Secondo The Next Web, la valutazione di Gemini 4 Argon non ha rilevato un’accelerazione statisticamente significativa della ricerca e sviluppo nell’intelligenza artificiale (IA) attribuibile all’IA, né in generale. Il rischio legato all’IA applicata alla ricerca sull’IA era valutato basso. La valutazione colloca inoltre Argon sotto due soglie di accelerazione e automazione della ricerca. Gemini 4 Argon Safety and Security Report
Che cosa misurano le soglie di Argon
L’auto-miglioramento ricorsivo (RSI, dall’inglese recursive self-improvement) si riferisce a sistemi di IA che contribuiscono a migliorare i modelli successivi. Per capire quanto Argon si avvicini a questo scenario, è utile distinguere l’assistenza alla ricerca dall’accelerazione dell’intero processo e dalla sua automazione.
Secondo la valutazione, Argon non raggiunge ML R&D acceleration level 1, la soglia che indica un’accelerazione sostanziale dei progressi nell’IA oltre i ritmi storici, né ML R&D automation level 1, che corrisponde alla completa automazione di un team di ricerca di Google. La scheda ufficiale di Gemini 4 Argon presenta il quadro del modello.
Un indice interno basato su 92 benchmark è cresciuto a un ritmo di 0,091 punti al mese prima del 1° aprile 2026 e di 0,118 punti al mese dopo quella data. La valutazione ha giudicato la differenza statisticamente non significativa; Google ha attribuito la posizione di Argon sopra la tendenza precedente a maggiori investimenti e alla potenza di calcolo usata per l’addestramento, non all’accelerazione guidata dall’IA. The Next Web
Che cosa ha detto Sergey Brin
Alla tavola rotonda su Gemini 4 Argon, Sergey Brin ha descritto ricercatori e modelli come collaboratori nello sviluppo della versione successiva. Il cofondatore di Google ha anche detto che l’azienda stava iniziando a entrare in un percorso di RSI. The Next Web ha riportato le sue parole il 17 ottobre 2026; la data della tavola rotonda non è specificata. The Next Web
Quella descrizione riguarda un lavoro congiunto tra persone e modelli. La valutazione, invece, misura l’accelerazione complessiva della ricerca e colloca Argon sotto le soglie indicate: sono aspetti diversi dello sviluppo dell’IA.
Vihan Jain, di Google DeepMind, ha descritto il ruolo di Argon nell’addestramento successivo come un nuovo passo nel cosiddetto “RSI flywheel”. Il suo post esprime una caratterizzazione del processo, distinta dalle misurazioni della valutazione.
Il codice generato dall’IA resta sotto revisione umana
The Next Web ha riferito che oltre il 75% del codice di produzione di Google DeepMind era scritto dall’IA, ma le modifiche al codice erano sottoposte a revisione umana prima dell’invio. Nello stesso resoconto, le richieste di modifica al codice affidate interamente all’IA erano passate dal 7,5% in aprile all’11,9% in settembre; circa l’88% richiedeva ancora interventi umani ripetuti o codice scritto da persone. L’anno cui si riferiscono quei due mesi non è indicato nel resoconto. The Next Web
Alle persone restavano inoltre l’orientamento della ricerca, la progettazione degli esperimenti e la diagnosi dei problemi di addestramento. In un test interno sulle attività di ricerca in IA, Argon aveva risolto circa metà delle sfide; il resoconto indicava che per automatizzare completamente il lavoro sarebbe servito un risultato vicino alla totalità. The Next Web
Per un contesto diverso sul modello, il precedente approfondimento di NeoTeo sui benchmark e sulle prestazioni pratiche di Gemini 4 Argon esamina i risultati comunicati e le valutazioni sull’uso quotidiano.
