务。


最新推出的 GeoFlow V4,这种演进进一步落在结构预测与候选筛选两大核心能力上。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 2)


结构预测这一块先看精度。抗体与抗原之间的结合结构,预测准确度已经站到国际前沿。可这件事本身不好办:抗体设计要算准两者怎么结合,偏偏常常没有结合态抗原结构作先验,模型只能凭有限信息去推可能的结合界面。



业界公认难啃的 FoldBench-AB 基准上,GeoFlow V4 的 Top-1 预测成功率是 75.4%,处于国际前沿,和 IsoDDE 相当。


推理时扩展性(inference-time scaling)也表现明显:推理阶段采样预算往上加,模型就能多试探几种结构假设,成功率随之再抬一截。数据摆在那里,推理采样数量加到 100 次,预测成功率升到 78.8%。说到底,结构预测这类任务里,推理阶段多给算力,性能还能继续涨。



百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 3)


再看筛选。跨模态置信度评分给了一套「鉴宝」本事,把好分子和坏分子分开。蛋白质设计光会生成不够,候选分子成百上千,哪些更可能真结合上目标、哪些该优先送进湿实验室,判断得准不准,直接牵着后续研发的效率走。



基础模型整体能力上来了,GeoFlow V4 对候选分子的置信度评估也跟着加强,能从大批设计结果里挑出更值得验证的那些:


  • 在 IGDesign 抗体数据集上,它按评分优先筛更有希望的候选,评分排前 5% 的候选里,结合分子的富集效果有 6 倍;

  • 难度更高的 SKEMPI 亲和力排序任务上,GeoFlow V4 在多个抗体体系中的表现也明显好过上一代,以往难分辨的亲和力差异,现在能分得更清楚。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 4)


换句话说,模型要干的不只是给出设计方案、生成三维结构合理的分子。在花大价钱做湿实验之前,它得先把绝大多数无效序列筛掉,判断哪些分子值得继续投计算资源和实验资源。


从预测结构,到生成分子,再到评估质量,GeoFlow V4 想搭起来的,是一套相对完整的蛋白质基础模型能力。


问题也跟着来了:模型足够强之后,能不能自己找到最合适的设计路径?每一步怎么做,人还要不要亲自定?


复杂的蛋白质设计任务,通常不是调一次模型就完事。研究人员得决定从哪儿开始探索、用什么策略、怎么评价结果,以及下一轮怎么调整。


百奥几何这次发布的一个重要框架,就是 GeoFlow-Code。


当蛋白质设计拥有自己的「Claude Code」:

用自主编排释放模型上限


2026 年,Agent 自主组织复杂科研任务,成了 AI for Science 的一个重要方向。


以 Anthropic 的蛋白质设计研究为例,Claude 开始自己规划设计任务,调用专业的结构设计、序列设计和预测工具,经过多轮计算优化和筛选,寻找能与目标结合的候选分子。


前段时间 Anthropic 公布了一项科研成果:Claude 在 64 小时内生成 318484 种蛋白质设计,从中筛出 211 种候选蛋白交给实验室测试,最终有 17 种达到预设的结合标准。


这背后是一个变化:通用大模型正从提供单点能力,转向组织复杂的科研工作流。


百奥几何的看法是,做好蛋白设计需要两股力量,一是「强大的基础模型」,二是「能把模型性能压榨到极致的自主编排系统」。蛋白质设计不是简单的模型调用,它需要不断提出假设、尝试不同策略、比较结果并持续调整。


前代 GeoFlow 走的是固定策略下的多轮优化,靠多步推理反复迭代候选分子。GeoFlow V4 则引入了蛋白质设计领域的专用编程语言与执行框架 GeoFlow Code,让设计策略可以自主探索和执行。


换句话说,GeoFlow-Code 就是蛋白质设计圈里的「Claude Code」。它把大语言模型规划、决策、执行的本事,和 GeoFlow 对结构的理解与生成能力拧到一起,围绕一个明确的生物学目标,自己去查文献、挑表位、编排设计、分析结果。


这里的分工是:GeoFlow V4 管的是模型本身够不够强,GeoFlow-Code 则是专为蛋白质设计搭出来的一套自主编排系统,决定模型以什么方式组织任务、摸索策略,把性能上限尽量逼出来。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 5)


以前做 AI 蛋白质设计,多靠科学家事先定好的固定流水线:某个工具先出骨架,另一个模型再设计序列,最后按经验阈值筛。这种线性走法,探索空间被卡住,也容易掉进人类专家自己的经验路径里。GeoFlow-Code 换掉了调用模型的方式,给蛋白质设计战役带来的是高度自主的编排灵活性、多轮推理和自我进化机制。


碰上具体的生物学设计目标,系统能自己规划多轮设计任务,动态搭配不同的生成模式和筛选标准,再根据每一轮算出来的反馈调整后面的策略。

同时,分子设计的过程和筛选依据都会被记下来,方便专家检查、调整、复用。


在难度很高的 PD-1 跨种属 IgG 抗体设计任务里,研究团队提出的要求是:48 小时内设计出能同时识别人、猴和鼠 PD-1,并阻断其与 PD-L1 结合的分子。


按统一的计算筛选标准,专家规划流程的综合通过率是 0.16%,GeoFlow Code 自主编排流程达到 4.23%,差不多是前者的 26 倍;序列多样性指标也做到了前者的 19 倍。


这说明,复杂的蛋白质设计任务里,模型自身的能力当然要紧,但怎么组织模型、怎么选设计策略,同样可能拉开明显的性能差距。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 6)


这种变化带来的不只是流程自动化,研发策略本身也被拓宽了。


在一项跨种属设计任务里,系统试着从不同种属的抗原入手,寻找更有效的设计起点。结果显示,以鼠源抗原为起点生成的候选分子,在跨种属虚拟筛选中的通过率是以人源抗原为起点的 2.5 倍。


表位定向设计的另一项任务中,GeoFlow Code 会依据目标表位的形态,主动去找特征互补的结构片段,再据此推进后续设计,相应策略的计算设计成功率因此提高到原来的 5 倍。


这两个案例的关键之处是:AI 不再只按人类预设的经验做设计,它能通过尝试不同的设计条件,找出过去没被优先采用、实际效果却更好的策略。


自主编排能力带来的价值,还落在研发效率上。


围绕不同研发目标,GeoFlow Code 能自主组织多条设计分支并行探索,把不同靶点、分子形式和实验检测任务纳入同一套研发流程。过去要研究人员逐项组织的设计、计算和筛选工作,如今系统可以自行规划、调度并执行。


百奥几何披露的效率对比数据表明,引入 GeoFlow Code 之后,研发效率明显提升。


也就是说,GeoFlow Code 提速的不只是单次设计任务,它让一套研发体系能在更短时间内并行推进更多设计项目。


研发效率方面,「专家定义成药需求、AI 自主探索设计方案、实验反馈指导迭代」这套药物发现模式,正被 GeoFlow Code 加快推向落地。(注:文中提到的早期可成药潜力评估,指的是已经过表达量、稳定性等早期可开发性指标验证、值得继续推进的候选分子;完整的药物开发与临床验证还要等后续完成。)


湿实验深水区:从「能结合」到「能开发」,

真实数据如何验证模型能力?


模型更强了,AI 也能自主组织设计任务,可这些能力到底有没有价值,最终要看湿实验的深度:在真实实验室里,能否把构象与物理性质差异很大的多类分子全部造出来,并给出接近药物开发标准的实测数据?V4 真正的硬实力就在这里。


先看整体实验结果。


这次百奥几何选了肿瘤、自身免疫与炎症、代谢及神经肽等方向的 13 个具有明确临床价值的靶点,开展 15 项独立设计任务,每项任务只合成测试 13~50 个候选分子。


从百奥几何公布的数据看,GeoFlow V4 的平均湿实验命中率落在 34.6%,相比上一代 GeoFlow V3 有明显抬升。


更关键的一点是,过去多数团队基本只做较容易设计的小蛋白支架,V4 则在小蛋白、VHH 纳米抗体、全长 IgG 抗体、环肽这四类主流治疗分子形态上都拿到了阳性验证。亲和力整体进入纳摩尔至皮摩尔区间,最高一档的亲和力比上一代高出约 100 倍。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 7)


具体来看:


  • 小蛋白方面,面向肿瘤靶点 PD-L1 和 Nectin-4 设计的分子,亲和力分别为 278 pM 和 148 pM;

  • VHH 纳米抗体方面,针对多发性骨髓瘤靶点 BCMA 设计的纳米抗体,亲和力达到 598pM;

  • 自免方向上,针对 IL36R 靶点设计的 IgG 分子,亲和力为 458pM;

  • 疼痛领域里,针对短肽靶点 PACAP 设计的 IgG 分子,亲和力达到 15pM。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 8)


另一点也值得看:模型的设计能力正在往更复杂的靶点上走。


拿 GCGR、CCR8 这类 GPCR 靶点来说,它们属于多次跨膜蛋白,能被识别的胞外表面不大,构象柔性又偏高,从头设计的难度自然更高。


百奥几何披露的结果是,GeoFlow V4 面向 STEAP1、CCR8 和 GCGR 这三个多次跨膜靶点设计的抗体,都测出了细胞结合活性,表观 EC₅₀在 nM 级或更低。


针对 STEAP1,团队拿到了表观 EC₅₀ 达到 pM 级的结合分子,其细胞结合表现与临床分子 AMG 509 的 anti-STEAP1 端 IgG 相当,甚至更好。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 9)


这些结果的分量在于:设计对象不再局限于相对好处理的结构模型,而是推进到了更复杂的真实细胞环境。


话说回来,拿到结合分子,只是药物开发的起跑线。


一个候选分子要真正具备研发价值,还得过功能活性、种属交叉活性、特异性这几关,表达、纯度、热稳定性、多反应性等早期可开发性指标同样要逐一考察。


百奥几何针对 MC4R 环肽做的 cAMP 激动活性验证,则给模型围绕目标功能做分子设计提供了实验支撑。GeoFlow V4 设计的 16 个受测环肽里,13 个在细胞 cAMP 实验中显示出激动活性,占比超过 80%。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 10)


此外,百奥几何这次还放出了上百个 VHH 和 IgG 分子的早期可开发性数据。结合亲和力回答的是分子能不能有效识别目标;可开发性回答的则是另一个问题——这个分子有没有继续进入药物研发流程的基础。


数据显示:

  • 表达量方面,93% 的受测 VHH 与 96% 的受测 IgG 达到预设筛选标准;热稳定性上,Tm₁ 超 60℃ 的测试中,98% 的受测 VHH 与 99% 的受测 IgG 达标,热稳定性表现良好;纯度方面,受测 VHH 与 IgG 均有八成以上经 Protein A 一步纯化后单体占比超过 90%;非特异性结合测试中,94 个受测分子全部通过 dsDNA 和胰岛素非特异性检测,BVP-ELISA 检测通过率为 99%,整体表现优秀。


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 11)


百奥几何发布GeoFlow V4:AI制药从设计分子转向真正成药(配图 12)


这组数据相当扎实。从结合验证、功能检测,到早期可开发性评估,行业评价的标尺正在发生明显偏移。AI 蛋白质设计想证明的,已经不只是「生成出来的分子能够结合」,还进一步延伸到「功能活性和早期可开发性」这一层。


价值重估:在药物发现链条中,技术优势如何转化为商业想象力?


把 GeoFlow V4、GeoFlow-Code 和湿实验结果放回真实的药物发现流程里看,百奥几何这次的突破就不只是学术榜单上的数字成绩,它开始改变生物医药研发链条的效率和商业想象力。问题也随之而来:这些能力究竟能为药企的研发工作带来什么?


首先,从提供计算结果,到交付经过实验验证的候选分子,「海量盲筛」被压缩成了「精准交付」。


对药企来说,买下一个模型、拿到一批计算生成的蛋白质序列,都不是研发的终点。真正决定胜负的,是模型能不能交付符合成药需求的候选分子。


百奥几何正在尝试打通的,是从分子设计到真实实验验证的整条链条:命中率在攀升,结合亲和力达到皮摩尔级,细胞功能与早期可开发性也有实测数据,这些都为研发团队筛选、优化和推进候选分子提供了扎实依据。过去,成药性常常是研发后端才去检验的淘汰关卡,现在它被直接前置到了分子生成的源头。早期药物发现由此不再靠耗费数月预算的「碰运气」盲筛,转向可预期的工程化精准交付。


其次,分子模态与靶点的边界被打破,研发管线的选择空间随之拓宽。


传统研发模式下,针对不同疾病机理和靶点特性,药企往往要为小蛋白、环肽、纳米抗体和全长抗体分别搭建独立的技术平台与团队。百奥几何把四类分子纳入同一模型体系,并分别拿到了湿实验验证,研发团队的设计选择因此更多。


这意味着,面对一个具体靶点,药企与研发人员可以结合目标结构、预期作用机制和开发要求,去探索不同分子形态的可能性,不必过早把研发路线限定在一种方案上。


还有一点值得注意:研发能力具备了规模化推进的可能。


正如前文所述,研发效率大幅提升之后,同样的研发体系就有机会在更短时间内支持更多设计任务并行推进。


对 AI Native 生物科技公司来说,这件事的分量更重。研发效率高低,不只看模型单次能产出多少分子,还要看多个靶点能不能并行推进、设计策略能不能迅速调整、一套跑通的设计流程能不能搬到下一个项目里接着用。


自主编排系统接手了更多重复性的设计组织与评估工作之后,专家就能腾出精力,放到关键的科学判断和实验决策上。


说到底,变化发生在研发组织方式上。以前一个项目要投多少研发人员、花多少时间,跟人工组织流程的效率关系很大;如今 AI 能分担一部分设计、计算和评估,同等规模的团队就有机会同时推进更多项目。


AI for Science 接下来往哪走:自进化的生命科学研发系统。


从 GeoFlow V4 和 GeoFlow-Code 配合起来的表现看,百奥几何这次发布的分量其实不止于一个更大、更准的预测或设计模型,更像一次完整的系统级验证。基础模型完成了 Scaling 跃迁,专业 Harness 能自主组织并优化多轮设计策略,湿实验室又能持续针对多类分子给出亲和力与早期可开发性验证——到这一步,AI 蛋白质设计才真正从「单点算法工具」变成一套可工业化运转的研发系统。


不过百奥几何还想再往前一步:让这套研发系统在持续迭代中不断变强。这也是其探索 RSI(Recursive Self-Improvement,递归式自我改进)研发模式的重要方向。


传统研发流程里,计算设计和实验验证之间往往存在割裂。模型在计算环境中提出方案,研究人员再把其中一部分候选送进实验室,用实验结果判断当前设计成不成功。


RSI 的设想则不同:GeoFlow V4 提出设计假设,GeoFlow-Code 制定并执行设计计划,自动化实验室测试候选分子,实验数据被持续积累下来,成为后续项目的新依据。


实验室不再只是研发流程的终点,而成了整个系统持续运行的一部分。实验结果能反馈到后面的设计里,不同项目积累的数据也有机会复用,下一轮研发就能建立在更多真实实验经验之上。


这意味着 AI 的进步不只靠模型自身的训练和升级,还可以来自设计策略的调整、实验反馈的积累,以及研发流程的持续优化。


放到整个 AI for Science 领域看,行业竞争的维度也在变。


过去几年,AI 行业的竞争主要围绕模型 Scaling 展开:把数据规模、算力规模和模型参数做大,以此提升模型能力。可到了科学发现领域,光靠扩大模型规模解决不了所有问题。模型在计算机里表现再好,也得在真实世界中接受验证。


对药企和产业界来说,真正重要的始终是研发结果:设计出来的分子能不能进实验室,能不能达到早期开发要求,能不能为后续管线推进提供价值。


下一阶段,行业比拼的重心或许会挪到研发系统上。谁的模型能自主调度更复杂的任务,谁能让实验室更快给出反馈,谁能让每一轮研发攒下的数据真正反哺下一轮设计,这些才是关键。按这个思路看,AI Native 生物科技公司的长期竞争力,可能不再取决于手里有没有一个性能领先的模型,而在于能不能搭出一套持续发现、验证、优化分子的研发系统。



每一次设计都产出新的实验数据,每一次实验又可能成为下一轮研发的起点——到那时,AI 才有机会从科研工具变成持续创造研发价值的生产力系统。百奥几何想探的,是 AI 在生命科学里更深一层的应用边界:从「设计分子」到「理解细胞」,再到「干预疾病」。模型不断给出新的分子设计方案,实验不断带回真实生命系统的反馈,AI 的价值也就不再限于生成和预测,而是有机会介入药物发现的更多环节。



这或许才是 AI 制药更值得期待的样子:计算世界里每一次突破,都有机会在真实生命系统中得到验证,最终变成改善人类健康的新可能……


本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 计算医学补AI制药短板:十部门规划提出新路径

    AI制药发展到今天,出现了一个有些反直觉的现象。 一边,是模型能力的快速跃迁。AlphaFold之后,蛋白质结构预测已经发生根本变化,生成式AI开始进入蛋白设计、小分子设计、抗体发现,生命科学基础模型、大模型和科研智能体不断出现。2026年,OpenAI发布面向生物学、药物发现和转化医学的GPT-Rosalind。Is

    来源 AI 行业观察
  2. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  3. 欧洲央行首次将AI定性系统性风险:4万亿美元表外承诺敲响次贷警钟

    欧洲央行2026年11月金融稳定报告首次将AI估值过高列为系统性核心风险。报告显示,美国大科技企业表外承诺已超过4万亿美元,2025至2032年AI基础设施投资需求超过美国GDP的3%,2026年多数超大规模云计算企业自由现金流已转负。ECB副行长博里斯·武伊契奇明确警告银行与非银机构面临交叉传染风险,并将这轮AI债务

    来源 AI 行业观察
  4. 李书福谈AI时代大学:传统高校难适应,新型大学将涌现

    IT之家 11 月 20 日消息,据新浪财经睿见 Economy 报道,吉利控股集团董事长李书福今日在 2026 芯位教育论坛上表示,AI 时代的大学生活与传统大学有着划时代的区别,知识传播与教授方法已经发生根本性改变。 李书福说:“传统大学就像传统的百货公司、传统的超市,而人工智能时代诞生的大学,就像阿里巴巴、腾讯、

    来源 AI 行业观察
  5. 六款AI办公设备盘点:从智能记事本到AI摄像头,家庭办公室怎么选

    远程办公常态化让家庭办公室成为AI硬件的新战场。TechCrunch精选六款AI驱动设备——从智能记事本到AI网络摄像头,覆盖记录、沟通、照明与健康场景。本文梳理这些设备的核心功能与适用人群,并结合行业趋势分析AI办公硬件的演进逻辑:从单点工具走向场景协同,从效率提升转向体验重塑。对希望升级工作空间的用户而言,这是一份

    来源 AI 行业观察
  6. Snapchat Easy Lens CLI上线:AI助手可建AR滤镜

    11月18日(周三), Snapchat 宣布推出 Easy Lens CLI ,允许AR滤镜创作者直接调用 Claude Code 、Cursor和Codex等AI编码助手构建核心特效Lens,旨在降低AR内容创作门槛并将平台融入开发者现有工作流。 该工具基于网页与移动端单提示词生成滤镜的 Eas

    来源 AI 开发者社区
  7. AI代理成宕机新源头:旧容量模型为何失效?

    航空订票系统、银行平台、生产力工具近期接连宕机,看似彼此无关的巧合,网络安全专家却认为背后另有隐情。随着AI代理大规模接管自动化任务,其自主决策、高频调用与权限过大的特性,正把零散故障放大为系统性风险。这像极了当年让人闻之色变的“千年虫”,只不过这一次,问题出在会自己行动的AI身上。

    来源 AI 行业观察
  8. 三星高管回应AI投资:Neocloud风险有限,芯片短缺短期难解

    IT之家 11 月 20 日消息,据路透社当地时间 18 日报道,三星电子两位高管在本周举行的摩根士丹利会议上表示 Neocloud(新兴 AI 云服务企业)面临的不确定性对整体市场的影响有限,这轮 AI 投资基于实际需求而非投机。三星 DS(设备解决方案,半导体板块)部门经营战略总管负责人 Kim Yong-kwan

    来源 腾讯网
  9. Genesis AI两年融资42亿:只造40台机器人,估值233亿

    只造了约40台机器人,Genesis AI就拿下了5亿美元融资。 11月17日,这家硅谷机器人公司宣布完成5亿美元(约33亿元)A轮融资,投后估值达到35亿美元,约合人民币233亿元。 投资人名单相当豪华:英伟达、AMD Ventures、三星Next、HSG等机构入局,还有谷歌前CEO施密特、Zoom CEO袁征、雅

    来源 AI 行业观察
  10. TheSigil ID上线:AI智能体可自主申领数字身份证

    当 AI Agent 开始自主执行任务,它们是否也应该拥有一张属于自己的身份证? 近日,面向全球 AI Agent 的数字身份登记平台 TheSigil ID开放免费创世登记。与传统由开发者填写信息的注册方式不同,TheSigil ID 尝试让 AI 智能体自行阅读协议、选择名称、撰写身份声明,并通过开放接口完成登记,

    来源 AI 行业观察
  11. 苹果AI新布局:自研智能体操控Mac,对标四款竞品

    TechCrunch报道称,苹果似乎正在开发可在Mac上自主执行任务的AI智能体,直接对标Meta Muse、Instinct、Claude与OpenAI Dots等产品。这标志着苹果的AI战略正从Siri式的语音助手,转向能够理解目标、拆解步骤并操作用户界面的“行动型AI”。凭借软硬件一体化与端侧算力优势,

    来源 AI 科技快讯
  12. 谷歌AI智能体改一处代码成功率翻8倍:Harness自我优化研究

    IT之家 11 月 20 日消息,谷歌研究人员当地时间 11 月 17 日最新发表的研究论文《Harnesses That Improve Themselves》(《能够自我改进的 Harness》)显示,通过让 AI 智能体逐步修改自身运行框架,并对每次修改进行验证,可以显著提高软件工程任务的完成率。在一项 SWE-

    来源 腾讯网
向下滚动自动加载更多