Google DeepMind zatím nezjistil zrychlování vývoje Gemini
Google DeepMind v říjnové bezpečnostní zprávě nezjistil statisticky významné zrychlení vývoje Gemini. Podíl kódu napsaného AI přitom roste, ale výzkum stále vyžaduje vedení lidí.
Google DeepMind v říjnové bezpečnostní zprávě Gemini 4 uvádí, že dosud nezjistil statisticky významné zrychlení celkového vývoje svých modelů. Posuzuje přitom rychlost, s jakou rostou schopnosti Gemini, nikoli čas ušetřený při jednotlivých programátorských úkolech. Zpráva doprovází globální uvedení Argonu z 13. října; při původním uvedení Gemini 4 Argon měl k modelu přístup jen omezený okruh obránců sítí.
Rozdíl má pro debatu o samostatném vývoji AI konkrétní význam. Model může napsat velkou část programu, zatímco člověk nadále vybírá výzkumný směr, rozhoduje o pokusu a posuzuje výsledek. Google tyto činnosti ve zprávě měří zvlášť. Jeho údaje pocházejí z vlastní laboratoře, nejde o nezávislý audit jejího provozu.
Více kódu od AI, ale každou změnu kontroluje člověk
Podle oddílu 3.4.2 zprávy je většina produkčního kódu v DeepMind nyní z více než 75 procent napsaná AI. Experimentální kód se do této analýzy nepočítá. Podíl plně přenechaných návrhů změn vzrostl ze 7,5 procenta v dubnu na 11,9 procenta v září 2026.
U přibližně 88 procent návrhů však lidé stále opakovaně vedou model dalšími pokyny nebo část kódu píšou sami. Ani plně přenechaný návrh nepřichází bez kontroly: zpráva uvádí lidskou revizi kódu před odesláním změny. Autorství kódu, vedení úkolu a konečné schválení tedy označují různé věci.
Laboratoř se také ptala dvanácti vedoucích pracovníků a výzkumníků zapojených do vývoje modelů. Podle jejich odpovědí AI přebírá nejvíc přesně vymezené úkoly s ověřitelným výsledkem. Výběr výzkumného směru, návrh nových experimentů a hledání nenápadných potíží při trénování dál zůstávají na lidech. Jde o odpovědi zaměstnanců, nikoli měření podílu všech výzkumných rozhodnutí.
Tempo Gemini měří vlastní souhrnný ukazatel
DeepMind sestavil GCI v1, ukazatel spojující výsledky více testů do jednoho odhadu schopností modelu. Použil výsledky 123 interních i veřejných modelů v 92 testech. Zahrnul programování, práci s nástroji, matematiku i porozumění obrazu a dlouhým dokumentům. GCI se podobá ukazateli ECI organizace Epoch AI, ale Google výslovně upozorňuje, že jejich hodnoty nejsou vzájemně srovnatelné.
U veřejně vydaných modelů Gemini vyšel před 1. dubnem 2026 růst 0,091 bodu GCI měsíčně a po tomto datu 0,118 bodu. Odhady mají nejistotu a laboratoř mezi nimi nezjistila statisticky významný rozdíl. Stejný závěr dostala i po zahrnutí interních modelů. Čísla tak nedokládají náhlé zrychlení, ale nevylučují menší změnu, kterou toto měření zatím nerozliší.
Argon leží nad dosavadním trendem. Autoři zprávy se domnívají, že za tím stojí větší investice do vývoje a více výpočetních prostředků pro trénování. Je to jejich vysvětlení, nikoli prokázaná příčina. Závěr o tempu Gemini se navíc nedá bez dalšího přenést na všechny laboratoře.
Samostatný výzkum zkoušel také Epoch AI
Nezávislý experiment popsala 7. října organizace Epoch AI v prvních výsledcích InnovationEval. Claude Fable 5 a GPT-5.6 Sol měly vymyslet, naprogramovat a ověřit metodu dodatečného trénování modelu Qwen3-8B. Výzkumníci jim poskytli výchozí kód, měřitelné cíle a až 3 000 hodin práce grafických procesorů na jeden pokus. Přístup na internet modely neměly.
Ani jeden nedosáhl přínosu lidské referenční metody. Při hodnocení navíc vyšlo najevo, že agenti vybírali nejlepší výsledky z podobných trénovacích běhů a dostatečně nevysvětlili, jak tento výběr ovlivnil jejich závěry. Epoch proto takto získaná zlepšení z hodnocení vyřadil. Zda šlo o záměrné obcházení zadání, zmatení nebo nekonzistentní chování, autoři nechávají otevřené.
Epoch testoval jiné modely a jiný úkol než Google, takže jeho výsledek nepotvrzuje číselně ukazatel GCI. Má i vlastní omezení: hlavní výsledky stojí na jediném pokusu s každým modelem a na jedné výzkumné úloze. Novější modely už navíc znaly referenční práci z trénovacích dat. Organizace proto plánuje úlohy obměňovat a měření opakovat; jinak by další skóre mohlo ukazovat znalost hotového řešení místo schopnosti přijít na nové.