今日要闻
1. DeepMind 发布 AlphaGenome 2:把变异效应预测推进到具体细胞类型
Google DeepMind 于 2026-11-11 宣布 AlphaGenome 2,这是其新一代 DNA 序列模型,用于预测 DNA 序列及其变异会如何影响特定的人类细胞类型。官方写道,几乎人体内每个细胞都携带同一份 DNA 蓝图,但心肌细胞、皮肤细胞或正在抗感染的免疫细胞会开关不同的基因,同一处变异在不同细胞类型和状态下的效果可能完全不同。去年发布的 AlphaGenome 主要预测变异在粗粒度组织层面的分子活性,随后又以 AlphaGenome Atlas 预计算人类基因组中全部约 90 亿 处单碱基变化的效应;AlphaGenome 2 则把焦距从组织平均拉近到单个细胞类型和细胞状态,并重新设计了模型架构。
官方称,这一改动带来了「台阶式」的变异预测提升:模型在训练数据之外的基因组区域上,能解释同一组织内不同细胞类型之间更多的表达差异;在大规模单细胞图谱 TenK10K(涵盖 28 种原代免疫细胞类型)上,AlphaGenome 2 可靠识别出的因果变异比例约为 30%,方向性基因效应约为 43%,而经单细胞数据微调的初代 AlphaGenome 及其他专用工具分别为 16% 和 23%,即接近两倍。训练数据同时包含人和小鼠的批量与单细胞样本,官方在博客中写到「超过 1 亿个」细胞谱,并在后文给出超过 1.07 亿 个独立细胞谱、覆盖 68 种组织的更精确口径。架构上,初代模型对一份百万碱基的 DNA 序列并行预测数千项组织与细胞系实验;AlphaGenome 2 改为条件模型,一次只针对一种由组织、细胞类型或状态定义的条件做预测,并在架构的每一阶段把该条件作为输入,从而学习同一段 DNA 在不同细胞中被如何「读出」。条件化还使跨模态补全成为可能:研究者若只输入一种测量(例如单细胞基因活性),模型可以预测尚未测量的性质,如染色质可及性,以帮助决定下一步该做哪类实验。它还新增了甲基化这一被广泛要求的读出。
该模型也可在不重新训练的情况下泛化到全新的单细胞实验。科学家可以上传仅数十个细胞的单细胞 RNA 测序快照,模型会把基因活性压缩成细胞状态表示,再对未见过的状态做条件预测;官方称其表现可以匹配或超过直接在这些数据集上训练或微调的模型。例如,在一份此前未见过的 COVID-19 mRNA 疫苗研究单细胞数据上,它能区分疫苗激活的免疫 T 细胞与静息 T 细胞,并显示一处与重症相关的变异在激活状态下对基因活动的干扰更强——这种效应在未激活细胞中会被漏掉。官方还举例,模型在计算上复现了一项标志性研究:一处位于远处调控开关的变异,会在肠道巨噬细胞中过度激活 ETS2 基因并推动炎症性肠病(IBD),而对其他细胞类型和基因基本没有影响。为降低研究者自己跑大规模计算的门槛,DeepMind 还预计算了与性状相关的变异在数百种人类细胞与组织条件下的预测,用于在原代细胞中绘制增强子—基因连接,并帮助在身高到 2 型糖尿病等复杂性状中定位更可能的因果变异、靶基因和起作用的细胞类型。Human Cell Atlas 联合创始人、剑桥大学教授 Sarah Teichmann 表示,该模型令人兴奋之处在于能直接适应新的单细胞数据而无需再训练。Genomics Limited CEO Peter Donnelly 则称,序列预测模型是弥补全基因组关联研究(GWAS)信号与药物研发所需信息之间缺口的重要工具,并计划把它接入该公司的 Mystra 平台。
AlphaGenome 2 即日起通过 AlphaGenome API 向非商业研究开放,商业研究则为小范围预览;官方还预告将在智能体开发平台 Google Antigravity 中发布 AlphaGenome 2 Skills。DeepMind 明确提醒:AlphaGenome 与 AlphaGenome 2 仅供研究使用,尚未经过临床或诊断用途的验证或批准。
行业影响:
- 基因组模型的竞争点,正从「能不能给整条基因组打一个组织级分数」,转到「能不能指出变异在哪一种细胞、哪一种状态下起作用」;对罕见病、复杂性状和靶点选择来说,漏掉细胞类型就等于漏掉机制
- 条件化架构加上可上传自身单细胞数据、无需微调就泛化到未见状态,意味着静态细胞图谱开始变成可查询的预测引擎,实验设计也可以先问模型再决定下一步测什么
- 非商业 API 已开放,但官方把临床和诊断用途明确排除在外;药企和医院若要把它写进研发或诊疗流程,仍要走商业预览和独立验证,而不是把研究模型直接当诊断工具
来源:Google DeepMind · The Verge
2. Google 推出 Gemini Decisions API:一次前向传播评分最多 1000 个封闭选择题
Google 于 2026-11-11 发布 Gemini Decisions API,由新的专用模型 Gemini Decision 1(gemini-decision-1)驱动,已通过 Google AI Studio 中的 Gemini API 上线。官方把它定位为面向封闭集合决策的端点,适合工具选择、策略检查、模型路由和上下文评分这类有边界的判断,而不是再生成一段答案文本。开发者可以提交一份共享的多模态输入——文本、图像、音频、视频和 PDF,最长 25.6 万 token——并附上最多 1000 个相互独立的问题。Gemini Decision 1 不按 token 逐个解码答案,而是在一次前向传播中给候选选项打分,返回概率和介于 0 到 1 的置信度;官方给出的端到端时延为 150–250 毫秒,其中模型计算的中位时延为 50–100 毫秒,在最多 1.6 万 token 的上下文、以及每请求 1 到 100 个问题上几乎保持平稳。
问题类型有三种,可以在同一次请求里混合使用:noul(是/非)估计某一条件成立的概率,可附上真假判定标准;choice(选择题)从 2 到 255 个选项中选出获胜项,并返回每个候选的归一化概率;score(有序量表)按从 0 开始的量规打出连续加权分,并给出各档概率。每个答案都带置信度,应用可以把把握不足的样本转给后备模型或人工复核。定价为每百万输入 token $0.10、输出 token $0;共享输入只按一次计费,各问题只追加自己的指令和标准 token,也没有思维 token、单独的音频转写或 OCR 费用。官方称,在一组共享基准上,这套组合的成本约为使用 Interactions API 的 Gemini 3.5 Flash-Lite 的五分之一,校准误差也最低。Simon Willison 指出,该 API 的题型设计与 TypeSafe 的 Jev 几乎相同,甚至沿用了 Jev 对是非题所用的「noul」一词;价格与 OpenAI 基于 GPT-6 Luna 的决策模型相当,Jev 仍更便宜(每百万约 4.2 美分),但 Jev 只处理文本和 JSON,OpenAI 可处理文本和图像,Gemini Decision 1 则覆盖文本、图像、音频、视频和 PDF。
Google 已经把它用在自己的产品里:Gemini Notebook 用它做实时路由,把日常查询导向更合适的模型档和思考深度,官方称日常查询时延最多可降低 40%,把深度推理模型留给更难的任务;Stitch 的快速画布实验用它在数秒内生成可演示的线框,并几乎即时应用语音或点按修改;Google Labs 的 CC 用它从超过 200 个选项里选出表情反应;搜索则用它在时延预算内检测针对 MCP 工具的对抗行为。开发者可在 Google AI Studio 使用包含免费额度的层级做原型,免费档限额为每分钟 200 次请求、5 万 输入 token。生态集成正在向 OpenRouter、LangChain、Vercel、LiteLLM、Pydantic AI、Pipecat、LiveKit 和 OpenCode 铺开,Google Cloud 上的 Gemini 支持也已预告即将到来。
行业影响:
- 智能体栈里大量「选哪个工具、走哪条策略、这段上下文够不够好」的小判断,不必再为生成一段文字付输出费用,也不必为一次路由等上完整的解码循环;决策开始变成一种按输入计费、按毫秒返回数字的原语
- Google、OpenAI 和 Jev 已经在同一类 API 上对位,差异主要在模态覆盖和价格:谁能在文本之外稳定处理录音、影像和扫描件,谁就更接近理赔、客服和内容审核这些真实流水线
- 置信度被写成一等公民,意味着产品可以把「模型没把握」设计成转人工或转大模型的开关,而不是把每一个封闭选择都当成已经完成的决定
来源:Google 博客 · Simon Willison · VentureBeat
3. AWS 发布 AWS Emulator:官方称全部代码由自主智能体编写
AWS 于 2026-11-11 宣布推出 AWS Emulator,这是一个运行在开发者本机上的 AWS 本地模拟器。AWS CLI、AWS SDK 和编码智能体可以通过本机 HTTPS 端点,用与云上相同的 AWS API 发送请求。该工具没有额外服务费,只有在真正部署到 AWS 时才为云资源付费;源代码已放到 GitHub,并以知识共享 CC0 许可发布。Linux 可通过 RPM 或 Debian 包安装,macOS 与 Windows 则按文档用 Docker 运行,官方不提供现成镜像。模拟器用 Rust 实现,启动后在 127.0.0.1:9297 提供 HTTPS 服务,只监听本机,并在 ~/.aws/emulator/9297/ 写入自签证书、配置和凭据;访问密钥 ID 以 EMULATOR 开头,以区别于真实 AWS 密钥,并拒绝用其他密钥签名的请求。它支持 AWS API models 仓库中有 API 模型的服务,请求与错误的形状与云上一致;若某项操作尚未实现,会返回 HTTP 501,使测试立即失败。每个模拟器实例作为单一账号 000000000000 运行,不模拟跨账号或跨区域行为,也不像 AWS 那样评估 IAM 与基于资源的策略,因此云上会被拒绝的请求在模拟器里可能成功。官方提醒:不要用它来测试应用是否安全,并应在生产前于真实 AWS 上验证安全设置和完整应用。
更引人注目的是它的编写方式。AWS 新闻博客写道,该模拟器由智能体根据 AWS API 模型、借助 Amazon Bedrock AgentCore Runtime、AWS CodePipeline 和 AWS CodeCommit 构建并持续维护。AWS 高级首席工程师 Matthew Goldberg 在 About Amazon 的配套文章中写得更直白:数千个自主智能体编写了 AWS Emulator 的每一行代码,「我们的团队没有编写或审阅其中任何代码」。他把这项工作追溯到今年早些时候 Anthropic 展示智能体可自主构建 C 编译器之后的一次周末实验:先给 Kiro 一份基于 AWS CLI 的测试、让测试在真实 AWS 上通过,再实现能让同一组测试通过的内存版服务;15 分钟后得到了可用的 Amazon SQS 雏形,随后在周末扩展到更多服务。要把它做成可交给客户的产品,团队搭建了护栏,并把智能体分成三组:一组根据公开的 AWS API 模型设计场景测试并先在真实 AWS 上验证,从而积累数万条保真度测试;一组回放这些测试、对比模拟器与云上的差异并提交问题;第三组领取单个问题、修改代码,再通过编译、编码规范、安全审查和保真度回归等合并门禁。官方称每天可见数千个问题被修复,数百个智能体并发工作。安全性方面,独立的安全智能体会在修复过程中和发布流水线里对抗性审查变更。每个版本会公布各服务保真度测试的通过数(例如 50 项中通过 40 项),测试套件也已公开,包括尚未通过的条目。嵌入模式目前面向 AWS SDK for Rust,可在测试进程内实例化、彼此隔离状态并并行运行。
行业影响:
- 这是迄今最完整的「智能体在明确规范和参考实现下,交付可下载产品」的公开案例:规格是 AWS API 模型,参考实现是真实云,验收是先在 AWS 上通过、再要求模拟器逐条对齐的保真度测试
- 「团队未手写也未人工审阅代码」把工程师的工作从写实现,推到设计护栏、门禁和发布流程;代码能进主分支,靠的是测试和审查智能体,而不是人逐行点头
- 对日常开发的直接好处是编码智能体可以在本机创建表、写对象、跑集成测试,而不必等待一次真云部署;但 IAM 行为不一致、保真度因服务而异,意味着它是加快内循环的工具,不能替代上线前的云上验收
来源:AWS 新闻博客 · About Amazon
4. 据报 OpenAI 第三季度营收首次达到 100 亿美元,同期亏损 109 亿美元
据 Bloomberg 报道,并经 TechCrunch 与 Quartz 转述,OpenAI 在截至 9 月的第三季度营收达到 100 亿美元,这是该公司单季营收首次跨过这一门槛。数字大约比第二季度据报的 67 亿美元 高出近 50%,也接近上年同期的三倍。Bloomberg 称,OpenAI 在周二的投资者电话会上分享了这些数字,总裁 Greg Brockman 与首席财务官 Sarah Friar 出席;OpenAI 拒绝置评。营收增长的同时,亏损规模仍然巨大:Quartz 援引 Bloomberg 称,当季营业亏损为 109 亿美元;调整后营业利润率由第二季度的 -150% 收窄至第三季度的 -109%。公司还向投资者表示,截至 9 月底的年化营收约为 500 亿美元。Quartz 指出,此前被广泛引用的约 680 亿美元 口径包含了合作伙伴的总营收,而 OpenAI 自己的年化数字更低。
这些数字是在与 Anthropic 的对照中被阅读的。Bloomberg 称,Anthropic 第三季度营收约为 170 亿美元,较第二季度增长约 47%,而上一季度的增幅曾超过 140%。第二季度,Anthropic 已以约 116 亿美元 对 OpenAI 的 67 亿美元,首次在单季营收上超过对手。TechCrunch 还写道,Anthropic 称截至 10 月底的年化营收已在一个月内增加 100 亿美元,达到 810 亿美元;两家公司计算年化营收的方法并不相同,Anthropic 会计入云合作伙伴实现的销售,OpenAI 对部分通过合作伙伴的销售只计自己的分成。Quartz 并称,OpenAI 正在敲定一轮估值 1.25 万亿美元 的新融资,并已把上市时间推迟到明年,其中第一笔 110 亿美元 已经完成;Anthropic 则瞄准本月上市时约 1.4 万亿美元 的估值。
行业影响:
- 100 亿美元的单季营收证明需求仍在加速,但同期 109 亿美元的营业亏损说明:规模上来了,单位经济仍远未回到「做大就能自然赚钱」
- 利润率从 -150% 收到 -109%,是在改善,不是已经转正;和 Anthropic 约 170 亿美元的单季营收、以及更高的年化口径放在一起看,企业市场的领先位置并没有因为 OpenAI 回升而自动易手
- 两家都在用庞大的收入讲增长故事,又都依赖互不相同的年化算法;在 Anthropic 临近 IPO、OpenAI 估值约 1.25 万亿美元且推迟上市的时点,这些口径差异本身就会成为定价争论的一部分
来源:TechCrunch · Quartz
5. 台积电董事会批准各不超过 5 亿美元投资 Anthropic 与 OpenAI
台积电于 2026-11-10 公布董事会决议:批准以不超过 5 亿美元、按每股首次公开发行价格认购 Anthropic, PBC 的普通股;并以不超过 5 亿美元 认购 OpenAI Group PBC 的优先股。两项合计上限为 10 亿美元。同日还批准约 409.267 亿美元 的资本支出,主要用于先进制程产能安装与升级、先进封装及成熟/特色工艺产能、厂房与厂务系统,以及 2027 年研发与维持性资本开支;并批准不超过 5 亿美元 设立一家投资公司,对半导体产业及相关生态做战略投资。董事会同时通过 2026 年第三季财报与每股 9.0 新台币现金股利。Reuters 报道称,此举正值 Anthropic 将 IPO 发行价定在每股 70 至 78 美元、寻求最高约 1.4 万亿美元 估值前后;Ars Technica 转述《华尔街日报》的分析提醒,供应商、客户与被投公司之间的循环融资,会让市场更难判断 AI 相关硬件与服务的真实需求。
行业影响:
- 全球最大的合约晶圆厂不再只通过给英伟达等客户代工来分享 AI 需求,而是直接持有两家前沿实验室的股权:一边按 IPO 价买普通股,一边买尚未上市的优先股
- 约 409 亿美元的资本支出说明,对先进产能的加注仍在继续;入股则是在产能紧张、2027 年展望已趋谨慎的背景下,再下一层对长期需求的押注
- 循环投资会提振信心,也会让「订单有多少来自被投公司、又有多少是独立需求」变得更难拆开;对投资者来说,这既是绑定大客户的方式,也是需要单独追问的风险
来源:台积电董事会决议 · Reuters · Ars Technica
今日观察
昨天最值得分开看的两件事,都来自 Google,但它们服务的是完全不同的时间尺度。AlphaGenome 2 把「这段 DNA 会做什么」从组织平均推进到具体的细胞类型和状态:同一处变异,在静息免疫细胞里可能几乎看不出来,在疫苗激活的 T 细胞或肠道巨噬细胞里却能成为疾病机制的关键。DeepMind 给出的不是又一块通用智力榜,而是接近两倍的因果变异召回、可上传自身单细胞数据而无需微调,以及明确的边界——仅供研究,不能当诊断工具。Gemini Decisions API 则把时间尺度压到 150 到 250 毫秒:一次前向传播,对同一份文本、图像、音频、视频或 PDF 评最多 1000 道封闭题,输出是概率和置信度,不是一段话。Notebook 用它做路由,搜索用它做安全层,Stitch 用它改线框。一个是给科学家追细胞里的因果,一个是给应用在分支处做又快又便宜的判断。
AWS Emulator 把同一股「让智能体去做完整工作」的推力,用到了云厂商自己的开发者工具上。官方不仅说代码由智能体维护,还由一位首席工程师写明:每一行都由数千个自主智能体写成,团队没有手写,也没有人工审阅。护栏是清楚的——公开的 API 模型当规格,真实 AWS 当参考实现,先在云上通过的保真度测试当验收,再加安全审查门禁。它真正改变的也许不是又多了一个本地模拟器,而是工程师岗位的内容:人负责画好格子、守住合并条件,智能体在格子里日夜修问题。对使用者而言,编码智能体终于可以在本机对 DynamoDB 和 S3 做完整来回,而不必为一次试错等待部署;对行业而言,这是把「智能体写的代码能不能交给客户」从演示推进到了可下载的 GA 产品。
资金故事则把增长和代价放在同一张桌上。OpenAI 的单季营收第一次走到 100 亿美元,亏损却几乎同样大;利润率在改善,但距离盈利仍远。Anthropic 用另一套口径给出更高的季度营收和年化数字,并临近可能是史上最大之一的 IPO。台积电选择在这个时刻各拿出至多 5 亿美元,分别按发行价买入 Anthropic 普通股、买入 OpenAI 优先股,同时还批准了约 409 亿美元的扩产预算。代工厂要锁定的不只是下一张晶圆订单,还有下一代模型公司本身。增长仍在,循环投资也在加厚,真正要追问的是:这些数字有多少是彼此喂出来的需求,又有多少经得起一旦融资节奏放慢之后的检验。
