Google DeepMind 称已看到递归自我改进早期迹象，寄望 Gemini 4 重回前沿竞争

据 analyticsindiamag.com 报道，Google DeepMind 技术人员 Logan Kilpatrick 在9月16日发布的 The Pomp Podcast 访谈中表示，Google 正在看到“递归自我改进”的早期迹象，也就是越来越强的模型反过来加速下一代模型的开发。

Kilpatrick 的这番表态，是在回应外界关于 Google 已经落后于其他前沿实验室的批评。他承认，考虑到外界对 Google 的期待，这种批评可以理解，但认为公司在 AI 研究与科学领域的广泛布局仍让它处在有利位置。他描述了一条反馈回路：AI 系统在改进 AI 本身所需要的工作上越来越有用，并称其他实验室也在看到同样的事情，这凸显了身处前沿的价值。

他用来支撑判断的证据之一，是 Gemini 的发布节奏：Gemini 3.5、3.6、3.7、3.8 几乎以三到四周为间隔接连推出。公开信息显示，Google 在7月发布了 Gemini 3.6 Flash，9月发布了 Gemini 3.8 Flash，并称后者是当时公司推理与编码能力最强的模型。

更关键的问题是，这套循环能否延续到尚未发布的 Gemini 4。Kilpatrick 表示，Google 希望这种改进能够以同样的方式传导到 Gemini 4，并称它将是公司迄今为止规模最大、最具野心的一次预训练。他还说，这款模型有望帮助 Google 重新回到与部分前沿实验室竞争的位置。

Google 已有的研究也被用来说明这种“用 AI 加速 AI”的策略。AlphaEvolve 被用于算法发现，并已被应用到数据中心调度、硬件设计和 AI 训练之中；按照 Google 的说法，它把一个用于 Gemini 的矩阵乘法内核提升了 23%，从而使 Gemini 的训练时间减少了 1%。

在方法层面，DeepMind 研究人员不久前公布了 Dream-RSI 框架：AI 智能体根据自身的发现历史构建“重放模拟器”，从而以较低成本离线测试成千上万种探索策略，再把表现最好的策略投入下一轮，让每一次发现历史都成为改进未来探索的模拟器。

递归改进也早已不只是访谈里的即兴说法。2026年6月的一份 Google DeepMind 报告在讨论从 AGI 走向超级智能的路径时，把递归改进列为四条可能路线之一，即从人类水平 AI 走向能力足以超越大型人类组织的系统。

递归自我改进正从远期议题进入模型发布节奏与技术叙事的中心，但当前所说的早期迹象，主要指 AI 在编码、实验、评测和算法发现等环节辅助研究人员，而不是模型自主改写自身权重。接下来值得关注的是，Gemini 4 能否真正体现这条循环，以及各实验室会用哪些可验证的指标来证明“AI 改进 AI”的实际收益。