DeepMind用AI形式化验证Signal协议：3百万行Lean证明代码

DeepMind 给 Signal 协议做“数学体检”

Google DeepMind 最近做了件挺极客的事：用新的 AI 智能体 AlphaProof Code 生成整整三百万行 Lean 证明代码，对 Signal 的核心加密协议进行形式化验证。

过去说某个软件“安全”，多半靠测试和专家审查。形式化验证不一样，它用数学方法证明代码逻辑在理论上没有漏洞。这次被验证的是 Signal 的端到端加密协议，全球很多隐私通讯应用都建立在它之上。DeepMind 展示的这个案例说明，AI 开始有能力处理这种极高复杂度、容错率为零的软件安全属性检验。这不是跑个分，而是真的在帮工程师找那些人类肉眼容易忽略的逻辑死角。

Gemini 机器人不再只是“纸上谈兵”

之前的机器人模型大多还在实验室里叠衣服或者倒水，Google DeepMind 发布的 Gemini Robotics 2.5 把场景拉到了真实的工业环境。

灵巧度和安全性成了新版本升级的两条主线。Apollo 2 机器人被放到与 Apptronik、奔驰合作的演示里做汽车零件分拣，真实流水线情况复杂多变，它的分拣准确率仍有 96%。除了手脚麻利，这次更新还让模型学会辨认危险、主动躲开人，并且能防住“越狱”攻击。说到底，机器人不再只是封闭环境里那种机械臂，它开始具备在有人参与的复杂空间里独立干活的基本条件。

MiniMax 开源高像素图像模型

国内大模型厂商 MiniMax 开放了图像模型 H3-Image 的权重。这个模型的卖点很直接：分辨率高，速度快。

按官方给出的数据，H3-Image 生成一张 1600 万像素（约 4096×4096）的图像大约需要 10 秒。它不只做文生图，还能编辑图像，最多可输入 16 张参考图。设计师或开发者如果对素材质量要求高，开源权重带来的好处是部署更灵活——可以放到自己的服务器上，也能针对特定风格做微调，不必事事都走云端 API。眼下图像生成模型大多在拼“画得像”，MiniMax 把力气花在高清晰度和可控性上，这个方向确实踩中了实际需求。

蚂蚁灵波开源触觉基础模型

具身智能不仅要“看得清”，还要“摸得准”。蚂蚁集团旗下的灵波团队开源了通用触觉基础模型 LingBot-Touch。

预训练用了近 5000 小时的真实触觉数据。LingBot-Touch 的关键本事是把磁触觉、视触觉、压力传感器等多种传感器的表征统一起来。过去，不同机器人的机械手得各自单独校准触觉反馈；这个模型想做的，是搭出一层通用的触觉理解能力，让它在不同传感器、不同机械手乃至不同任务之间都能复用。抓易碎品、操作形状不规则的物体这类精细活，这一步很要紧——物体的物理属性，触觉反馈常常比视觉给得更直接。

Google 的 B 端与创意版图扩张

Google 最近在垂直行业和合作生态上动作频频。

面向医疗机构的那一版叫 Gemini for healthcare。医院里的数据往往东一块西一块：临床记录、运营数据、影像资料分散在不同系统中。这个专用版本要做的就是把这些数据汇到一起，再靠工作流自动化给医护人员减负，比如自动整理病历摘要、调度资源，好让医生把时间留给病人，而不是耗在填表上。

Google 与 Adobe 的合作范围也扩大了。Adobe 的创意和生产力工具会更深入地接进 Google 应用，Adobe 的 AI 能力同样会并入 Gemini。对创作者来说，以后或许能在 Google 的文档或协作平台里直接调用 Adobe 的专业图像处理、视频编辑能力，从灵感构思一路做到成品输出。巨头之间这样互相打通，企业级软件的使用边界正被重新划定。

其他值得关注的动态

• 千问办公 2.0 的 Team Agent：阿里通义千问把“Team Agent”模式带进了办公场景。实测中，多个智能体可以像编辑部那样协作完成团队级任务——一个去搜集资料，一个写初稿，再来一个校对格式。复杂的长流程办公任务，多智能体协作或许正是未来的解法。
• Hugging Face 的决策模型：Hugging Face 发布了关于 Decision Models 的介绍。虽然目前公开的细节不多，但这表明平台正在关注那些不仅会“生成内容”，还能根据环境做出“决策”的模型。这在游戏 NPC、自动化运维等领域有潜在价值。

这一周的 AI 进展，花哨的聊天功能少了，硬骨头多了：数学层面的代码验证、物理层面的触觉感知，还有工业场景里的真实落地。AI 正从“能说会道”转向“能干实事”。