Nowości
DeepMind: AI pisze ponad 75 procent kodu, ale nie przyspiesza badań nad AI
Raport bezpieczeństwa Gemini 4 Argon pokazuje, że w Google DeepMind AI pisze ponad 75 procent kodu produkcyjnego. Zespół nie widzi jednak mierzalnego przyspieszenia badań nad AI napędzanego przez samą AI.
Spis treści
Google DeepMind opisał w raporcie bezpieczeństwa, czy AI przyspiesza badania nad samą sobą. Wynik: mimo że AI pisze ponad 75 procent kodu produkcyjnego w laboratorium, zespół nie zaobserwował mierzalnego przyspieszenia badań nad AI napędzanego przez AI.
Co ustalił DeepMind
Wnioski pochodzą z raportu Safety & Security Report dla modelu Gemini 4 Argon, którego karta modelu została opublikowana 13 października 2026. Haydn Belfield z DeepMind opisał ustalenia 14 października. Według The Decoder zespół ocenia, że ryzyko związane z badaniami nad AI napędzanymi przez AI jest obecnie niskie.
Zespół zbudował General Capability Index (GCI), który łączy 123 modele i 92 benchmarki. Według niego możliwości modeli Gemini rosną w stałym tempie około 0,1 punktu GCI miesięcznie i, jak podaje DeepMind, bez statystycznie istotnego przyspieszenia.
Gemini 4 Argon leży nieco powyżej linii trendu. Autorzy przypisują to większej mocy obliczeniowej i inwestycjom organizacyjnym, a nie przyspieszeniu napędzanemu przez AI.
Kod pisany przez AI, decyzje przez ludzi
Ponad 75 procent kodu produkcyjnego jest pisane przez AI, ale około 88 procent zmian w kodzie nadal wymaga nadzoru lub przeglądu przez człowieka. Udział zmian w pełni oddelegowanych do AI wzrósł z 7,5 do 11,9 procent, a każdą zmianę przegląda człowiek, podaje The Decoder.
Analiza 1389 wewnętrznych przebiegów agentów Argon pokazała, że wraz z rosnącą złożonością zadania wyraźnie spada odsetek zakończonych bez udziału człowieka. W teście RE-Bench, obejmującym 74 realistyczne zadania inżynierii ML, Argon rozwiązuje około połowy, a Gemini 3.7 Flash 27 procent. To daleko od poziomu, jakiego wymagałaby pełna automatyzacja.
Ankieta wśród dwunastu starszych badaczy DeepMind wskazuje ten sam wzorzec: automatyzacja jest największa przy dobrze zdefiniowanych, weryfikowalnych zadaniach, a najmniejsza przy otwartej ideacji naukowej. Belfield dodaje, że ludzie pozostają niezbędni w kreatywnych badaniach, projektowaniu nowych eksperymentów, diagnozowaniu subtelnych niestabilności treningu i planowaniu długoterminowym.
Spór o samodoskonalącą się AI
Karta modelu Gemini 4 Argon na stronie DeepMind w tabeli Frontier Safety dla scenariusza utraty kontroli wskazuje dla poziomu „ML R&D acceleration level 1” status „CCL not reached”, czyli krytyczny próg zdolności nie został osiągnięty. To samo dotyczy poziomu automatyzacji badań ML.
Wniosek DeepMind kontrastuje z głosami z branży. The Decoder przypomina, że ponad 20 badaczy, w tym Geoffrey Hinton, Yoshua Bengio i Jakub Pachocki z OpenAI, ostrzegało w publikacji przed możliwą „eksplozją inteligencji”, w której AI mogłaby w ciągu kilku lat zautomatyzować całe badania nad AI.
Ograniczenia danych
To dane jednej firmy i jej własna ocena, bez niezależnej weryfikacji. Zespół deklaruje, że buduje infrastrukturę pomiarową, by wykryć ewentualne oznaki przyspieszenia. Dla polskich zespołów inżynierskich wniosek praktyczny jest ostrożny: nawet w laboratorium z dostępem do najnowszych modeli duża część pracy nad kodem wciąż wymaga człowieka.
