Google DeepMind og RSI: Er AI's sidste grænse blevet krydset?

@haider1 skriver, at tre nye modeller skulle være kommet på seks uger, og ser det som et »tegn på tidlig RSI«. Hans fulde formulering er betydningsfuld:

"Google bruger helt sikkert en eller anden form for RSI til at gøre fremskridt så hurtigt" @haider1

Denne sætning går langt, men den siger ikke, at Google skulle have »opnået RSI« i betydningen en fuldstændig autonom løkke. Den omtaler »en eller anden form for RSI« og et tidligt tegn, altså en hypotese om interne mekanismer for produktivitet, automatisering eller accelereret iteration.

Listen fra @lender980 illustrerer det observerede tempo med annonceringer fra Gemini 3.7 Flash den 13. august til Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 og andre udgivelser i slutningen af august og begyndelsen af september. Denne hyppighed kan ganske vist tyde på en hurtigere udviklingsorganisation.

Den kan dog forklares af flere mere konventionelle faktorer:

• nært beslægtede produktvarianter, som udgives på forskellige datoer;
• flere beregningsressourcer afsat til træning og evalueringer;
• mere effektive teams og engineering-pipelines;
• justeringer af ræsonnering, hastighed eller omkostninger;
• en kommerciel strategi med accelererede udgivelser.

@JakeKAllDay foreslår netop en konventionel forklaring på springet fra Gemini 3.7 til 3.8:

"jeg kan godt lide gemini, men springet fra 3.7 til 3.8 er for det meste bare et løft i regnekraft/tænkeindsats. 3.8 med svarer omtrent til 3.7 high i tænkeindsats. det er delvist skjult af en hastighedsforøgelse på ~10 % i tps." @JakeKAllDay

Hans argument beviser ikke, at der ikke findes mere avancerede interne kapaciteter. Det understreger dog, at et højt udgivelsestempo eller synlige produktforbedringer ikke er nok til at konstatere rekursiv selvforbedring.

Hurtigere iteration er et muligt operationelt signal, ikke dokumentation for en autonom og lukket RSI.

@haider1s paradoks: Han ser et tidligt tegn og tvivler derefter på, at RSI allerede er opnået

Et af de mest interessante aspekter ved diskussionen er, at @haider1 befinder sig på begge sider af debatten. Den 6. september fortolker han resultaterne fra Gemini som et signal om »tidlig RSI«. Den 12. september anfægter han under @kimmonismus' opslag på logisk vis idéen om, at RSI allerede skulle være opnået, set i lyset af de offentligt tilgængelige produkter.

"Jeg sagde faktisk dette for et par dage siden, men jeg er stadig ikke sikker på, hvordan det skulle kunne ske, når Googles modeller stadig halter temmelig langt bagefter inden for programmering så hvis Google hævder at have opnået RSI, må OpenAI og Anthropic sandsynligvis have opnået noget tilsvarende langt tidligere" @haider1

Denne indvending retter sig direkte mod kløften mellem en spektakulær intern hypotese og brugernes erfaringer med Gemini-modeller til programmering. Hvis Google faktisk havde lukket en særdeles effektiv rekursiv forbedringssløjfe, hvorfor skulle virksomhedens offentligt tilgængelige modeller så ikke klart dominere inden for programmering, ræsonnement eller agentbaserede opgaver i forhold til de konkurrenter, der ofte betragtes som førende?

@kimmonismus svarer med en strategisk hypotese:

"Spørgsmålet er, om Google måske ganske enkelt undlader at tilbyde forbrugerne den nyeste teknologi og i stedet investerer alt i RSI." @kimmonismus

Det er en mulighed. Laboratorier offentliggør ikke nødvendigvis deres bedste kapaciteter, blandt andet af hensyn til sikkerhed, omkostninger, pålidelighed eller konkurrence. Men i denne tråd er der ingen data, der bekræfter, at Google bevidst skulle have tilbageholdt en funktionel avanceret teknologi til fordel for en intern RSI-sløjfe.

En forskel mellem Googles interne kapaciteter og virksomhedens offentlige produkter er tænkelig, men her er den fortsat en mulig forklaring og ikke et fastslået faktum.

Gemini-produkterne er fortsat kernen i skeptikernes indvending

Flere deltagere afviser ikke idéen om, at Google råder over forskning i verdensklasse. De anfægter snarere det logiske spring, hvor denne videnskabelige styrke gøres til et bevis på RSI.

Under @lyraxanas opslag beskriver @DeepLearn007 denne forskel mellem forskning og produkt:

"Google råder over fantastisk forskning, de var trods alt pionerer inden for Transformers med Self-Attention Mechanism og stod bag en stor del af den tidlige RL-forskning, som driver LLM'er. Men de har haft svært ved at omsætte forskningen til produkter. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli fremsætter en lignende kritik, som mere direkte tager udgangspunkt i brugen af de offentligt tilgængelige modeller:

"Jeg vil gerne tro på det, men når jeg kender deres offentligt tilgængelige modeller, har jeg svært ved det. :) Vi er lidt tilbage i Bard-dagene sammenlignet med de andre førsteklasses modeller." @VibeDevolli

@kimmonismus svarer uden at fremlægge nye oplysninger:

"Ret skal være ret: GDM er stadig med i kapløbet" @kimmonismus

Svaret er rimeligt, for så vidt som Google DeepMind fortsat er en af de største aktører inden for AI. Det besvarer dog ikke det stillede spørgsmål: Hvilke offentligt dokumenterede resultater, tekniske publikationer eller operationelle beviser gør det muligt at gå fra at være en konkurrencedygtig virksomhed til at være en virksomhed, der har opnået RSI?

@Politas180 sammenfatter denne indvending i en særligt klar sætning:

"Hvis de rent faktisk havde lukket sløjfen, ville Gemini allerede være den model, jeg lod køre natten over. Det er den ikke. Det ændrer store bogstaver ikke på." @Politas180

Der er tale om en brugervurdering og ikke en akademisk benchmark. Men den afspejler et synspunkt, som flere deltagere deler: Ingen offentlig erfaring med Gemini giver i dag et tydeligt bevis på et afgørende forspring, der ville være foreneligt med en allerede lukket sløjfe for rekursiv selvforbedring.

Den afgørende tekniske skelnen: forskningsassistance kontra end-to-end-RSI

Trådens mest solide svar kommer fra @MTorygreen. Det benægter hverken Googles fremskridt eller AI's potentielle betydning for forskning og træning af fremtidige modeller. Det stiller blot det afgørende spørgsmål: Hvor findes den menneskelige indgriben stadig?

"Jeg ville være forsigtig med at kalde noget for RSI, før vi ved, hvor den menneskelige flaskehals stadig ligger. Hvis modellen genererer bedre eksperimenter, forbedrer kode og hjælper med at udforme den næste træningskørsel, er det enormt. Men der er stadig et stort spring derfra og til et system, som forbedrer sig selv rekursivt fra start til slut." @MTorygreen

Denne skelnen er afgørende for forståelsen af rygterne om Google DeepMind AGI.

Et system kan bidrage til at:

1. generere forskningshypoteser;
2. skrive eller rette dele af træningskoden;
3. foreslå arkitekturer eller syntetiske data;
4. fremskynde evalueringer;
5. hjælpe ingeniører med at vælge den næste træningskørsel.

Alt dette kan i betydelig grad fremskynde arbejdet i et laboratorium. Men en stærk RSI ville kræve mere: Resultaterne skulle udvælges, valideres, integreres, trænes og implementeres med så begrænset menneskelig indgriben, at systemet selv forbedrer sine egne kapaciteter kumulativt.

Det ville derfor være nødvendigt at vide, hvor valideringerne, arkitekturbeslutningerne, sikkerhedskontrollerne, afvejningerne af beregningsressourcer, adgangen til data og gennemgangen af resultaterne stadig finder sted. Tråden giver ingen svar på disse spørgsmål.

Derfor er @MTorygreens argument det bedst underbyggede: Diskussionen antyder, at automatisering er mulig, men dokumenterer ikke en autonom forbedringscyklus fra ende til anden.

En strategisk fortælling kan ikke erstatte en teknisk demonstration

@kimmonismus føjer referencer til Demis Hassabis, Sergey Brin, Reuters og RSI's strategiske betydning i kapløbet om AGI til sit opslag. Disse elementer kan forklare, hvorfor Google ville være interesseret i en sådan teknologi. De beviser ikke, at den er blevet realiseret.

At Google DeepMind betragter AGI, automatisering af forskning eller forbedring af modeller som prioriteter, stemmer overens med strategien hos alle de store laboratorier. En industriel ambition udgør ikke en teknisk validering.

@kimmonismus oplyser også, at han vil dække emnet i sit nyhedsbrev Superintelligence. Siden præsenterer sig som en AI-briefing, der skal hjælpe læserne med at »vinde fremtiden«, og oplyser at have mere end 160.000 daglige abonnenter. Denne positionering forklarer interessen for emnet, men tilfører ikke yderligere uafhængige data om rygtet.

Hvorfor rygtet alligevel bør tages alvorligt

Fraværet af offentlige beviser betyder ikke, at hele sagen er uden substans. To verificerbare strategiske signaler forklarer, hvorfor rygtet netop nu finder særligt gunstig grobund.

For det første meddelte Google i august 2026, at Demis Hassabis blev bestyrelsesformand for Google DeepMind og Chief Scientist hos Alphabet. Koncernen præciserer, at denne nye rolle skal gøre det muligt for ham at vie sin »fulde opmærksomhed« til at forme AGI's fremtid. Den officielle meddelelse findes på Googles blog.

For det andet rapporterede Reuters den 12. august 2026, at Sergey Brin pressede på for at rette Googles indsats mod rekursiv selvforbedring som led i omorganiseringen af virksomhedens AI-aktiviteter. Reportagen beskriver RSI som et så strategisk vigtigt fokusområde, at det påvirker både ressourceallokeringen og teamstrukturen. Det bekræfter ikke, at der er opnået en fungerende cyklus. Til gengæld bekræfter det, at emnet findes på strategisk niveau hos Google og ikke kun i spekulationerne på X. Reuters-reportagen kan læses her.

Nuancen er afgørende. Vi har solide indikationer på, at Google ønsker at fremskynde sine systemers selvforbedring. Vi har ingen offentlige beviser for, at virksomheden har passeret den tærskel, som de sociale medier allerede kalder »RSI«.

Hvis Google reelt har en RSI-cyklus, ændrer AI-kapløbet karakter

Det er her, historien bliver vigtigere end blot et rygte om en model. En ægte RSI-cyklus ville ikke blot være »en mere intelligent Gemini«. Den ville ændre den proces, der frembringer de næste Gemini-modeller.

1. Fremskridtstempoet ville i sig selv blive en konkurrenceevne

Hidtil har kapløbet mellem Google, OpenAI og Anthropic primært kunnet aflæses gennem successive generationer af modeller, benchmarks og produktlanceringer. En selvforbedringscyklus ville flytte konkurrencen op på et højere niveau: den hastighed, hvormed et laboratorium kan forbedre sit eget forskningsapparat.

Hvis et system hjælper med at identificere nyttige eksperimenter, skriver en stadig større del af koden, automatisk analyserer fejl og foreslår den næste træning, vinder laboratoriet ikke blot nogle få benchmarkpoint. Det forkorter cyklussen mellem to generationer. I dette scenarie bliver det mindre informativt at sammenligne offentlige modeller på et givent tidspunkt end at måle hældningen på den interne udviklingskurve.

Det er også dét, der gør Geminis udgivelsestakt interessant uden at gøre den til et bevis. Tre udgivelser med kort mellemrum beviser ikke noget i sig selv. Men hvis denne takt skyldes en gennemgribende automatisering af forskning og udvikling, bliver den en indikator på en mere strukturel fordel.

2. Googles bedste model bliver måske aldrig et offentligt produkt

Hypotesen, som @kimmonismus har fremsat, fortjener at blive undersøgt: Google kunne vælge at forbeholde sine mest avancerede systemer til intern forskning frem for straks at gøre dem tilgængelige for forbrugerne.

Denne strategi ville give økonomisk mening. En intern model, der kan forbedre data, træningskode, evalueringer eller arkitekturer, kan have større værdi som FoU-multiplikator end som en chatbot, der lanceres nogle uger tidligere. Det offentlige produkt kan således se ud til at halte bagefter, samtidig med at det skjuler en langt mere avanceret intern infrastruktur.

Det ville forklare trådens centrale paradoks, men kun hvis uafhængige oplysninger en dag bekræfter det. Indtil videre er det en sammenhængende hypotese, ikke en dokumenteret forklaring.

3. Compute ville blive til forskningskapital, der forbedrer sit eget afkast

Selv en delvis RSI kunne ændre økonomien omkring beregningskraft. I dag gør flere GPU'er det primært muligt at køre flere eksperimenter, træne større modeller eller betjene flere brugere. I en automatiseret forbedringssløjfe bruges en del af compute-kapaciteten også til at udvikle bedre måder at udnytte fremtidig compute på.

Med andre ord finansierer beregningskraft ikke længere kun en model. Den finansierer en proces, der forsøger at gøre den næste cyklus mere effektiv. Hvis denne sløjfe reelt fungerer, kan fordelen for de koncerner, der råder over de største klynger, de bedste chips, energiforsyning og vertikal integration, blive forstærket.

Google er særligt godt positioneret på dette område takket være sine TPU'er, datacentre, forskningshold og evne til at implementere resultaterne i en global infrastruktur. Det garanterer ikke nogen RSI. Det forklarer, hvorfor et gennembrud af denne type hos DeepMind ville få uforholdsmæssigt store industrielle konsekvenser.

4. OpenAI og Anthropic ville blive presset mod større hemmeligholdelse og mere intern brug

Hvis en aktør beviste, at et system i væsentlig grad forbedrer den proces, der bygger dets efterfølger, ville konkurrenterne have ringe interesse i udelukkende at svare igen med en offentlig lancering. De ville også forsøge at gøre deres bedste modeller til interne forskere, ingeniører, evaluatorer og operatører.

Den synlige konsekvens kunne være paradoksal: Jo mere strategiske de interne kapaciteter bliver, desto mindre fortæller de offentlige modeller om hele kapløbet. Benchmarks rettet mod offentligheden ville fortsat være vigtige, men de ville beskrive et produktlag. Den egentlige konkurrence ville handle om kvaliteten af de interne agenter, automatiseringen af eksperimenter, udbyttet af compute og evnen til at omsætte en idé til pålidelig træning.

Derfor er indvendingen »Den offentlige Gemini er ikke nummer ét, så Google kan ikke have RSI« utilstrækkelig. Men det modsatte argument er lige så svagt: »Gemini gør hurtige fremskridt, så Google har RSI.« Begge forveksler det observerbare produkt med den forskningsinfrastruktur, der frembringer det.

5. Sikkerhed og regulering bør overvåge en kapacitet, ikke et ord

Begrebet RSI er for uklart til i sig selv at kunne udgøre en brugbar reguleringsmæssig tærskel. Det rigtige spørgsmål er mere konkret: Hvilke forskningsopgaver kan et system udføre uden menneskelig indgriben, med hvilken succesrate og gennem hvor mange på hinanden følgende cyklusser?

Mere relevante indikatorer ville være evnen til at ændre træningskode, designe og udvælge eksperimenter, diagnosticere resultater, foreslå en efterfølgende arkitektur, administrere beregningsressourcer og opretholde en målbar forbedring gennem flere iterationer.

Et laboratorium kan besidde flere dele af denne kæde uden at have en selvstændig RSI fra ende til anden. Det er sandsynligvis denne mellemzone, der har størst betydning på kort sigt. Den kan allerede fremskynde udviklingen markant, koncentrere fordelen hos nogle få aktører og gøre sikkerhedsevalueringer mere komplicerede, uden at ligne den »eksponentielle sløjfe«, man ofte forestiller sig, når begrebet RSI florerer på X.

Det skal læseren tage med sig fra denne række opslag

Rygtet om RSI hos Google DeepMind bygger på tre informationsniveauer, som ikke må forveksles:

• @lyraxana offentliggjorde en tvetydig lykønskning uden at nævne hverken RSI eller AGI.
• @haider1 havde tidligere set Geminis udviklingstempo som et »sign of early RSI«, altså en begrænset hypotese om en mulig accelererende automatisering.
• @kimmonismus kædede disse signaler sammen med et mere specifikt rygte om, at Google DeepMind skulle have opnået RSI, samtidig med at vedkommende erkendte, at der stadig kun er tale om et rygte.

Tråden efterlader flere spørgsmål ubesvarede:

• Hvad mente @lyraxana egentlig?
• Hvilke verificerbare forhold underbygger vedkommendes troværdighed som kilde til lækager om AI?
• Hvilke data ville gøre det muligt at skelne mellem en automatiseret udviklingspipeline og fuldstændig rekursiv selvforbedring?
• Undervurderer Googles offentlige modeller de reelle interne kapaciteter, eller afspejler de mere direkte systemernes aktuelle niveau?
• Skyldes tempoet i Gemini-annonceringerne en mere autonom AI, bedre teams, mere computerkraft eller en publiceringsstrategi?

Den mest stringente konklusion er derfor mindre spektakulær end det oprindelige rygte. Google kan sagtens fremskynde sine interne processer, bruge AI til at forbedre kode, eksperimenter og træning samt investere kraftigt i AGI. Men ingen offentligt tilgængelige oplysninger i denne tråd beviser, at Google DeepMind har opnået fuldstændig RSI, eller blot at @lyraxanas besked specifikt handlede om denne idé.