皮查伊发帖称 Google 以 AI 加速科学，聚焦健康、自然灾害与天气韧性、学习、经济机会

北京时间 9 月 16 日凌晨（Google 标注的发布日期为 9 月 15 日），Google 与 Alphabet 的 CEO 桑达尔·皮查伊（Sundar Pichai）在 X 发帖。帖文称，Google「今天已经阐明」它正如何构建 AI 来加速科学、改善人们的生活，并把努力集中在四个重点领域：健康、自然灾害与天气韧性、学习、经济机会。同日，Google 发布了由高级副总裁詹姆斯·马尼卡（James Manyika）署名的博文，给出了这一框架的完整版本。

帖文列举的四项近期成果包括：用 AlphaGenome Atlas 绘制人类基因组全部 90 亿种可能的单字母遗传变化，并向研究者开放；推出 WeatherNext 3，称其为迄今最准确、能力最强的全球天气 AI 模型；发布 AI & Economy ATLAS，称其全面、开放获取地呈现全球人们如何使用 AI；翻译方面，服务覆盖近 300 种语言、约 70 亿使用人口。以上均为 Google 的单方表述。

帖文与博文：四个方向的完整表述

这四个方向在博文里被展开为：让疾病可检测、可治疗、可预防；预测自然灾害；扩展学习；为更多人打开经济机会。马尼卡写道，把这些工作串起来的，是一个信念：AI 的进步能够加速科学进展，并直接改善人们今天与未来的生活。

博文还把这些成果放进更长的时间脉络：Google 称，曾获诺贝尔奖的 AlphaFold 已预测科学界已知的全部 2 亿种蛋白质结构，被 190 个国家的 400 万研究者使用；AlphaGenome Atlas 是在 AlphaFold 与 AlphaMissense 之上再加一层的工作。博文提到，自 2006 年以来，Google 已向 1,700 多家研究机构提供超过 10 亿美元支持。

AlphaGenome Atlas：预计算基因组单字母变异的效应

9 月 8 日，Google DeepMind 发布 AlphaGenome Atlas：一个覆盖人类基因组全部约 90 亿种单字母变化（单核苷酸变异）的效应预测平台。据 Google 的介绍，人类基因组由约 30 亿个碱基对组成；由于逐一在实验室验证所有可能变化并不现实，DeepMind 让 AlphaGenome 模型把预测预先算完，形成约 1 PB 的数据集，比 AlphaFold 数据库大 30 多倍。

为了让这份数据可用，图谱引入「AlphaGenome 变异影响」评分（AVI）：把 AlphaGenome 与用于预测蛋白质变异影响的 AlphaMissense 的预测合成单一数字，覆盖编码区（占基因组 2%）与非编码区（98%），并附带特征归因，指出每个变异的预测影响落在哪些分子过程上，如 RNA 剪接、基因表达。DeepMind 称，该评分在多项变异致病性与罕见病基准上属同类最佳。发布当天起，图谱通过无需编程的网站门户、AlphaGenome API 以及 Google Antigravity 中的一项技能开放；非商业用途通过网站免费使用，商业用途即将上线 Google Cloud。此前，AlphaGenome 基础模型已通过 GitHub 与 API 向学术界开放。

在 Nature 的报道中，DeepMind 产品经理 Dhavi Hariharan 说，自模型发布以来已有约 9,000 名研究者通过 API 使用其预测；对部分生物学家来说，写代码仍是一道门槛。柏林 Max Delbrück 分子医学中心的 Martin Kircher 称，这是「扩大强模型访问范围的一种有用而慷慨的方式」，同时指出它不会取代实验，在疾病诊断中也不会取代对个体差异的考量。巴塞罗那基因组调控中心的 Mafalda Dias 与 Jonathan Frazer 在给 Nature 的邮件中说，图谱「去掉了计算门槛，应该会成为有价值的资源」。DeepMind 团队负责人 Žiga Avsec 说：「去掉了摩擦，人们深入探索的好奇心也会增加。」

图谱发布时已有合作研究者的用例：据 Google 介绍，Broad Institute 的研究者用 AVI 评分从未解罕见病的候选变异中优先排序，锁定 DNM1 基因上的一个变异，预测它制造了错误的剪接位点，实验随后验证了这一判断；埃克塞特大学的 Gareth Hawkes 把它用于 54,000 多名 UK Biobank 参与者的数据，多找出 22% 的非编码遗传关联。

WeatherNext 3：每小时刷新的全球预报

9 月 3 日，Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为「迄今最先进、最准确的全球天气模型」，并把依据归结为第三方平台 Brightband 的独立实时评估。皮查伊帖文对这一方向的描述是：「数十亿个决定依赖天气预测。」

技术上的关键变化在于数据来源。多数 AI 天气模型，包括上一代 WeatherNext 2，以数值天气预报（NWP）的输出为训练数据，而这类超级计算机物理模拟存在约 6 小时的数据滞后；WeatherNext 3 改为直接消化全球地球静止卫星的实时拼接观测，把预报刷新频率提高到每小时一次。分辨率上，温度、湿度等地表变量可精细到 5 公里，其他地表变量 10 公里，风速等大气变量 25 公里；上一代是 25 公里网格、每 6 小时更新一次，Google 称新模型总体比它「精细约 5 倍」。

降水是这次主打的指标。按连续分级概率评分（CRPS）对比基准，其对 IMERG 的提升最高 60%、对 MRMS 为 30%、对雨量计测量为 10%（早期时效）；在 Google 产品内，提前一天以上的降水预报准确率最高提升 50%。从发布当天起，WeatherNext 3 开始为 Google 搜索、Gemini 应用、Google 地图、Maps Platform 天气 API 与 Earth Engine 的天气体验提供支持；预报数据可在 BigQuery、Earth Engine 中查询，或从 Cloud Storage 批量下载。博文还称，模型能为风能提供约 100 米高度的风速预测，并特别提到拉美、非洲与亚太等历史上高分辨率预报不足的地区。

同在博文的灾害预测部分，Google 还介绍了「行星预测引擎」（Earth AI Planetary Prediction Engine）：称其在刚果（金）正在发生的埃博拉疫情中提前识别出 83% 的新增热点区域，在尼日利亚把地区一级的粮食安全预测准确率翻倍，并在美国用 21 项 CDC 健康指标识别脆弱社区。博文附带的免责声明提醒，官方预报与警报仍以当地气象机构为准。

AI & Economy ATLAS：职业、国家与科学家的使用差异

ATLAS 的全称是 Activity, Task, Landscape, and Adoption Study，是 Google 一项长期开展的经济研究计划，用 Google 自家 AI 产品的使用数据观察 AI 在真实世界中的扩散。其第一版论文于 7 月 22 日提交，基于 Gemini 应用、Google AI Mode 与 Gemini API 上 1,500 万条去标识化交互，覆盖 800 多个职业、4,000 项任务、300 项家庭活动、150 个国家和 140 种语言。论文发现，AI 的使用已延伸到合计覆盖美国超过 88% 就业的职业，但渗透仍浅、以人机协作为主；全球范围内，英语查询只占约三分之一。

9 月 15 日，Google 发布 ATLAS 的新一批洞察与一个互动式、开放获取的体验界面；帖文里说的「发布 AI & Economy ATLAS」，对应的正是这次更新。新给出的观察包括：印度创意产业对 AI 的使用率高于其他地区，艺术、设计、媒体职业占该国工作相关 AI 使用的 19%，是全球平均的 1.6 倍；美国计算机与数学职业占工作相关 AI 使用的 30%，是其他地区的两倍；巴西与阿联酋的采用率高于其人均 GDP 对应的水平；巴西与德国有 7% 的工作 AI 使用用于实时设备诊断与故障排除（全球平均的 1.4 倍），日本为 4%。

同日发布的还有一项基于 ATLAS 的科学使用研究，由 Google、Google DeepMind 与 MIT FutureTech 合作，分析 2,600 个专用 AI 模型并调查 600 多名美国与英国科学家。Google 称，近半数受访科学家每天使用某种形式的 AI，大语言模型（如 Gemini）与专用模型承担不同任务，受访者报告每周因 AI 省下近 7 小时。

27 种非洲语言、600 万教育工作者与 1 亿人的技能培训

翻译是帖文列出的四项成果之一，也是博文开篇强调的「里程碑」：Google 称其技术如今支持近 300 种语言、覆盖约 70 亿人，相当于全球人口的 86%（博文开头另一处的口径是「超过 300 种」）；每月有超过 10 亿人借助 Google 的翻译功能处理约 1 万亿个词，长期目标是覆盖世界上使用最多的 1,000 种语言。语音数据的建设同步进行：Google 与 Makerere 大学、加纳大学、Digital Umuganda 合作开放了 27 种非洲语言的数据集，使用者超过 1 亿人；与印度科学研究所（IISc-Bangalore）及 ARTPARK 合作的 Project Vaani，开源了 109 种印度语言的语音与图像数据集。

在「学习」方向，Google 称已与 ISTE+ASCD 合作，为美国全部 600 万名教育工作者提供 AI 素养培训，并把「引导式学习」（Guided Learning）等工具列为个性化学习的路径。在「经济机会」方向，Google 称迄今已在全球投入超过 10 亿美元的培训与技能项目，帮助超过 1 亿人获得数字与 AI 技能。

Google 自己写下的限制与瓶颈

进展之外，博文也标注了若干限制。马尼卡写道，AI 的收益「并非必然」，让它成为现实、并缓解其挑战与风险，「需要社会共同努力」。具体到领域：学习方面，博文承认存在准确率、安全、批判性思维、作弊与学习损失等问题，「我们仍有很多要共同推进」；经济方面，博文称 AI 的经济收益「既非自动、也非必然」，预期部分岗位减少、部分岗位增长、更多岗位改变，并称「需要更有针对性的劳动者援助与转型支持」。博文还提到 AI 科学应用的独特风险：一方面，需要针对化学、生物、放射与核（CBRN）滥用的检测与缓解工具；另一方面，要避免「错失使用」，即该用 AI 的社区没有用上，反而加深既有差距。

ATLAS 的新研究记录了一条具体的限制：省下的时间可能不会立刻转化为新发现。研究同时发现，验证 AI 输出占用显著时间、待检验假设出现积压，物理实验与临床验证等环节出现瓶颈。

参考链接

• Sundar Pichai 在 X 的帖文（2026 年 9 月 15 日）
• Google 博文《Building AI to accelerate science and improve lives》（2026 年 9 月 15 日）
• Google DeepMind 博文《AlphaGenome Atlas: Molecular predictions for 9 Billion human DNA variants》（2026 年 9 月 8 日）
• Google 博文《AlphaGenome Atlas: a high-resolution map of human DNA》（2026 年 9 月 8 日）
• Nature 报道《DeepMind's new genome 'atlas' charts effects of all nine billion human gene mutations》（2026 年 9 月 9 日）
• Google 博文《Introducing WeatherNext 3, our most advanced and accurate global weather AI model》（2026 年 9 月 3 日）
• Google 博文《New insights from Google's AI & Economy ATLAS》（2026 年 9 月 15 日）
• arXiv 论文《Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy》（2026 年 7 月 22 日）