google正在补齐
ai
成为长期研究伙伴所需要的三种能力
ai已经能写代码读论文
也能在几秒钟内
给出一套看起来完整的研究方案
但只要把任务从十分钟拉长到十小时
问题马上就会暴露
他会忘记前面验证过什么
会沿着错误方向反复试探
会把过时信息当成当前状态
也会在遇到专业数据
时突然失去判断力
模型回答的像专家
距离真正参与研究
还有很长的路要走
仍然隔着一整套运行系统
Google最近公布的三项进展
刚好对准了这三个缺口
antigravity teamwork负责组织多个
智能体长期协作skill state试图
解决长任务里的状态失控timesfm
3.0则把基础模型推进到时间序列
预测这种专业场景三者尚未被
Google宣布为一套已经集成的产品
但它们放在一起
透露出的方向很清楚
下一轮AI竞争重点开始从
模型一次能达多聪明
转向系统能不能连续
几天做对一件复杂的事
这也是研究伙伴
四个字真正难的地方
研究工作很少靠一次灵感直接完成
一个数学证明可能要
同时探索十几条路线
硬件模拟器需要
反复编译运行和对照
企业预测还要理解变量之间的关系
人类团队会分工会质疑会记录失败
也会在关键节点换方法
单个聊天窗口没有这些机制
再长的上下文也只是把
更多材料塞给同一个决策者
teamwork先动的是组织方式
普通的多智能体系统
通常由一个主智能体拆任务
再把工作交给几个子智能体
这个办法处理资料整理
和代码分工已经够用
碰到开放研究却
很容易出现危险局面
第一个智能体提出了一个方向
后面的智能体默认它是对的
所有人开始在同一条错误路线加速
参与者越多
错误反而包装的越完整
teamwork给不同任务设置
了不同的协作模式
不能拆开的代码问题进入
反复测试和修改的循环
可以拆开的工程任务交给
多个工作单元并行完成
再由批评者检查
数学证明则同时生成多套候选策略
每套策略旁边都安排
一个专门找漏洞的角色
系统还会根据任务
进展临时增加智能体
或者改变团队结构
任务开始时判断简单
做到一半发现复杂度上升
它可以继续扩张
而不是被最初的分工锁死
这里最值得注意的功能叫long proof
开放Google数学问题
经常出现一种情况
某条路线在前10步都很漂亮
做到第50步才发现
一个无法补救的漏洞
传统智能体可能已经把
这条路线写进长上下文
之后不断受到它的影响
long proof会让多条路线并行竞争
每一条都接受反驳者的压力测试
被否定的路线不会彻底消失
其中有用的局部想法会留下
失败原因则进入共享的陷阱记录
接下来系统把选中的策略拆成
带有依赖关系的子问题
能够同时处理的部分并行推进
必须等待前置结论的
部分按照顺序执行
每个子问题内部还会展开一轮候选
批评和综合
研究过程由此从一条不断变长
的思维链变成一张可以检查回
退和重新分配资源的工作网络
Google声称
这套方法参与处理了7项数学
和理论计算机科学开放问题
涉及稀疏凸优化
子空间近似向量嵌入
量化和矩阵分解等方向
5项结果形成了公开论文
大部分结论经过人类专家审查
new cycles相关证明则
使用Lin进行形式化验证
Google还报告Gemini3.7Flash和3.1Pro
配合long proof在TCS bench上达到71%
此前报告的成绩为67.7%七
七项成果的验证方式各不相同
题目数量反而次要
nutcycles可以把证明翻译进Lin
让形式系统逐步检查逻辑是否成立
稀疏凸优化和子空间近似则
需要领域专家判断问题设定
证明边界和既有文献之间的关系
AI能够生成一份很长的证明
不代表它自动知道自己
是否遗漏了学界默认条件
不同研究对象需要不同验收工具
这也是研究系统无法只靠
一个总评分解决的原因long proof
保留失败路线还有
一个容易被低估的价值
科研里的失败通常很贵
同一条思路可能被
不同研究者重复尝试
直到很晚才发现障碍
如果系统能够记录某
个引理为何不成立
哪个边界条件造成反例
下一轮搜索就能
绕开已经确认的死路
这个能力不会直接出现在答对率里
却可能决定系统能否在
几天后继续有效工作
但失败记录也会产生新的风险
一条路线被早期反驳
不代表它在修改假设后仍然无效
一个批评智能体给出的否定
本身也可能是错的
teamwork需要保留意义
又不能让错误意义
永久封死搜索空间
他公开展示了竞争
批评和综合的框架
怎样给不同意见分配权重
怎样在后续证据出现时恢复旧路线
仍是决定系统上限的细节
这些成绩有分量
也需要正确理解
71% 是在Google内部测试中的最高层级
部分研究任务使用的并行
规模高于公众版本的默认配置
公开用户可以在付费
Antigravity计划里调用teamwork预览
但不能据此认定普通
账户会复现所有研究结果
解决7个开放问题同样不该被
简化成AI独立完成7次数学突破
题目选择
资料边界结果验收和最终
责任仍然掌握在人类专家手中
它在工程任务上的
表现更容易看清价值
Google让teamwork从头构建了一个
乱序执行的risk v周期级模拟器
这个模拟器可以启动XV6操作系统
并运行100多项标准基准
研究团队把它与
boom处理器的参考结果比较
在未见过的工作负载上
平均周期对齐误差为0.71%
为了防止系统只是在输出
一个看起来能跑的项目
开发过程加入了两阶段验证
还使用与主环境隔离的
Spike进行持续所部对照
这类任务不靠一句高质量回答取胜
一个处理器模拟器涉及取指解码
乱序调度缓存异常处理和周期精度
任何一个模块的错误都可能
在几十万条指令之后才出现
teamwork能发挥作用
靠的是让不同角色负责
实现测试质疑和众合
并把验证嵌进工作流
模型本身提供推理能力
协作机制负责把这种
能力约束在工程流程里
更有说服力的证据来自开源项目
teamwork对Eigen和Polyhash
提出了性能优化
部分改动通过正常
代码审查进入上游项目
实验报告里的漂亮数字可以
受到环境和选择方式影响
外部维护者愿意接收代码
至少说明改动不只存在于演示页面
他开始碰到真实
软件世界最麻烦的部分
旧代码兼容性测试
要求和他人的审查意见
Polyhash的结果还展示了研究
伙伴与代码助手的差别
Google报告相关改动让64线程下的
初始插入吞吐量提高约两倍
单线程整体性能提高约1.5倍
与flat hash map相比
内存还减少约25%
性能优化往往存在交换条件
一处更快可能换来另一处更慢
一种数据分布有效
也可能在另一种负载下失灵
只有通过基准代码
审查和维护者判断
优化才有机会进入真实项目
这也是teamwork模式比自动生成
整个项目更值得关注的地方
研究和工程的价值
很少由代码行数决定
系统需要提出假设
选择测量方法
识别性能瓶颈
再接受外部审查
生成代码只是其中一步
Google把成果送进现有开源社区
相当于让智能体进入一个
由人类规则历史兼容性和
公开讨论组成的环境
难度远高于在封闭
演示里让测试全部变绿
teamwork解决了谁和谁一起做的问题
长任务还有另一个隐蔽故障
智能体每执行一步
通常都会把观察结果工具
输出和中间推理追加到对话
10步以后还能管理
100步以后
上下文就会变成混合了当前
事实过期结论和失败尝试的仓库
模型每次行动之前
都要重新从这堆
文字里恢复世界状态
人类做长期项目时
不会这样工作
工程师不会每天把几个月
的聊天记录从头读一遍
再猜代码现在编译到哪一步
团队会维护任务看板
测试状态
风险清单和当前分值
历史记录可以留档
下一步决策依赖的却是
一份清楚的当前状态
把这个尝试放进智能体运行时
每一步只给模型三类信息
固定的任务规范当前结构化
状态以及环境刚刚返回的新观察
模型完成推理后提出
状态修改和下一步动作
运行时先验证修改是否合法
再写入状态
那一轮中间推理随后被丢弃
不再跟着任务无限增长
这与传统的上下文压缩有根本区别
摘要方法仍然需要把
过去重新写成一段文字
信息可能在压缩时变形
模型也要判断摘要里
哪些内容仍然有效skill
state直接规定哪些
字段代表当前世界
例如安全挑战可以只
保留已经发现的标记
测试过的假设
活跃文件
当前目录和命令摘要
下一步行动读取这些字段
不必回放
全部终端输出
论文给出的复杂度变化很直接
传统追加历史的方式单次
输入会随着任务长度增长
累计TOKEN消耗可能
接近任务步数的平方
只要状态结构和最新
观察的大小受到限制
skill state每一步的提示
规模可以保持在固定范围
累计消耗随步数线性增加
任务从几十步拉到几百步时
这种差异会迅速放大
在一项100步的仓库任务里
Gemini3Flash使用普通react
方法取得84%的成功率
累计消耗约124万TOKEN
skill state把成功率提高到94%
累计TOKEN约6.5万
到了200步
react成功率下降到74%
skill state仍保持94%
论文在intercode CTF安全
任务上的结果也显示
skill state完成率为54.2%
它高于几种对照运行方式
同时把平均提示规模
和总token压了下来
更关键的实验是噪声测试
研究人员向任务环境加入
与状态无关的遥测信息
普通提示在噪声变多后明显恶化
因为无用信息也会一直留在历史里
skill state只把影响后续
行动的内容写进状态
所以成功率保持在接近完整水平
它展示了一条很实用的原则
长任务的可靠性不只
取决于模型能记住多少
还取决于系统敢不敢
丢掉已经没用的东西
这个方案也有明显代价
状态结构必须由人提前设计
如果某条早期信息当时看起来无关
后来才发现它很重要
而它又没有进入状态字段
这条线索可能已经丢失
需要完整审计轨迹
解释研究过程
或者回看思路变化的任务
也不能只保留当前状态
论文目前主要验证单智能体
多个智能体同时修改同一份状态时
会不会覆盖
冲突又该由谁裁决
仍然没有充分答案
论文对小模型的
失败分析进一步说明
结构化状态并不会自动带来可靠性
Gemma开放权重模型在100步
任务中只有42%的得分
68%的失败来自过早
覆盖或删除重要状态
20%属于结构和类型错误
还有12%是JSON语法问题
运行时可以拒绝格式错误的更新
却无法保证模型对什么
值得保留的判断正确
状态越短
写错一个字段造成
的影响可能越集中
承受系统因此需要
同时保存两层记录
决策层读取精简的当前状态
审计层保存完整日志
出现异常时能够追溯
前者控制成本和注意力
后者承担调查合规和复现
skilled state论文强调丢弃中间推理
适合追求执行效率
医疗金融和关键基础设施
可能要求更严格的留痕
怎样在隐私成本与可追责之间取舍
会决定它能进入哪些行业
状态结构的设计也
可能成为新的专业岗位
过去的提示工程关注
怎样把问题问清楚
长任务系统更需要
定义任务进行到哪一步
应该有哪些字段表示
供应链任务要记录订单
交付风险和库存约束
代码任务要记录分支测试和依赖
科研任务则要记录
假设证据和未解决问题
同一个模板无法覆盖所有领域
领域专家会重新进入系统设计中心
现有证据还不足以把skill state写成
teamwork已经采用的底层记忆系统
风控材料没有给出这种集成关系
它们分别击中了长期
智能体的两处故障
teamwork防止多个智能体集体
沿着错误方向自我强化
skill state防止任务
历史把当前判断淹没
未来的研究系统很可能
同时需要这两种能力
Google是否会把它们合并
仍要看后续产品和论文
第三项能力来自Timesfm 3.0
它看起来没有数学证明和
多智能体团队那么戏剧化
却可能最接近企业每天
真正要花钱解决的问题
大量现实决策建立在时间序列上
零售商要预测下周每家门店的销量
电网要估计明天每小时的负荷
云平台要提前分配容量
工厂要判断设备何时可能异常
语言模型擅长处理文字
时间序列要求模型理解趋势
周期突变变量联动和外部条件
一个预测错几个百分点
可能对应库存积压
能源浪费或者服务中断
传统做法往往给不同业务单独建模
某个商品用一套模型
另一个地区重新调参数
遇到节假日促销和
天气还要增加外生变量
这个流程需要数据
科学团队长期维护
模型迁移到新场景时也容易失效
时间序列基础模型
希望学习更通用的规律
用一个预训练模型
直接处理大量陌生任务
TIMESFM3.0大约有3亿参数
支持单变量和多变量预测
也能接收协变量
所谓多变量
是让模型同时理解
几个彼此影响的序列
例如价格销量库存和客流
协变量则可以分成两类
一类只有过去数据
另一类在未来已经知道
比如节假日安排电价
计划或者促销日程
这些信息进入预测后
模型才能区分正常
季节变化和真正异常
它采用Stack mixing Transformer架构
引入varied attention处理
不同变量之间的关系
归一化机制则用来减少
不同序列尺度带来的干扰
训练材料包括去除评测
重叠后的时间序列数据
也纳入截至2023年11月的
Wikipedia页面访问量
截至2022年底的Google Trends热门查询
合成数据和增强数据同样进入训练
这些细节说明
所谓通用预测能力依然
建立在大规模多来源序列上
时间序列模型最怕数据泄露
训练集如果包含评测其信息
或者同一序列的片段
同时进入训练和测试
排名会显得异常漂亮
Google特别说明
gift Evals训练数据排除了
与Fbench重叠的数据集
目的就是降低这种问题
即便如此
三个基准第一仍然属于发布方报告
企业部署前还要在自己的
时间跨度异常条件和业务
损失函数上重新验证
预测准确率也不能
单独决定业务价值
库存系统更关心缺货和
积压哪一种错误代价更高
电网预测必须关注极端峰值
金融公开则可能在意尾部事件
一个模型平均误差更低
未必在最昂贵的错误上表现更好
Timesfm提供分位数预测
让使用者看到不同可能区间
这比只交付一个单
点数字更适合决策
但最后仍需业务规则解释风险
Google列出了Fbench time Benchmark
和JIFF Evals三个主要
时间序列基础模型评测
并称TIMESFM3.0均排名第一
Fbench包含100项多样化现实预测任务
timebenchmark覆盖50个领域
数据集和98项评估任务
这个结果说明基础模型路线正在从
文本图像继续向企业数字世界扩张
timesfm的商业价值不止
来自一次预测精度
统一模型可以减少每个部门
重复训练和维护小模型的成本
也更适合被智能体调用
一个负责供应链的智能体
如果能够读取订单库存和物流数据
再调用时间序列模型生成预测
它才有机会提出可执行的采购方案
缺少这一层专业工具
通用智能体往往只能根据
文字描述给出宽泛建议
Google在这个方向还有分发优势
timesfm较早版本已经进入
bigqueryml和googlesheets等产品生态
企业不需要先搭一套全新
平台便可以在熟悉的数据
工具中接触预测能力
TIMESFM3.0公开了Pytorch权重和使用方式
但现有资料没有证明3.0权重已经
同步替换这些产品里的所有版本
产品整合能走多快
仍需以Google后续公告为准
许可证也是一个容易被忽略的限制
timesfm代码仓库采用
Apache2.03.0预训练权重
却使用单独的非商业许可证
研究者可以下载和实验
默认权重目前不允许用于商业生产
把它简单称为完全开源
企业拿来就能用
会误导观众
Google开放了能力展示和研究入口
同时保留了商业化控制权
把这三项工作放回同一张图
Google的策略开始显形
teamwork负责扩大搜索空间
让多个智能体竞争和互相纠错
skilled state试图控制长
任务的状态和成本
timesfm 3.0提供专业预测能力
协作状态专业工具
构成AI参与长期研究和
工程工作的三根支柱
这条路线也解释了为什么单纯
扩大模型参数带来的惊喜正在减少
模型可以在基准上更聪明
复杂项目仍然会被组织问题拖垮
给一个人更高智商
不代表他自动拥有实验室
项目管理制度和专业仪器
AI系统也一样
模型负责提出和判断
编排系统负责调度
状态系统负责记录当前事实
专业模型负责处理通用
语言能力覆盖不到的数据
Google在这一轮竞争里的优势
来自这些组件之间潜在的闭环
它有Gemini模型
也有antigravity这个智能体工作界面
cloud和bigquery可以承接企业数据
专业能力则覆盖科学代码和预测
只要这些产品真正连起来
Google出售的将是一套能进入研究
流程和生产系统的工作环境
聊天机器人只是其中一个入口
这个闭环真正形成后
用户的购买单位也会变化
企业过去按模型调用
次数购买智能能力
未来可能按完成的研究活动
工程任务或预测工作流付费
模型选择会退到系统内部
简单步骤调用Flash
困难判断切换Pro
时间序列交给timesfm
代码验证交给测试工具
客户关心的是任务有没有完成
证据是否充分
成本能否预测
Google已经在antigravity里提供
动态子智能体异步任务
定时执行和自定义角色
teamwork继续向上增加协作模式
他还把antigravity扩展到
命令行IDE和企业平台
每一个入口都在降低智能体
进入现有工作的迁移成本
研究人员不必为了使用
智能体放弃代码仓库
企业也不必把全部
数据搬进一个聊天网页
竞争对手当然会走同一方向
多智能体编排结构化
状态和专业模型都没有
只属于Google的理论壁垒
Google较难复制的部分是搜索
云办公套件开发工具和自
研模型形成的分发网络
技术领先可以被追赶
把能力送到企业已经
存在的数据和流程里
通常需要更长时间
潜力越大
成本问题越不能跳过
teamwork的高质量结果依赖
并行搜索和多轮验证
同一个问题同时运行十几条路线
会消耗更多推理资源Gemini 3.7
Flash的速度和价格可以降低门槛
却不会让算力成本消失
公开预览版本刻意在
能力和费用之间做平衡
也说明实验室里最大化智能的配置
很难直接成为每个用户的默认服务
企业还要面对另一种成本
skill点state需要设计状态结构
timesfm需要干净且有意义的数据
teamwork需要明确验收标准
公司如果连流程指标和
数据权限都没有理清
接入更多智能体只会把混乱自动化
研究伙伴能够加快一套好流程
也能更快执行一套错误流程
责任边界同样没有消失
数学证明可以交给Ling验证
代码可以用测试和上游审查把关
时间序列预测却经常
影响库存能源和资金配置
模型给出结果以后
谁确认数据没有偏差
谁判断异常是否来自制度变化
谁为错误决策承担后果
这些问题不能交给
一个置信度数字解决
Google在teamwork介绍中反复强调
人类仍然掌握目标和最终验收
这句话点出了当前系统成立的前提
智能体可以扩大候选方案数量
也能更快找漏洞
却不知道一个组织
真正愿意承担什么风险
研究方向的价值证据是否
足够结果何时可以进入现实
都需要有人签字
所以AI成为长期研究
伙伴的标志会很安静
他开始连续工作几天
知道当前项目处在哪一步
他能主动找人反驳自己的方案
也会调用合适的专业模型
避免用语言猜数字
他留下可检查的结果
也接受外部验证
某个模型宣布自己达到专家水平
证明不了这些能力
Google正在补齐的正是这些基础能力
teamwork让AI学会组织争论
skill state让它在长任务中保持清醒
Times FM3.0让它进入专业预测
三项技术还没有合成一个无缝系统
距离可信赖的研究伙伴也差
着权限安全责任和成本管理
但竞争的目标已经变了
过去的AI比赛看谁能在
一分钟里给出最惊艳的答案
接下来的比赛
要看谁能在100个步骤之后
仍然知道自己为什么这么做
能把结果交给专家复核
还能把整套流程控制
在可承受的成本里
Google这次释放的信号很明确
模型负责起步
产品要让智能长期
稳定并且专业的工作