Google DeepMind内部审计：AI写了75%的代码，但AI研发本身没有加速

2026年10月15日，当Google DeepMind研究员Haydn Belfield在X上发出那条9条的线程时，AI行业最流行的一个假设，被它自己最有资格检验的人正面否定了。

这个假设是：AI会加速AI研发，然后更强的AI会以更快的速度继续加速，形成一个令人窒息的递归螺旋。这是让Dario Amodei公开呼吁AI行业放缓的核心理由，是Sam Altman和Elon Musk相继背书的那个警告，也是让芯片股在9月短暂下跌近6%的市场触发器。

DeepMind的内部审计结论简洁明确：「目前不存在ML R&D的显著端到端加速。我们因此得出结论，AI驱动的ML R&D风险目前较低。」

但这个结论背后隐藏的东西，比结论本身更加复杂也更加耐人寻味。理解它，需要从三个不同的角度深入进去。

第一角度：一个内部能力指数和一条让人意外的直线

DeepMind在发布Gemini 4 Argon安全报告时，将这份内部审计以附录形式一并公开。这是迄今为止AI实验室对自身内部AI化程度最系统、最透明的公开评估。审计的核心工具是GCI v1（Gemini Capability Index），一个将123个AI模型在92个基准测试上的表现融合为单一数字的综合能力指数——可以把它理解为AI的综合智力测试分数。

GCI图表所展示的，是一条让所有期待指数式增长的人都感到意外的直线：从Gemini 1.5 Pro（2024年底约0.5分）到Gemini 3.8 Flash（2026年9月约2.9分），几乎每个版本都整齐地落在同一条趋势线上，以约0.1 GCI点/月的速度稳定前进。没有指数弯折，没有突然跃升，只有一条安静的线性进展。

Gemini 4 Argon是唯一一个明显超出趋势线的点，约3.3分。Belfield直接解释了这个偏差的来源：「我们将这追溯到增加的算力和组织投入，而不是AI驱动的加速。」换句话说，Argon的额外能力来自于钱和人，而不是AI在自我强化。这个解释本身，就是对「AI加速AI」假设的第一个实证反驳。

递归自我改进假设的核心机制在于：一旦AI能够提升自身的研发效率，进展曲线就会从线性变为指数，超过任何人类机构的理解和管控速度。DeepMind的审计提供了迄今为止方法论最透明的实证数据，显示这个转折点在2026年10月尚未到来。

这个发现对AI行业的含义是深刻的。过去一年，「AI加速AI」的叙事驱动了大量资本配置决策——数据中心的指数级扩张、算力需求的爆炸性预期，都建立在这个叙事基础上。如果前沿AI实验室自己的内部测量显示进展仍然线性，那么关于「什么时候需要多少算力」的时间表，就需要更加谨慎的重新评估。

第二角度：75%的代码写作率和88%的人类参与率

这是审计中最能触发认知冲突的数字组合，也是当前AI研发自动化状态最准确的截面图：

DeepMind的生产代码中，超过75%已经由AI写作。与此同时，88%的代码pull request仍然需要人类进行多轮指导或直接参与编写代码。

两个数字同时为真，讲的却是完全不同的故事。

表面看，75%是一个很高的数字，足以让外界产生「AI正在主导工程工作」的印象。但88%这个数字告诉我们的是：在75%的情况下，AI写了代码；但在这75%里面，仍然有相当部分需要人类在中途介入、修正方向、补充上下文，才能得到最终提交的代码。真正完全委托给AI自主完成并提交的pull request，只有11.9%——而且这还是9月的最新数据，4月的数据是7.5%。

代码生成的AI化渗透率确实在持续上升，从7.5%到11.9%，半年内上涨约58%。但如果用这个增速做线性外推，到2027年底完全自主的PR也不会超过20%。更重要的是，DeepMind的报告暗示这种外推本身可能过于乐观——因为剩余80%以上代表的是更难以自动化的任务类型。

更根本的挑战在于任务的性质分布。Belfield引用了12位高级研究人员和领导者的访谈共识：AI自动化程度在「well-specified、可验证的执行性任务」中最高，即给定一个明确的规格说明，按照规格写出符合要求的代码；而在「开放式科学创意、新颖实验设计、诊断微妙的训练不稳定性、以及长周期的研究品位判断」等领域，AI的自动化程度是最低的。

这种分布揭示了一个深刻的不对称：AI研发中最容易被AI化的部分——编写已经想好的代码——正在快速被AI接管。而决定研发方向的那个部分——什么想法值得探索、什么异常信号意味着真正的问题、哪条路径在6个月后可能走入死胡同——这些判断力仍然高度依赖具有完整背景知识和研究直觉的人类研究员。

这个洞察对理解「AI加速AI」的讨论至关重要：即使AI在数量上承担了75%的代码工作，如果这75%对应的是研发工作的「执行尾部」而非「决策头部」，对整体研发速度的影响就会比直觉预期的小得多。代码是AI研发的工具，不是AI研发的大脑。工具被AI化了，但大脑还没有。

可以用一个比喻来帮助理解这个差异：假设一家软件公司有1000名员工，其中300人是程序员，另外700人是产品经理、设计师、测试工程师、运营等。现在AI替代了大部分程序员的代码编写工作，公司的代码产出能力翻倍。但如果产品决策、设计规格和优先级排列仍然需要人类来主导，公司真正能发布的有价值产品数量，并不会翻倍，因为瓶颈不在写代码，而在决定写什么。

DeepMind面临的正是同构的局限：AI写了75%的代码，但研究方向由谁来定、实验成败由谁来判断、下一个突破在哪里由谁来感知——这些仍然是人类研究员的工作。瓶颈已经从「写代码」转移到了「想清楚什么值得做」，而后者目前还无法被AI有效替代。

这也部分解释了为什么DeepMind12位高级研究员访谈中提到「人均会议时间增加」——不是因为效率下降，而是因为AI接管了执行层之后，决策层协调的重要性反而上升了。当每个人都有更多算力用于执行，决定执行方向的协调成本就成了新的瓶颈。这个现象，Anthropic在2026年10月17日发布的内部劳动力报告中也独立观察到了。

第三角度：Argon作为智能体的自我测验

DeepMind的审计还进行了另一个关键实验：让Argon以「智能体」模式在公司内部运行，并逐条回顾了1389条完整的任务执行日志。

结果呈现出一个规律性极强的模式：任务越复杂、研究周期越长，Argon独立完成的概率越低，人类介入的频率越高。在内部研究工程任务的完整评估中，Argon完成了给定测试集中大约一半的任务——而DeepMind将90%设定为触发「全面自动化风险」红灯的警戒门槛。

50%对90%，这个差距并非一个小的能力缺口。它代表的是：在AI研发中最需要自主判断的任务类型上，当前最强的DeepMind模型的独立胜任率，只有风险警戒门槛的一半多一点。即便是在2026年以全球AI研发能力最强之一著称的Google DeepMind的最先进模型上，这个结果依然如此。

这个数据还有另一个重要层面。Argon是Gemini 4系列中能力最强的模型，是目前在标准AI基准测试中排名最高的模型之一。如果连当前最强的AI模型在内部研究工程任务上的自主完成率也只有50%，那些基于宏观能力曲线推断「AI即将可以完全自主推进前沿研发」的论点，就需要面对这个更具体的反例了。

1389条日志的系统回顾，还让DeepMind得以建立关于智能体失败模式的清晰图谱。任务失败通常发生在以下几种情形：需要对之前研究结果的深度理解、需要在多个相互矛盾的子目标之间做出判断、需要识别并处理测试环境中的微妙异常、以及需要判断何时应该停下来求助而不是继续独立推进。这些失败模式的共同特点是：它们都涉及「判断不确定性」，而不仅仅是「执行特定操作」。

安全报告中不能忽视的另一面

这份审计不是单纯的乐观声明，它的诚实体现在同时承认了另一类风险。

同一份Gemini 4安全报告中，DeepMind对Argon的某些特定能力给出了高度关注的评级。在网络攻击辅助任务领域，Argon的能力水平已经达到了DeepMind内部风险框架中需要特别管控措施的等级。在生物武器相关信息的处理上，报告也标注了需要持续监测的担忧。

研究人员明确区分了两类风险：「ML R&D加速」风险目前较低，但「特定危险能力」风险需要认真对待。审计否定的是「AI加速AI研发」的近期风险，而不是AI所有方面的安全风险。Argon作为编程助手是革命性的工具；Argon作为自主AI研究员，还差得很远；但Argon在某些网络攻击辅助能力上的潜力，是一个完全独立的、需要持续跟踪的风险维度。

这种同时承认「当前AI研发加速风险较低」和「AI某些特定危险能力需要高度关注」的双轨表述，是这份审计最值得关注的方法论选择。它拒绝了那种将「AI目前安全」和「AI存在危险」对立起来的非此即彼框架，而是提供了一个更细粒度的风险图谱：不同类型的AI风险，处于不同的成熟程度，需要不同的应对策略。

Amodei与DeepMind的实证对话

DeepMind审计的发布时机，让这份文件不可避免地被解读为对Dario Amodei的直接回应。

就在审计发布的几周前，Amodei在一篇广泛传播的文章中论述了「递归自我改进已经开始加速」，这个判断得到了Sam Altman和Elon Musk的公开背书，并在媒体和市场上产生了显著影响。Anthropic的首席执行官从首席安全倡导者的位置发出这样的预警，分量非同小可。

DeepMind选择了完全不同的应对方式：不是发表同样基于宏观判断的反驳文章，而是公开一份系统的、方法论透明的内部数据评估。Belfield的X线程开篇就写道：「在Gemini 4 Argon安全报告中，我们发布了对DeepMind内部ML R&D自动化与加速的第一次整体实证评估——结合能力基准测试、宏观能力指数、AI写代码的数据和轨迹结果……」

「实证」这两个字是这里的关键。Amodei的论断基于宏观趋势的主观判断，这种判断具有内在的合理性，也是前沿实践者真实感知的反映。DeepMind的回应则是：我们测量了，这是数据，请看这条线。

两种方法各有局限。DeepMind的GCI v1是一个新工具，其对「真实AI研发能力」的代理效度还需要更多时间验证。DeepMind的审计只覆盖一个实验室，而OpenAI或Anthropic可能有不同的内部数据。但DeepMind路径的最大优势是可审计性——将测量工具、测量方法和测量结果一同公开，允许外部质疑和独立复现。

这种方法论上的开放性，也许是这份审计最重要的贡献。关于「AI是否正在加速AI研发」的讨论，不应该只靠各家创始人的主观判断，而应该有系统的实证积累。DeepMind的审计提供了第一个公开的基准。

对政策、投资与行业的含义

DeepMind的审计不只是技术文献，它对多个层面都有直接的现实含义。

监管政策层面：多项AI安全法案的紧迫性论证，都建立在「AI进展即将超出人类管控速度」的预设上。DeepMind的数据提供了另一个参照：进展确实持续，但当前仍是线性的，人类研究员仍然在研发的核心判断中不可或缺。这不意味着监管不重要，但可能影响监管方案中「立即行动」和「持续监测」的优先级排列。当我们说「AI可能在几年内失控」时，我们需要区分这是关于「AI研发加速」的担忧，还是关于「AI的特定危险能力」的担忧——两者需要完全不同的应对策略。

投资决策层面：「AI加速AI」的叙事，是推动数据中心支出指数增长预期的核心逻辑之一。如果这个转折点尚未到来，AI算力需求的增长更可能持续线性而非跳变指数。这不意味着需求不旺盛，但确实影响关于「什么时候需要多少算力」的时间表判断。AWS CFO John Felton在同一周发表的独家访谈中，以近5000亿美元的积压订单和3年内回本的服务器投资数据支持AI基础设施的可持续性论点——但这是关于「现有AI需求」的支撑，而非关于「AI加速AI」假设的验证。

AI公司人才战略层面：如果前沿研究中最难替代的部分是判断力和研究直觉，那么招募和留住具有这类能力的顶级研究员的竞争，只会在未来几年变得更加激烈。「AI能替代研发人员」的时间表，比某些乐观预测的要长得多。这个认知对人才招募策略、薪酬体系设计，以及AI辅助工具的研发路线图，都有直接的规划含义。

三层洞察

第一层：事实。DeepMind生产代码中75%以上由AI写作，但前沿AI能力以线性速度提升（0.1 GCI/月），Argon内部研究工程任务自主完成率约50%，远低于全自动化警戒门槛（90%）。完全委托给AI的pull request从7.5%升至11.9%，增幅实质但远未达到主导水平。

第二层：矛盾。高代码AI化率（75%）与稳定线性进展（0.1点/月）同时存在，看似矛盾，实则揭示了一个关键区分：AI正在高效化研发流程的执行层，但还没有替代研发的决策层。「AI写了更多代码」和「AI在推进AI研发本身」之间，有一道目前仍然清晰的分界线——这条线叫做「研究判断力」。

第三层：深层意义。如果AI研发的核心判断力——实验设计、方向选择、异常诊断——短期内无法被AI完全替代，那么最悲观的「AI在几年内完全失控加速」的场景的时间表就需要往后修正。但这不是说AI无害：Argon在网络攻击辅助能力上的「高度关注」评级提醒我们，AI的危险可能不通过自我复制加速，而是通过现有的专项危险能力被恶意使用来到来——这两类风险需要完全不同的应对策略。

结语：一条还在直线上的曲线

Belfield的线程最后写道：「目前不存在ML R&D的显著端到端加速。」

「目前」这两个字，是整份审计中最重要的时间戳。DeepMind没有说递归自我改进不会发生，只是说在2026年10月，在他们能测量的范围内，它还没有发生。GCI指数图上那条直线，仍然以每月0.1点的速度稳定攀升，没有变成抛物线。

DeepMind建立了GCI v1这个测量工具，并承诺持续跟踪。这意味着下一次版本发布时，我们会得到另一个数据点——它是继续线性，还是开始弯折。无论哪种结果，都将是整个AI发展史上迄今为止方法论最严格的公开记录之一。持续跟踪GCI v1的变化，将成为判断「递归自我改进何时出现」最可靠的公开信号之一，这也是这份审计工具性价值最大的地方。

对于正在讨论「AI何时会加速到不可控」的监管者、投资者和公众来说，DeepMind的这份审计提供了一个来自内部的、实证的参照系。在这个参照系里，2026年10月的AI写了很多代码，但还没有在加速自己的进化。这是当前最可靠的公开答案。答案有有效期，但在它失效之前，这是我们所拥有的最好数据。

深度延伸：当AI进入科学研究的核心，究竟需要多长时间

理解这份审计的深层含义，需要把它放在一个更长的时间框架里。

人类在科学研究中使用自动化工具，有一个漫长的演变历史：从最初的实验助理，到实验室仪器的自动化，到计算机辅助设计，再到今天的AI编程助手。每一次工具升级，都没有立刻替代研究判断力，而是解放了研究员的部分时间，让他们能够承担更多、更深层的研究工作。这是一个持续了几十年的历史规律：工具变强，研究员的效率提升，但研究判断力的不可替代性并没有随之消失，反而在工具更强大的环境中变得更加关键。

AI代码写作能力的成熟，正在重演这个历史过程的最新版本：研究员从写代码的工作中被解放出来，可以把更多精力放在思考研究方向和评估结果上。这是提高生产力的，但不是「AI取代研究员的第一步」，而是「给研究员更多时间做研究员该做的事」。当每天需要花六小时写代码的工作被AI承担，研究员有了更多时间去思考「下一步该如何设计实验」「这个异常是偶然误差还是真实的信号」——这些正是研究进步的真正来源。

这个视角让我们可以重新理解那个「75% AI写代码，但研究进展没有加速」的数据点。它可能不是「AI加速AI的尝试失败了」，而是「AI提高了研究员在每个单位时间内的产出，但研究的真正瓶颈从来就不是代码写作速度」。研究的瓶颈是「想出正确的想法，然后判断哪个值得追求」——这个工作无论给了研究员多少额外的代码写作工具，都不会自动完成。就像给了一个作家更快的打字机，不会让他写出更好的故事一样。

那么，AI什么时候才能真正影响「想法的生成和判断」这个最核心的研究环节？这是一个没有人现在能确定回答的问题，但DeepMind的数据给出了一个有价值的参照：截至2026年秋，Argon在「开放式科学创意」和「实验设计」这些领域的自动化程度是最低的。这不是因为Argon的智力不够高，而是因为这些任务需要的不只是「聪明」，还需要「领域直觉」——那种在某个研究领域浸泡数年形成的直觉判断，目前是AI最难复制的人类能力之一。这种直觉包含了大量隐性知识：知道哪些方向通常是死胡同，知道哪些异常信号通常意味着重大发现，知道当前研究社区还没有充分探索的边界在哪里。这些知识在任何语料库中都没有被显式记录，而是存在于有经验的研究员的判断模式中。

当前AI进展的平衡图景

这份审计，连同2026年整体的AI发展图景，描绘的是一个比「AI即将爆炸性加速」和「AI只是昙花一现」都更微妙的现实。

AI能力在持续进步，进步速度快到足以让每一两年就有新的重大能力出现：从GPT-4到GPT-6到Gemini 4，从基础文本生成到复杂代理任务，从实验室演示到大规模商业部署，每一代的能力都有实质性的跃升。这个进步速度足以持续改变很多行业的工作方式，值得认真对待。企业如果还没有认真考虑如何在工作流程中集成AI工具，在接下来几年可能会发现自己处于竞争劣势。

但「持续进步」和「递归自我加速直至失控」是根本不同的情形。前者是一条斜率稳定的直线，后者是一条不断变陡的曲线。DeepMind的数据，在他们能测量的范围内，看到的是前者。这个区别对于制定应对策略非常重要：如果是线性进步，「持续适应」是有效策略；如果是指数自我加速，可能需要更激进的预防措施。DeepMind的审计支持前者，并提供了追踪后者何时可能出现的监测框架。

这个平衡图景有一个重要的实践含义：监管者、企业和个人，不需要在「立刻采取紧急行动以应对即将到来的AI爆发」和「放松警惕因为风险只是炒作」这两种极端之间选择。他们可以选择一种更细致的立场：持续适应AI能力的稳定进步，认真对待AI的特定危险能力（网络攻击辅助等），同时对「递归自我改进」这种潜在的长期风险保持关注，但不需要立刻进入紧急应对模式。这种细致的立场，比两种极端都更难维持，但也比两种极端都更接近真实情况。

在等待下一次DeepMind能力评估更新的时间里，有一件事是确定的：这可能是AI研究史上第一次有机构选择将自己的内部AI研发进展指数完全公开，不是为了宣传营销，而是作为安全报告的有机组成部分。这种选择本身，就是一种治理姿态——告诉世界，我们正在测量这个问题，我们正在如实报告，我们认为外部审视是必要的。在一个充斥着关于AI进展的各种夸张叙事的媒体和市场环境中，这种基于可量化数据的谦逊和开放，是一种值得被AI研究界更广泛鼓励和传播的科学实践模式。

参考资料：

  • Google DeepMind Gemini 4 Argon Safety & Security Report, p.75: https://storage.googleapis.com/deepmind-media/gemini/gemini_4_safety_report.pdf#page=75
  • Haydn Belfield X线程 (2026-10-14): https://x.com/HaydnBelfield/status/2110394773521498535
  • Decrypt报道 (2026-10-15): https://decrypt.co/381061/google-deepmind-ai-isnt-building-itself-writes-most-code

本文基于公开报道和官方安全报告撰写。关键数据（GCI v1指数、75%代码写作率、88%人类参与率、7.5%-11.9%完全委托PR比例、50% Argon内部任务完成率）均直接引用官方文件原始数据。