近日，谷歌DeepMind的工程师海顿·贝尔菲尔德对外披露了一组数据：谷歌内部超过75%的生产代码由AI编写。这听起来像是AI已经深度介入研发工作。

但贝尔菲尔德同时给出了另一组数字：约88%的代码变更仍然需要人工监督或审查，每一次变更在提交前都必须经过人工审核。完全委托给AI的代码变更比例从7.5%上升到了11.9%。

75%和11.9%之间的差距，就是当下AI自我改进能力的真实边界。

越复杂的任务，AI越难独立完成

贝尔菲尔德披露的数据来自谷歌内部的实际运营。据他介绍，谷歌DeepMind并未发现AI本身驱动的AI研究出现可衡量的加速。自动化程度确实在显著提高，但距离“AI自己改进自己”仍有相当距离。

这个判断在谷歌内部的基准测试中得到了验证。在1389次Argon内部智能体运行测试中，随着任务复杂性的增加，无人干预的成功率急剧下降。任务越复杂、越耗时，AI就越难独立完成。

在DeepMind内部的基准测试RE-Bench中——包含74个真实的机器学习工程任务——Argon能够解决大约一半的任务。这比Gemini 3.7 Flash的27%有了显著提升，但距离完全自动化所需的近乎完美的性能仍有相当大的差距。

贝尔菲尔德表示，人类在创造性研究、新颖的实验设计、诊断细微的训练不稳定性以及长期规划方面仍然至关重要。一项针对12位DeepMind高级研究人员的调查证实了这一模式：自动化程度最高的是定义明确、可验证的任务，最低的是开放式的科学构思。

换句话说，AI能做好“按图施工”，但做不了“画图纸”。

通用能力指数的增长没有加速

为了系统性地跟踪进展，谷歌团队构建了一个涵盖123个模型和92个基准测试的通用能力指数。数据显示，Gemini模型的能力正以每月约0.1个GCI点的稳定速度增长，速度没有显著变化。

团队认为，Gemini 4 Argon的性能略高于趋势线，但这主要归功于计算能力和组织投入的增加，而非AI驱动的加速。这是一个关键的区分：模型的进步来自“人类投入更多资源”，而不是“AI自己变聪明了”。

目前，该团队认为AI驱动的研究自动化带来的风险较低，但正在构建测量基础设施，以跟踪未来加速发展的迹象。

但另一群人不同意

贝尔菲尔德的研究结果与近期多项研究相符，但并非所有业内人士都认同这一判断。

包括杰弗里·辛顿、约书亚·本吉奥和OpenAI的雅库布·帕乔基在内的20多位AI研究人员近期在一篇研究论文中警告称，AI领域可能出现“智能爆炸”。这篇题为《What if automating AI R&D triggers an intelligence explosion?》的论文由剑桥人工智能科学与政策项目发表，参与撰写的22位作者包括两位AI教父、强化学习先驱安德鲁·巴托、OpenAI首席科学家帕乔基以及Anthropic联合创始人杰克·克拉克。

论文的核心判断是：一旦AI能完整参与研发下一代AI，递归自我改进就可能真正闭环。AI研发自动化一旦越过某个临界点，几年才能完成的AI进步，有可能被压缩到几个月，甚至更短。极端情况下，今天一年完成的AI进步，未来可能只需要约5周。

论文引用的数据包括：2025年1月AI生成的获批代码还只有低个位数比例，到2026年5月这一比例已超过80%。2026年3月，Claude能够在仅接受高层次人类监督的情况下自主完成约1%的研发工作；到同年8月，这个数字已经升到了26%。半年左右翻了二十多倍。

论文也指出，Anthropic自己强调，目前Claude还没有在哪一类被测AI研发工作上达到完全无人监督的水平。但这个趋势本身已经足够引发警惕。

75%与88%之间的真相

两边的数据并不矛盾，它们描述的是同一件事的不同切面。

谷歌的75%指的是“AI参与编写的代码比例”——AI写了一段代码，人类审核后通过。Hinton论文引用的80%也是类似的统计口径。而贝尔菲尔德的88%指的是“需要人工监督或审查的代码变更比例”。这两个数字放在一起看：AI写的代码很多，但AI独立完成的代码变更很少。

这个差距指向一个核心问题：AI目前能做的是“辅助”，不是“自主”。它能生成大量的候选方案，但判断哪个方案正确、哪个方案安全、哪个方案值得提交，仍然需要人来做。

谷歌在RE-Bench测试中的结果也印证了这一点：Argon能解决约一半的任务，意味着另一半任务仍然需要人类参与。在开放式科学构思上，AI的贡献几乎可以忽略不计。

Hinton等人的论文也承认，AI研发自动化目前仍处于早期阶段。但他们的关注点不在这里。他们的论点是：一旦越过某个临界点，变化可能来得非常快。而谷歌的立场是：我们还没到那个临界点，而且我们有数据证明增长曲线是线性的，不是指数级的。

企业界的AI代码生成：已经在发生的自动化 无论学术界的争论如何，企业界对AI代码生成的采用已经在加速。

根据New Relic发布的《2026年AI编程状态报告》，67%的受访技术主管表示，AI目前生成或显著重构了他们组织每周代码产出的51%至75%。报告还援引多家公司的数据：微软报告AI编写了其30%的代码库，Salesforce CEO马克·贝尼奥夫估计AI代理目前承担了30%至50%的工作量，Meta为2026年设定的目标是50%。

谷歌的75%在所有大型科技公司中是最高的。但报告同时揭示了一个矛盾：94%的受访者认为AI生成的代码在审查时质量高于人类编写的代码，但一旦部署到生产环境，78%的人报告了更多的事故，86%的人报告了更多需要高级工程师介入的紧急修复。

这意味着，AI生成的代码在被审查时看起来很好，但在真实生产环境中表现不佳。这个差距——审查评估与生产表现之间的差距——正是当前AI自我改进能力的核心瓶颈。AI能写出看起来对的代码，但判断它是否真的对，仍然需要人类。

资本市场已经在为RSI定价

尽管技术上距离还很远，资本市场已经开始将“递归自我改进”作为一个投资叙事来定价。

德意志银行近期发布的研究报告指出，如果AI能够持续扩大计算规模，并实现真正的递归自我改进，其能力可能进入加速增长阶段，到2030年出现全面超越人类专家的超级人工智能并非不可能。报告同时承认，规模定律能否持续有效仍存争议，真正的递归自我改进尚待实现。

RSI概念在2026年下半年迅速升温。据钛媒体报道，相关讨论引发的观感不一，但资本市场的反馈相对积极。对“减速”的焦虑短暂导致波动后即被抛诸脑后，RSI叙事迅速被推向前台，加之Meta发布消费级个人AI代理Muse等事件，让此前因AI厂ARR增速放缓等承压的美股科技板块明显回暖。

全球自我改进AI系统市场预计在2025年至2030年间增长约695亿美元，复合年增长率38.8%。AI编程初创公司的估值也在飙升：Cursor正在以超过500亿美元的估值洽谈融资，Cognition AI的投后估值达到260亿美元。

测量的意义

回到谷歌团队的工作。贝尔菲尔德说，他们正在构建测量基础设施，以跟踪未来加速发展的迹象。这句话的分量比表面上看起来更重。

如果AI自我改进真的即将到来，那么越早建立测量能力，就越早能识别出加速的迹象。如果不会到来，这些测量数据也能为公众和监管者提供可靠的依据，防止市场被过度的叙事推着走。

目前的数据是清晰的：AI编写了75%的代码，但只有11.9%的代码变更被完全委托给AI。这个差距本身就是一个信号——它告诉我们，AI离“自己改进自己”还有多远。

但这个信号能持续多久，没有人能给出确切答案。Hinton们的警告和谷歌的测量，本质上是在做同一件事：为一个可能永远不会发生、也可能随时发生的转折点做准备。