Gemini 4 Neon零资产生成滑雪模拟器:AI真能凭代码复现勃朗峰地形?
Google DeepMind 用 Gemini 4 Neon 实时渲染勃朗峰滑雪场景,无需预制3D模型。Anthropic 数学家声称解决黎曼猜想引发数学界对 AI 证明可解释性的辩论。Rails 作者 DHH 认为 Linux 是 Agent 最佳载体,警告 Apple 可能沦为新时代的 AOL。Cognition
模型与工具:从实时渲染到记忆增强
Google
DeepMind 这回拿出的场景带着点极客式的浪漫:在 Antigravity 环境里跑最新的 Gemini 4 Neon 模型,一个基于勃朗峰真实地形的滑雪模拟器,竟在没有任何预制 3D 资产的情况下被直接生成出来。
放在过去,做这类仿真得请建模师先搭地形、贴纹理,再动手写物理引擎。
Gemini 4 Neon 这次的做法是让代码加自定义 shader(着色器)实时渲染出雪面刻痕与雪崩效果。用户能直接在线试玩,滑行反馈依托的是真实地理数据。它生成的不是一张图或一段视频,而是一个可交互的物理环境。对游戏开发和虚拟训练来说,这种“零素材启动”一旦成熟,原型制作的门槛会降下不少。
另一个动作是 Gemini App 的 GIF 生成功能,目前向美、日、韩、澳、加、英、德、法 8 国的订阅用户开放,底层由视频模型 Gemini Omni 1.2 Flash 驱动。用户在格式选择器里点选 GIF,就能把静态照片做成循环特效,或者拿来制作表情包。功能看着轻,可把视频生成能力下放到日常社交场景,正是模型普及的常见打法。
NVIDIA Research 则把目光投向了视频世界模型,提出 WorldTrace。现有这类模型有个核心痛点:场景“记不住”。让它生成一段视频,每一帧可能都挺逼真,前后逻辑却接不上,重访同一个地点时场景已经变了样。
WorldTrace 的做法是不重新训练模型,就能让视频世界模型记住场景结构。在场景召回基准 LoopBench 上,重访召回率被提升了 32%。这项技术将于 NeurIPS 2026 发表。虚拟世界构建、长视频生成这类需要长期一致性的应用,拿到的这种“记忆增强”比单纯堆分辨率更有价值。
行业争议:AI 证明的数学题,人类看得懂吗?
数学圈最近炸了锅。François Chollet 转发了一篇《科学美国人》的报道,报道称
Anthropic 的一位数学家宣称,公司内部的 AI 已经解决了黎曼猜想。
黎曼猜想在希尔伯特23个问题里是唯一没被解决的那个,也是克雷数学研究所七个千禧年大奖难题之一。若属实,这会是数学史上的里程碑。可眼下听到的反应不是欢呼,而是警惕。
症结在“可解释性”。a16z 的讨论中,Ittai Abraham 点出一个关键矛盾:AI 可以给出一个在 Lean(一种交互式定理证明助手)中通过的证明,人类数学家却看不懂这个证明的逻辑链条。
传统数学证明的价值,不光在结论正确,更在过程中长出的新思想、新方法。AI 要是丢出一个黑盒证明,验证者只能确认“它是对的”,却说不清“为什么对”,这样的证明对数学发展能有多大推动就存疑了。该结果目前仍待独立验证。说到底,这场争论问的是 AI 在科学发现里到底扮演什么角色:辅助工具,还是已经变成了我们无法理解的“神谕”?
Agent 落地:从个人开发者到企业治理
Cognition 推出的是 Devin Bots,并非单个 Agent,而是一套由主 bot 统领多个子 agent 完成任务的架构。知名数学可视化项目 Manim 的作者 Grant Sanderson(3Blue1Brown 创始人)已经建起一个 Devin Bot 来维护 Manim 项目。
Manim 有 96.6k GitHub Star,月下载量 25 万次,算得上典型的中型开源项目。Agent 介入维护,意味着代码审查、文档更新、Issue 分类这些重复性工作可能被自动化。这也是 Agent 从“玩具演示”转向“生产力工具”的一个信号:它开始接手具体的、有责任的工程任务。
企业那边,BMW Group 在 AWS 博客上披露了治理数百个 Agent 的做法。面对数千名开发者,宝马没让 Agent 野蛮生长,而是搭了一套涵盖权限、生命周期和合规管理的治理框架。企业级 Agent 落地的真实瓶颈由此露了出来:技术能不能跑通不是关键,怎么管才是。谁有权创建 Agent?Agent 能访问哪些数据?出错谁负责?
宝马这个例子说明,想上大规模 Agent,前提是治理体系得足够严;少了这一层,等来的就是安全事故。
操作系统之争:Linux 是 Agent 的天选之子?
Rails 框架作者 DHH(David Heinemeier Hansson)在 a16z 访谈中抛出过一个观点:Linux 历史上的缺点,恰恰让它成了 Agent 的最佳载体。
他正在做一个 agent-first 的发行版 Omarchy。在他看来,Agent 喜欢三样东西:
- 终端化:命令行接口比图形界面更易于程序解析和操作。
- 可预测的配置文件:文本格式的配置文件比注册表或二进制设置更容易被 AI 读取和修改。
- 详细的报错信息:清晰的错误日志能让 Agent 自我调试。
相比之下,macOS 或 Windows 的图形界面隐藏了太多细节,权限模型也复杂。DHH 甚至警告,Apple 如果不调整策略,可能在 Agent 时代沦为 AOL——一个封闭、过时、被边缘化的平台。
这番话指向的是人机交互范式正在换轨。过去几十年,操作系统围着“人”的体验下功夫:图标要直观,动画要顺滑。可到了 Agent 时代,坐在屏幕前的主要“用户”很可能是 AI。OS 要是不替 AI 做优化,结局就跟当年那些没为移动端适配的网站一样——被新一代应用生态甩下。
不过 Linux 阵营本身也很零散。Omarchy 想做的,是给出一套面向 Agent 原生设计的统一标准环境,把这个问题接住。围绕“Agent OS”的摸索才刚起步,可方向已经摆在那里:将来的操作系统,恐怕得同时让人类和机器都满意。
结语
Gemini 能实时渲染,Anthropic 拿下了数学证明,BMW 则在管 Agent,把这几件事放在一起看,2026 年末的 AI 行业露出一种分化:模型能力在创意和逻辑的极端场景里一再越界,工程化和治理反倒成了落地时绕不开的卡点。AI 早已不只是聊天机器人或画图工具,它正走进物理仿真、数学证明和企业工作流的中枢。麻烦也跟着来——一个解释不清的证明,我们凭什么信?一个自己拿主意的 Agent,该怎么管?一套既要对人友好、又要对 AI 友好的操作系统,又该怎么设计?
这些疑问眼下都没有标准答案。可每试一次,都会给下一个十年的技术格局添上一笔。