谷歌称自我改进型 AI 还远未到来

2026-10-15

Google 工程师 Haydn Belfield 表示，自我改进型 AI 仍然遥遥无期，尽管大规模自动化已经在发生。据 Belfield 称，Google DeepMind 没有看到由 AI 自身驱动的 AI 研究出现可测量的加速。

但这并不意味着大规模自动化没有发生：AI 现在编写了超过 75% 的生产代码。但据 Belfield 称，约 88% 的代码改动仍需要人工监督或审查，每项改动在提交前都由人工审查。完全交给 AI 的代码改动比例从 7.5% 上升到 11.9%。任务越复杂、越耗时，AI 就越不可能自行处理。

在 1,389 次内部 Argon 智能体运行中，随着复杂度上升，无人工输入的运行成功率急剧下降。Belfield 说，人类在创造性研究、新实验设计、诊断细微的训练不稳定性以及长期规划方面仍然不可或缺。对十二位 DeepMind 资深研究人员的调查证实了这一模式：自动化在定义明确、可验证的任务上最高，在开放式科学构想上最低。

在 DeepMind 包含 74 项真实机器学习工程任务的内部基准 RE-Bench 上，Argon 解决了其中约一半。相比 Gemini 3.7 Flash 的 27% 是大幅提升，但仍远未达到完全自动化所需的近乎完美的表现。

为了系统地跟踪进展，团队构建了覆盖 123 个模型和 92 个基准的通用能力指数（GCI）。Gemini 模型能力以每月约 0.1 个 GCI 点的稳定速度增长，速度没有显著变化。团队将 Gemini 4 Argon 略高于趋势线归因于更多算力和组织投入，而不是 AI 驱动的加速。团队目前将 AI 驱动的研究自动化带来的风险评为低，但正在建设测量基础设施，以跟踪未来加速的迹象。

Belfield 的发现与近期研究一致，但并非领域内所有人都同意。包括 Geoffrey Hinton、Yoshua Bengio 和 OpenAI 的 Jakub Pachocki 在内的 20 多位 AI 研究人员最近在一篇研究论文中警告可能出现“智能爆炸”。他们认为，AI 系统可能在未来几年内自动化所有 AI 研发，把通常需要数年的进展压缩到几个月内。

Google 工程师 Haydn Belfield 披露内部数据：AI 已写下超过 75% 的生产代码，但完全交给 AI 的代码改动仅从 7.5% 升至 11.9%，约 88% 的改动仍需人工审查；DeepMind 也未观测到 AI 推动 AI 研究的可测量加速，能力以每月约 0.1 个 GCI 点稳定增长。

这是什么信号

这不是又一条“AI 取代程序员”的泛论，而是来自 Google DeepMind 内部的一组量化口径。Belfield 给出的三个数字构成了一条清晰的分界线：AI 已经写下超过 75% 的生产代码，但完全交由 AI 处理的代码改动比例只从 7.5% 升到 11.9%；约 88% 的改动仍然需要人工监督或审查，而且每次提交前必须有人复核。也就是说，写作环节的自动化程度很高，拍板环节的自动化程度很低。

第二组信号来自“速度”。DeepMind 用覆盖 123 个模型、92 个基准的通用能力指数（GCI）追踪进展，结论是 Gemini 能力以每月约 0.1 个 GCI 点稳步上升，速度没有显著变化；Gemini 4 Argon 略高于趋势线，被归因于更多算力与组织投入，而不是 AI 在加速 AI 研究本身。在包含 74 项真实 ML 工程任务的内部基准 RE-Bench 上，Argon 解决约一半，相比 Gemini 3.7 Flash 的 27% 是大幅跃升，但离“全自动化所需的近乎完美”仍有一段距离。

为什么重要

因为它把“AI 是否在自我改进”这个常被当成观点的争论，转成了可测量的工程问题。过去一年里，行业叙事主要由两种声音主导：一种是“智能爆炸几年内到来”，另一种是“AI 已经能独立完成大部分工作”。Belfield 的数据给出了一个更窄但更可信的中间地带：自动化确实在快速渗透，但渗透的是可验证、边界清晰的任务；一旦任务变得复杂、耗时、需要判断，AI 独立完成的成功率就急剧下降——1,389 次 Argon 运行中，无人工输入的成功率随复杂度上升而明显下滑。

这也解释了为什么“75% 的代码由 AI 写”和“88% 仍需人工审查”可以同时为真。代码生成是可验证任务，有成百上千个测试用例做裁判；而诊断一个细微的训练不稳定性、设计一个新实验、做长期技术规划，缺少即时反馈信号，AI 就失去了自我校验的抓手。DeepMind 对十二位资深研究人员的调查印证了同一模式：自动化程度在定义明确、可验证的任务上最高，在开放式科学构想上最低。

对谁有价值

对技术负责人：这组比例可以直接用来校准团队的 AI 投入预期——把预算压在“提效”而不是“减人”上，更符合当前的真实能力边界。对工程管理者：11.9% 与 88% 之间的差额，本质上是“审查带宽”这个新瓶颈，代码产出越快，review 越容易成为卡点。对做 AI 产品的人：可验证性是当前自动化率的最强预测变量，产品设计应当优先围绕有客观反馈信号的任务构建闭环。对关注 AI 风险与政策的读者：这是一份来自前沿实验室的“降温”证据，与 Hinton、Bengio、Pachocki 等人联署警告的“智能爆炸”构成正面对照，说明学界对曲线斜率尚无共识。

可以怎么行动

第一，给任务做可验证性分层：有明确测试、明确验收标准的任务可以大胆交给 AI；涉及架构取舍、故障归因、长期规划的任务保留人类主导，不要用同一套自动化指标考核。第二，把“审查带宽”当成基础设施来建——自动化测试、静态检查、变更分级，是把 88% 的人工审查成本压下来的唯一途径，而不是靠更强的模型。第三，建立自己的“GCI 式”度量：固定一组内部基准任务，按月测一次自动化成功率，而不是靠感觉判断进展。第四，对复杂任务保留强制人工把关环节，DeepMind 的做法是每次提交前由人复核，这条规则在复杂度上升时价值最大。

风险与限制

需要明确的是，这些数据来自单一实验室的内部口径，GCI 与 RE-Bench 的基准选择由 DeepMind 自己设定，外部无法交叉验证；Belfield 也承认团队目前把 AI 驱动的研究自动化风险评为“低”，但同时在建测量设施跟踪加速迹象，说明这是阶段性判断而非定论。RE-Bench 上“解一半”是显著进步，但基准任务与真实研发的分布差异可能低估长尾难度。更根本的分歧仍在：如果“智能爆炸”派是对的，线性外推会系统性低估未来斜率。因此这组数据适合用来校准当下预期与流程设计，不适合用来断言长期上限。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《谷歌称自我改进型 AI 还远未到来》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。