Google DeepMind und RSI: Wurde die letzte Grenze der KI überschritten?

@haider1 schreibt, dass innerhalb von sechs Wochen drei neue Modelle erschienen seien, und sieht darin ein „Anzeichen für eine frühe RSI“. Seine vollständige Formulierung ist aufschlussreich:

„Google nutzt definitiv irgendeine Form von RSI, um so schnell voranzukommen.“ @haider1

Diese Aussage geht weit, besagt aber nicht, dass Google im Sinne eines vollständig autonomen Kreislaufs „RSI erreicht“ habe. Sie spricht von „irgendeiner Form von RSI“ und einem frühen Anzeichen, also von einer Hypothese über interne Mechanismen zur Produktivitätssteigerung, Automatisierung oder beschleunigten Iteration.

Die von @lender980 bereitgestellte Liste veranschaulicht die beobachtete Veröffentlichungsfrequenz. Sie umfasst Ankündigungen von Gemini 3.7 Flash am 13. August bis hin zu Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 und weiteren Veröffentlichungen Ende August und Anfang September. Diese Frequenz kann tatsächlich auf eine schnellere Entwicklungsorganisation hindeuten.

Sie lässt sich jedoch auch durch mehrere konventionellere Faktoren erklären:

• ähnliche Produktvarianten, die zu unterschiedlichen Terminen veröffentlicht werden;
• mehr Rechenleistung für Training und Evaluierung;
• effizientere Teams und Engineering-Pipelines;
• Anpassungen bei Schlussfolgerungsvermögen, Geschwindigkeit oder Kosten;
• eine Geschäftsstrategie mit beschleunigten Veröffentlichungen.

@JakeKAllDay liefert für den Sprung von Gemini 3.7 auf 3.8 eine genau solche konventionelle Erklärung:

„Ich mag Gemini, aber der Sprung von 3.7 auf 3.8 ist größtenteils nur ein Schub bei der Leistung bzw. beim Denkaufwand. 3.8 Medium entspricht beim Denkaufwand ungefähr 3.7 High. Das wird teilweise durch eine Geschwindigkeitssteigerung von etwa 10 % bei den TPS kaschiert.“ @JakeKAllDay

Sein Argument beweist nicht, dass keine fortschrittlicheren internen Fähigkeiten vorhanden sind. Es erinnert jedoch daran, dass eine hohe Veröffentlichungsfrequenz oder eine sichtbare Verbesserung der Produkte nicht ausreicht, um eine rekursive Selbstverbesserung zu diagnostizieren.

Eine schnellere Iteration ist ein mögliches operatives Signal, aber kein Beweis für eine autonome, geschlossene RSI.

Das Paradox von @haider1: Er erkennt ein frühes Anzeichen und bezweifelt anschließend, dass RSI bereits erreicht wurde

Einer der interessantesten Aspekte der Diskussion ist, dass @haider1 auf beiden Seiten der Debatte steht. Am 6. September interpretiert er die Ausgaben von Gemini als Signal für eine „frühe RSI“. Am 12. September stellt er unter dem Beitrag von @kimmonismus angesichts der öffentlich verfügbaren Produkte folgerichtig infrage, dass RSI bereits erreicht worden sei.

"Das habe ich tatsächlich schon vor ein paar Tagen gesagt, aber ich bin mir immer noch nicht sicher, wie das passieren soll, wenn Googles Modelle beim Programmieren noch ziemlich weit zurückliegen. Wenn Google also behauptet, RSI erreicht zu haben, dann haben OpenAI und Anthropic wahrscheinlich schon viel früher etwas Ähnliches erreicht." @haider1

Dieser Einwand zielt direkt auf die Kluft zwischen einer spektakulären Hypothese über interne Entwicklungen und den Erfahrungen der Nutzer mit den Gemini-Programmiermodellen. Wenn Google tatsächlich einen äußerst leistungsfähigen rekursiven Verbesserungszyklus geschlossen hätte, warum würden seine öffentlichen Modelle dann nicht eindeutig bei Programmier-, Schlussfolgerungs- oder agentischen Aufgaben gegenüber den Konkurrenten dominieren, die häufig als führend gelten?

@kimmonismus antwortet mit einer strategischen Hypothese:

"Die Frage ist, ob Google möglicherweise einfach darauf verzichtet, Verbrauchern Spitzentechnologie anzubieten, und stattdessen alles in RSI investiert." @kimmonismus

Das ist eine Möglichkeit. Forschungslabore veröffentlichen nicht zwangsläufig ihre leistungsfähigsten Systeme, insbesondere aus Gründen der Sicherheit, der Kosten, der Zuverlässigkeit oder des Wettbewerbs. In diesem Thread gibt es jedoch keinerlei Daten, die bestätigen würden, dass Google bewusst eine funktionsfähige Spitzentechnologie zugunsten eines internen RSI-Zyklus zurückgehalten hat.

Eine Kluft zwischen den internen Fähigkeiten von Google und seinen öffentlichen Produkten ist denkbar, bleibt hier jedoch eine mögliche Erklärung und keine erwiesene Tatsache.

Die Gemini-Produkte stehen weiterhin im Mittelpunkt der Einwände der Skeptiker

Mehrere Teilnehmer bestreiten nicht, dass Google über Forschung von Weltrang verfügt. Sie wenden sich vielmehr gegen den logischen Sprung, diese wissenschaftliche Stärke als Beweis für RSI zu betrachten.

Unter dem Beitrag von @lyraxana beschreibt @DeepLearn007 diese Diskrepanz zwischen Forschung und Produkt:

"Google verfügt über herausragende Forschung, schließlich leistete das Unternehmen mit dem Self-Attention-Mechanismus Pionierarbeit bei Transformern und führte einen großen Teil der frühen RL-Forschung durch, die LLMs vorantreibt. Doch es gab Schwierigkeiten dabei, die Forschung in Produkte zu überführen. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli äußert eine ähnliche Kritik, die sich noch unmittelbarer auf die Nutzung der öffentlichen Modelle stützt:

"Ich möchte es glauben, aber wenn ich an ihre öffentlichen Modelle denke, fällt mir das schwer. :) Wir sind ein wenig zurück in der Zeit von Bard im Vergleich zu den anderen Spitzenmodellen." @VibeDevolli

@kimmonismus antwortet darauf, ohne ein neues Argument anzuführen:

"Fairerweise muss man sagen: GDM ist weiterhin im Rennen" @kimmonismus

Diese Antwort ist insofern nachvollziehbar, als Google DeepMind weiterhin zu den wichtigsten Akteuren im Bereich der KI gehört. Sie beantwortet jedoch nicht die aufgeworfene Frage: Welche öffentlich sichtbaren Leistungen, technischen Veröffentlichungen oder operativen Belege würden es rechtfertigen, von einem wettbewerbsfähigen Unternehmen zu einem Unternehmen überzugehen, das RSI erreicht hat?

@Politas180 bringt diesen Einwand in einem besonders prägnanten Satz auf den Punkt:

"Wenn sie den Zyklus tatsächlich geschlossen hätten, wäre Gemini bereits das Modell, das ich über Nacht laufen lasse. Das ist es nicht. Daran ändert auch die Schreibweise in Großbuchstaben nichts." @Politas180

Dabei handelt es sich um das Urteil eines Nutzers und nicht um einen akademischen Benchmark. Es spiegelt jedoch einen Punkt wider, den mehrere Teilnehmer teilen: Keine öffentliche Erfahrung mit Gemini liefert derzeit einen eindeutigen Beleg für einen entscheidenden Vorsprung, der mit einer bereits vollständig geschlossenen rekursiven Selbstverbesserung vereinbar wäre.

Die entscheidende technische Unterscheidung: Forschungsunterstützung gegenüber durchgängiger RSI

Die fundierteste Antwort im Thread stammt von @MTorygreen. Sie bestreitet weder die Fortschritte von Google noch die potenziellen Auswirkungen von KI auf die Forschung und das Training künftiger Modelle. Sie stellt lediglich die entscheidende Frage: An welcher Stelle ist weiterhin menschliches Eingreifen erforderlich?

"Ich wäre vorsichtig damit, etwas als RSI zu bezeichnen, solange wir nicht wissen, wo der menschliche Engpass noch liegt. Wenn das Modell bessere Experimente entwickelt, den Code verbessert und bei der Konzeption des nächsten Trainingslaufs hilft, ist das enorm. Doch zwischen all dem und einem System, das sich durchgängig und rekursiv selbst verbessert, besteht immer noch eine große Kluft." @MTorygreen

Diese Unterscheidung ist für die Einordnung der Gerüchte über AGI bei Google DeepMind von entscheidender Bedeutung.

Ein System kann dazu beitragen:

1. Forschungshypothesen zu generieren;
2. einen Teil des Trainingscodes zu schreiben oder zu korrigieren;
3. Architekturen oder synthetische Daten vorzuschlagen;
4. Evaluierungen zu beschleunigen;
5. Ingenieure bei der Auswahl des nächsten Trainingslaufs zu unterstützen.

All dies kann die Arbeit eines Labors erheblich beschleunigen. Doch eine starke RSI würde mehr erfordern: Die Ergebnisse müssten mit so wenig menschlichem Eingreifen ausgewählt, validiert, integriert, trainiert und bereitgestellt werden, dass das System seine eigenen Fähigkeiten kumulativ selbst verbessert.

Dann müsste geklärt werden, an welchen Stellen weiterhin Validierungen, Architekturentscheidungen, Sicherheitskontrollen, Abwägungen bei der Rechenleistung, Datenzugriffe und Ergebnisprüfungen stattfinden. Der Thread liefert auf diese Fragen keine Antwort.

Deshalb ist das Argument von @MTorygreen am besten belegt: Die Diskussion deutet auf eine mögliche Automatisierung hin, dokumentiert jedoch keine vollständig autonome Verbesserungsschleife von Anfang bis Ende.

Ein strategisches Narrativ ersetzt keinen technischen Nachweis

@kimmonismus ergänzt seinen Beitrag um Verweise auf Demis Hassabis, Sergey Brin, Reuters und die strategische Bedeutung der RSI im Wettlauf um AGI. Diese Punkte können erklären, warum Google an einer solchen Technologie interessiert wäre. Sie belegen nicht, dass sie bereits erreicht wurde.

Dass Google DeepMind AGI, die Automatisierung der Forschung oder die Verbesserung von Modellen als Prioritäten betrachtet, entspricht der Strategie aller großen Labore. Eine industrielle Ambition ist keine technische Validierung.

@kimmonismus weist außerdem darauf hin, dass er das Thema in seinem Newsletter Superintelligence behandeln wird. Die Seite präsentiert sich als KI-Briefing, das dabei helfen soll, „die Zukunft zu gewinnen“, und wirbt mit mehr als 160.000 täglichen Abonnenten. Diese Positionierung erklärt das Interesse an dem Thema, liefert jedoch keine zusätzlichen unabhängigen Daten zu dem Gerücht.

Warum das Gerücht dennoch ernst genommen werden sollte

Das Fehlen öffentlicher Belege bedeutet nicht, dass die gesamte Geschichte auf nichts beruht. Zwei überprüfbare strategische Signale erklären, warum das Gerücht derzeit auf besonders fruchtbaren Boden fällt.

Erstens gab Google im August 2026 bekannt, dass Demis Hassabis zum Chair von Google DeepMind und Chief Scientist von Alphabet ernannt wurde. Der Konzern erklärt, dass diese neue Rolle es ihm ermöglichen soll, seine „volle Aufmerksamkeit“ der Gestaltung der Zukunft von AGI zu widmen. Die offizielle Ankündigung ist im Google-Blog verfügbar.

Zweitens berichtete Reuters am 12. August 2026, dass Sergey Brin im Rahmen der Neuorganisation der KI-Aktivitäten von Google die Bemühungen des Unternehmens in Richtung rekursiver Selbstverbesserung vorantreibe. Der Bericht beschreibt RSI als eine strategisch so bedeutende Stoßrichtung, dass sie die Ressourcenverteilung und die Teamstrukturen beeinflusst. Dies bestätigt nicht, dass eine funktionsfähige Schleife erreicht wurde. Es bestätigt jedoch, dass das Thema bei Google auf strategischer Ebene existiert und nicht nur Gegenstand von Spekulationen auf X ist. Der Reuters-Bericht ist hier abrufbar.

Diese Unterscheidung ist entscheidend. Wir haben belastbare Hinweise darauf, dass Google die Selbstverbesserung seiner Systeme beschleunigen will. Wir haben jedoch keinen öffentlichen Beleg dafür, dass das Unternehmen die Schwelle überschritten hat, die in sozialen Netzwerken bereits als „RSI“ bezeichnet wird.

Wenn Google tatsächlich über eine RSI-Schleife verfügt, verändert sich das Wesen des KI-Wettlaufs

An diesem Punkt wird die Geschichte bedeutsamer als ein bloßes Gerücht über ein Modell. Eine echte RSI-Schleife wäre nicht einfach nur „ein intelligenteres Gemini“. Sie würde den Prozess verändern, der die nächsten Gemini-Generationen hervorbringt.

1. Das Fortschrittstempo würde selbst zu einem Wettbewerbsvorteil

Bislang wird der Wettlauf zwischen Google, OpenAI und Anthropic vor allem anhand aufeinanderfolgender Modellgenerationen, Benchmarks und Produkteinführungen beurteilt. Eine Selbstverbesserungsschleife würde den Wettbewerb auf eine höhere Ebene verlagern: auf die Geschwindigkeit, mit der ein Labor seine eigene Forschungsmaschinerie verbessern kann.

Wenn ein System dabei hilft, nützliche Experimente zu identifizieren, einen wachsenden Teil des Codes schreibt, Fehlschläge automatisch analysiert und den nächsten Trainingslauf vorschlägt, gewinnt das Labor nicht nur einige Benchmark-Punkte hinzu. Es verkürzt den Zyklus zwischen zwei Generationen. In diesem Szenario wäre der Vergleich öffentlicher Modelle zu einem bestimmten Zeitpunkt weniger aussagekräftig als die Messung der internen Fortschrittsrate.

Das macht auch die Veröffentlichungsfrequenz von Gemini interessant, ohne sie zu einem Beweis zu machen. Drei kurz aufeinanderfolgende Veröffentlichungen belegen für sich genommen nichts. Wenn diese Frequenz jedoch auf eine tiefgreifende Automatisierung von Forschung und Entwicklung zurückzuführen ist, wird sie zum Indikator für einen strukturelleren Vorteil.

2. Googles bestes Modell könnte niemals als öffentliches Produkt erscheinen

Die von @kimmonismus aufgestellte Hypothese verdient eine nähere Betrachtung: Google könnte seine fortschrittlichsten Systeme der internen Forschung vorbehalten, anstatt sie den Verbrauchern sofort zugänglich zu machen.

Diese Strategie wäre wirtschaftlich plausibel. Ein internes Modell, das Daten, Trainingscode, Evaluierungen oder Architekturen verbessern kann, könnte als F&E-Multiplikator wertvoller sein als ein einige Wochen früher angebotener Chatbot. Das öffentliche Produkt könnte dann scheinbar hinterherhinken und zugleich eine wesentlich fortschrittlichere interne Infrastruktur verbergen.

Dies würde das zentrale Paradoxon des Threads erklären, allerdings nur, wenn es eines Tages durch unabhängige Belege bestätigt wird. Derzeit handelt es sich um eine schlüssige Hypothese, nicht um eine nachgewiesene Erklärung.

3. Rechenleistung würde zu Forschungskapital, das seine eigene Rendite steigert

Selbst eine partielle RSI könnte die Ökonomie der Rechenleistung verändern. Heute ermöglichen mehr GPUs vor allem, mehr Experimente durchzuführen, größere Modelle zu trainieren oder mehr Nutzer zu bedienen. In einer automatisierten Verbesserungsschleife dient ein Teil der Rechenleistung auch dazu, bessere Nutzungsmöglichkeiten für künftige Rechenressourcen zu entwickeln.

Anders gesagt: Die Rechenleistung finanziert nicht mehr nur ein Modell. Sie finanziert einen Prozess, der darauf abzielt, den nächsten Zyklus effizienter zu gestalten. Wenn diese Schleife tatsächlich funktioniert, könnte sich der Vorsprung der Konzerne mit den größten Clustern, den besten Chips, ausreichend Energie und vertikaler Integration weiter vergrößern.

Google ist dank seiner TPUs, Rechenzentren, Forschungsteams und seiner Fähigkeit, die Ergebnisse über eine globale Infrastruktur bereitzustellen, in diesem Bereich besonders gut aufgestellt. Das garantiert keinerlei RSI. Es erklärt jedoch, warum ein solcher Durchbruch bei DeepMind unverhältnismäßig große industrielle Folgen hätte.

4. OpenAI und Anthropic würden zu mehr Geheimhaltung und interner Nutzung gedrängt

Sollte ein Akteur nachweisen, dass ein System den Entwicklungsprozess seines Nachfolgers substanziell verbessert, hätten seine Konkurrenten wenig Interesse daran, lediglich mit einer öffentlichen Markteinführung zu reagieren. Auch sie würden versuchen, ihre besten Modelle als interne Forscher, Ingenieure, Evaluatoren und Operatoren einzusetzen.

Die sichtbare Folge könnte paradox sein: Je strategisch wichtiger die internen Fähigkeiten werden, desto weniger bilden die öffentlichen Modelle das gesamte Wettrennen ab. Benchmarks für die breite Öffentlichkeit blieben wichtig, würden jedoch lediglich eine Produktebene beschreiben. Der eigentliche Wettbewerb würde sich bei der Qualität interner Agenten, der Automatisierung von Experimenten, der Effizienz der Rechenleistung und der Fähigkeit abspielen, eine Idee in ein zuverlässiges Training zu überführen.

Deshalb greift der Einwand „Das öffentliche Gemini ist nicht die Nummer eins, also kann Google keine RSI haben“ zu kurz. Das Gegenargument ist jedoch ebenso schwach: „Gemini macht schnelle Fortschritte, also hat Google die RSI.“ Beide verwechseln das beobachtbare Produkt mit der Forschungsinfrastruktur, die es hervorbringt.

5. Sicherheit und Regulierung sollten eine Fähigkeit überwachen, nicht einen Begriff

Der Begriff RSI ist zu unscharf, um allein als sinnvoller regulatorischer Schwellenwert zu dienen. Die bessere Frage ist konkreter: Welche Forschungsaufgaben kann ein System ohne menschliches Eingreifen, mit welcher Erfolgsquote und über wie viele aufeinanderfolgende Zyklen hinweg erledigen?

Aussagekräftigere Indikatoren wären die Fähigkeit, Trainingscode zu verändern, Experimente zu konzipieren und auszuwählen, Ergebnisse zu diagnostizieren, eine nachfolgende Architektur vorzuschlagen, Rechenressourcen zu verwalten und über mehrere Iterationen hinweg eine messbare Verbesserung aufrechtzuerhalten.

Ein Labor könnte über mehrere Bausteine dieser Kette verfügen, ohne eine vollständig autonome End-to-End-RSI zu besitzen. Wahrscheinlich ist es gerade dieser Zwischenbereich, der kurzfristig am meisten zählt. Er kann den Fortschritt bereits erheblich beschleunigen, den Vorteil bei einigen wenigen Akteuren konzentrieren und Sicherheitsbewertungen erschweren, ohne der „exponentiellen Schleife“ zu ähneln, die häufig mit dem Begriff RSI auf X assoziiert wird.

Was Leser aus dieser Reihe von Posts mitnehmen sollten

Das Gerücht über eine RSI bei Google DeepMind beruht auf drei Informationsebenen, die nicht miteinander verwechselt werden dürfen:

• @lyraxana veröffentlichte eine mehrdeutige Gratulation, ohne RSI oder AGI zu erwähnen.
• @haider1 hatte zuvor in der Entwicklungsgeschwindigkeit von Gemini ein „sign of early RSI“ gesehen, also eine begrenzte Hypothese über eine mögliche beschleunigte Automatisierung.
• @kimmonismus brachte diese Signale mit einem konkreteren Gerücht in Verbindung, dem zufolge Google DeepMind die RSI erreicht habe, räumte jedoch ein, dass es sich weiterhin um ein Gerücht handelt.

Der Thread lässt mehrere Fragen unbeantwortet:

• Was wollte @lyraxana tatsächlich sagen?
• Welche überprüfbaren Anhaltspunkte belegen ihre Zuverlässigkeit als Quelle für KI-Leaks?
• Anhand welcher Daten ließe sich eine automatisierte Entwicklungspipeline von einer vollständigen rekursiven Selbstverbesserung unterscheiden?
• Unterschätzen die öffentlich zugänglichen Modelle von Google die tatsächlichen internen Fähigkeiten oder spiegeln sie den Stand seiner Systeme unmittelbarer wider?
• Ist die hohe Frequenz der Gemini-Ankündigungen auf eine autonomere KI, bessere Teams, mehr Rechenleistung oder eine Veröffentlichungsstrategie zurückzuführen?

Die fundierteste Schlussfolgerung ist daher weniger spektakulär als das ursprüngliche Gerücht. Google kann durchaus seine internen Prozesse beschleunigen, KI zur Verbesserung von Code, Experimenten und Trainings einsetzen und stark in AGI investieren. Doch kein öffentlich zugänglicher Anhaltspunkt in diesem Thread belegt, dass Google DeepMind eine vollständige RSI erreicht hat, oder auch nur, dass sich die Nachricht von @lyraxana konkret auf diese Idee bezog.