Google DeepMind искал доказательства того, что ИИ ускоряет разработку самого ИИ. По оценке самой лаборатории, таких доказательств не нашлось.

В отчёте о безопасности Gemini 4 Argon, своей самой мощной модели, компания пришла к выводу, что исследования в области ИИ не движутся быстрее — несмотря на то, что теперь ИИ пишет большую часть кода, который выпускают инженеры DeepMind. Анализ не выявил статистически значимого ускорения темпов прогресса ИИ после 1 апреля 2026 года: индекс возможностей лаборатории растёт стабильно на 0,1 пункта в месяц. Компания называет его своей первой целостной эмпирической оценкой автоматизации и ускорения ML R&D.

Этот вывод противоречит сценарию, который напугал руководителей ИИ-компаний настолько, что те призывают к замедлению. Он называется рекурсивным самоулучшением: ИИ создаёт более умную версию себя, которая создаёт ещё более умную — до тех пор, пока прогресс не превзойдёт способность кого-либо тестировать, регулировать или отключать его. В отчёте это описано как «ситуация, в которой существующие меры предосторожности становятся глубоко недостаточными».

«В настоящее время нет значимого сквозного ускорения ML R&D — ни вызванного ИИ, ни иного», — написал Хайдн Белфилд, исследователь Google DeepMind, участвовавший в оценке, в треде на X. «Поэтому мы заключаем, что риск от основанного на ИИ ML R&D в настоящее время низок». ML R&D — сокращение от machine learning research and development, то есть исследований и разработок в области машинного обучения — работы по созданию новых ИИ-моделей.

1/9 In the Gemini 4 Argon Safety & Security Report, we published our first holistic empirical assessment of ML R&D automation and acceleration inside Google DeepMind — combining capability benchmarks, a macro capability index, data on AI-written code and trajectory outcomes, and… pic.twitter.com/Vr8Q5Obbsp

— Haydn Belfield (@HaydnBelfield) October 14, 2026

DeepMind отслеживает эту проблему, потому что «ИИ может ускорять рост передовых возможностей быстрее, чем безопасность, управление и адаптация общества успевают за ним», — написал Белфилд. Большая автоматизация также означает предоставление ИИ-агентам более широкого доступа к системам компании — и больше пространства для того, чтобы несогласованная модель (то есть преследующая цели, которые её создатели никогда не задумывали) могла причинить вред.

Стабильный рост, а не скачок

Для измерения прогресса команда создала GCI v1 — внутренний индекс, объединяющий результаты 123 ИИ-моделей по 92 бенчмаркам в одно число для каждой модели — фактически аналог IQ для ИИ. «Возможности флагманских моделей Gemini улучшались с замечательно стабильной скоростью около 0,1 пункта GCI в месяц», — написал Белфилд. Это различие важно, поскольку подлинное рекурсивное самоулучшение по определению проявилось бы как изгиб вверх именно на такой кривой.

На графике индекса в отчёте Gemini 1.5 Pro находится около 0,5 пункта в конце 2024 года, а Gemini 3.8 Flash — чуть выше 2,9 в сентябре 2026 года, при этом практически каждый следует прямой линии. Argon — единственная точка, выступающая над трендом, примерно на 3,3, хотя его интервал погрешности (диапазон, в котором может находиться его истинная оценка) опускается достаточно низко, чтобы коснуться линии тренда.

«Хотя Gemini 4 Argon находится выше [тренда], мы связываем это с увеличением вычислительных ресурсов и организационных инвестиций, а не с ускорением, вызванным ИИ», — написал Белфилд. Google представила Gemini 4 Argon 30 сентября.

Большая часть кода пишется ИИ, но человеком кто управляет

Большая часть производственного кода в DeepMind теперь более чем на 75% написана ИИ, а доля полностью делегированных pull-запросов (наборов изменений кода, отправляемых на проверку перед выпуском) выросла с 7,5% до 11,9% в период с апреля по сентябрь. Тем не менее, «примерно 88% pull-запросов по-прежнему требуют многошагового управления человеком или написания кода человеком — и изменения кода перед отправкой по-прежнему проходят проверку человеком», — написал Белфилд.

Опрос 12 старших руководителей и исследователей DeepMind показал, что автоматизация наиболее высока в «чётко определённых, проверяемых задачах исполнения» и наиболее низка в «открытой научной генерации идей, novel экспериментальном дизайне, диагностике тонких нестабильностей обучения и долгосрочном исследовательском чутье». Проще говоря, ИИ отлично исполняет инструкции, но плохо определяет, какие идеи стоят того, чтобы их развивать.

DeepMind также проанализировала 1 389 логов работы Argon в качестве агента внутри компании. Чем больше была задача, тем меньше вероятность, что модель справилась с ней самостоятельно, и тем чаще вмешивался человек. В целом Gemini 4 Argon решил лишь около половины завершённых им внутренних исследовательских инженерных задач — значительно ниже отметки в 90%, которую DeepMind считает красным флагом полной автоматизации. Этот опубликованный порог даёт читателям конкретный ориентир для оценки будущих заявлений о вышедшей из-под контроля автоматизации.

Контраргумент к предыдущим предупреждениям

Отчёт подкрепляет внутренними данными одну из сторон дебатов, которые до сих пор велись главным образом в форме предупреждений. Он вышел через месяц после того, как генеральный директор Anthropic Дарио Амодеи заявил, что рекурсивное самоулучшение уже ускоряется — предупреждение, которое поддержали Сэм Альтман и Илон Маск и которое обрушило акции чипмейкеров почти на 6%. За несколько дней до этого бывший инженер Anthropic Джейкоб Коксон ушёл из индустрии, предупредив, что ИИ может «убить нас всех к концу десятилетия».

Цифры DeepMind охватывают только его собственную лабораторию, и в отчёте отмечается, что нельзя исключать, будто неограниченная версия Argon превышает пороги опасности компании по кибератакам и информации о биологическом оружии.