15 października 2026 r. DiarioBitcoin poinformowało, że wewnętrzna analiza Google DeepMind nie wykazała istotnego strukturalnego przyspieszenia mierzonego postępu AI po kwietniu 2026 r. Raport dotyczący bezpieczeństwa Gemini 4 Argon miał obejmować 123 modele i 92 benchmarki.
Przyspieszenie badań nad AI oznaczałoby, że systemy sztucznej inteligencji same napędzają prace prowadzące do kolejnych postępów. Samo wykorzystanie AI przy pisaniu kodu nie przesądza, że tak się dzieje.
Jak zmieniło się tempo według wskaźnika GCI
DiarioBitcoin podało, że analiza śledziła General Capability Index (GCI), czyli indeks ogólnych zdolności modeli. Według tej relacji miesięczny trend dla modeli publicznych wynosił 0,091 punktu GCI przed kwietniem 2026 r. i 0,118 punktu po kwietniu.
| Okres | Miesięczny trend publicznych modeli | Jednostka |
| Przed kwietniem 2026 r. | 0,091 | punktu GCI na miesiąc |
| Po kwietniu 2026 r. | 0,118 | punktu GCI na miesiąc |
Różnica między tymi wartościami to 0,027 punktu GCI na miesiąc. Późniejszy trend był więc o około 29,7 proc. wyższy od wcześniejszego — to obliczenie na podstawie podanych liczb, a nie osobny wynik analizy. DiarioBitcoin zaznaczyło, że opisana różnica nie została uznana za istotne strukturalne przyspieszenie.
Wkład AI w kod to nie to samo co samodzielne badania
Według DiarioBitcoin narzędzia AI uczestniczyły w tworzeniu ponad 75 proc. kodu produkcyjnego Google DeepMind, ale 88 proc. zmian w kodzie nadal wymagało ludzkiej weryfikacji. Pierwsza liczba opisuje udział narzędzi w pracy programistycznej; druga pokazuje, jak często człowiek sprawdzał zmiany. Żadna z nich sama w sobie nie mierzy tego, czy AI autonomicznie przyspiesza badania nad AI.
Relacja przytacza też ankietę wśród 12 starszych badaczy Google DeepMind. Automatyzacja miała lepiej sprawdzać się przy zadaniach jasno określonych i łatwych do zweryfikowania niż przy otwartej ideacji oraz złożonym planowaniu.
Wcześniej NeoTeo opisało relacje o trudnościach Gemini 4 Argon w kodowaniu oraz odpowiedź Google. To osobny kontekst dotyczący pracy z modelem, a nie wynik opisanej analizy tempa postępu AI.
Co mówią wyniki RE-Bench
W 74 zadaniach inżynierii uczenia maszynowego z benchmarku RE-Bench Gemini 4 Argon miało rozwiązać około połowy zadań, a Gemini 3.7 Flash uzyskać wynik 27 proc. Są to rezultaty dotyczące konkretnego zestawu zadań, nie ogólna miara zdolności modeli do prowadzenia badań.
DiarioBitcoin opisało również osobny przegląd 1389 wykonań Gemini 4 Argon, w którym odnotowano niższą skuteczność przy złożonych zadaniach bez udziału człowieka. Wniosek przypisywany analizie dotyczy mierzonego trendu po kwietniu 2026 r.; nie przesądza, czy AI kiedykolwiek przyspieszy własny rozwój.
