Google DeepMind og RSI: Er den siste KI-grensen krysset?

@haider1 skriver at tre nye modeller skal ha kommet på seks uker, og ser dette som et «sign of early RSI». Den fullstendige formuleringen hans er betydningsfull:

"google is definitely using some form of RSI to progress this quickly" @haider1

Denne formuleringen går langt, men den sier ikke at Google skal ha «reached RSI» i betydningen en fullstendig autonom sløyfe. Den viser til «some form of RSI» og et tidlig tegn, altså en hypotese om interne mekanismer for produktivitet, automatisering eller raskere iterasjon.

Listen fra @lender980 illustrerer den observerte lanseringstakten, med kunngjøringer fra Gemini 3.7 Flash den 13. august til Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 og andre lanseringer i slutten av august og begynnelsen av september. Denne hyppigheten kan faktisk tyde på en raskere utviklingsorganisasjon.

Den kan imidlertid forklares av flere mer konvensjonelle faktorer:

• nært beslektede produktvarianter lansert på ulike datoer;
• mer regnekraft brukt på trening og evalueringer;
• mer effektive team og utviklingsprosesser;
• justeringer av resonnering, hastighet eller kostnad;
• en kommersiell strategi med raskere lanseringer.

@JakeKAllDay foreslår nettopp en konvensjonell forklaring på overgangen fra Gemini 3.7 til 3.8:

"i like gemini but the jump from 3.7 vs 3.8 is mostly just a boost in juice/thinking effort. 3.8 med ~ equals 3.7 high on thinking effort. its partially masked by a ~10% speed up in tps." @JakeKAllDay

Argumentet hans beviser ikke at mer avanserte interne kapasiteter ikke finnes. Det minner imidlertid om at lanseringstakt eller synlige produktforbedringer ikke er tilstrekkelig til å fastslå rekursiv selvforbedring.

Raskere iterasjon er et mulig operasjonelt signal, ikke et bevis på en autonom og lukket RSI.

@haider1s paradoks: Han ser et tidlig tegn, men tviler deretter på at RSI allerede er oppnådd

Et av de mest interessante aspektene ved diskusjonen er at @haider1 befinner seg på begge sider av debatten. Den 6. september tolker han resultatene fra Gemini som et tegn på «tidlig RSI». Den 12. september, under innlegget til @kimmonismus, utfordrer han logisk nok påstanden om at RSI allerede er oppnådd, sett i lys av de offentlig tilgjengelige produktene.

"Jeg sa faktisk dette for noen dager siden, men jeg er fortsatt usikker på hvordan dette skal kunne skje når Googles modeller fortsatt ligger et godt stykke etter innen programmering. Så hvis Google hevder å ha oppnådd RSI, har OpenAI og Anthropic sannsynligvis oppnådd noe lignende mye tidligere." @haider1

Denne innvendingen retter seg direkte mot gapet mellom en spektakulær hypotese om interne fremskritt og brukernes erfaringer med Geminis programmeringsmodeller. Hvis Google faktisk hadde lukket en svært effektiv krets for rekursiv forbedring, hvorfor skulle ikke selskapets offentlig tilgjengelige modeller da klart dominere innen programmering, resonnering eller agentbasert arbeid sammenlignet med konkurrentene som ofte oppfattes som ledende?

@kimmonismus svarer med en strategisk hypotese:

"Spørsmålet er om Google ganske enkelt kan ha valgt å avstå fra å tilby den mest avanserte teknologien til forbrukerne og i stedet investere alt i RSI." @kimmonismus

Det er en mulighet. Laboratorier offentliggjør ikke nødvendigvis sine beste kapabiliteter, blant annet av hensyn til sikkerhet, kostnader, pålitelighet eller konkurranse. Men i denne tråden finnes det ingen data som bekrefter at Google bevisst skal ha holdt tilbake en fungerende, banebrytende teknologi til fordel for en intern RSI-krets.

Et gap mellom Googles interne kapabiliteter og selskapets offentlig tilgjengelige produkter er tenkelig, men her er det fortsatt en mulig forklaring, ikke et etablert faktum.

Gemini-produktene står fortsatt sentralt i skeptikernes innvendinger

Flere deltakere avviser ikke tanken om at Google driver forskning i verdensklasse. De bestrider snarere det logiske spranget der denne vitenskapelige styrken gjøres til et bevis på RSI.

Under innlegget til @lyraxana beskriver @DeepLearn007 dette gapet mellom forskning og produkt:

"Google har fantastisk forskning, de var tross alt pionerer innen Transformers med selvoppmerksomhetsmekanismen og sto for mye av den tidlige RL-forskningen som driver LLM-er. Men de har hatt problemer med å omsette forskningen til produkter. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli kommer med en lignende kritikk, mer direkte basert på bruken av de offentlig tilgjengelige modellene:

"Jeg har lyst til å tro på det, men med tanke på de offentlig tilgjengelige modellene deres har jeg vanskelig for å gjøre det. :) Vi er litt tilbake i Bard-tiden sammenlignet med de andre modellene i toppklassen." @VibeDevolli

@kimmonismus svarer uten å tilføre noe nytt:

"For å være rettferdig: GDM er fortsatt med i spillet" @kimmonismus

Svaret er rimelig, ettersom Google DeepMind fortsatt er en sentral aktør innen KI. Det besvarer imidlertid ikke spørsmålet som stilles: Hvilke offentlig dokumenterte resultater, tekniske publikasjoner eller operative bevis gjør det mulig å gå fra å være en konkurransedyktig virksomhet til å være en virksomhet som har oppnådd RSI?

@Politas180 sammenfatter denne innvendingen i en særlig tydelig setning:

"Hvis de faktisk hadde lukket kretsen, ville Gemini allerede vært modellen jeg lot kjøre gjennom natten. Det er den ikke. Å skrive det med store bokstaver endrer ikke på det." @Politas180

Dette er en brukervurdering, ikke en akademisk benchmark. Men den gjenspeiler et poeng som deles av flere deltakere: Ingen offentlig erfaring med Gemini gir i dag noe åpenbart bevis på et avgjørende forsprang som er forenlig med at kretsen for rekursiv selvforbedring allerede er lukket.

Det avgjørende tekniske skillet: forskningsassistanse kontra ende-til-ende-RSI

Det mest solide svaret i tråden kommer fra @MTorygreen. Det avviser verken Googles fremskritt eller den potensielle innvirkningen KI kan ha på forskning og trening av fremtidige modeller. Det stiller ganske enkelt det avgjørende spørsmålet: Hvor er det fortsatt behov for menneskelig inngripen?

"Jeg ville vært forsiktig med å kalle noe RSI før vi vet hvor den menneskelige flaskehalsen fortsatt ligger. Hvis modellen genererer bedre eksperimenter, forbedrer kode og bidrar til å utforme den neste treningskjøringen, er det enormt. Men det er fortsatt et stort gap mellom dette og et system som rekursivt forbedrer seg selv fra ende til ende." @MTorygreen

Dette skillet er avgjørende for å forstå ryktene om AGI hos Google DeepMind.

Et system kan bidra til å:

1. generere forskningshypoteser;
2. skrive eller korrigere deler av treningskoden;
3. foreslå arkitekturer eller syntetiske data;
4. fremskynde evalueringene;
5. hjelpe ingeniører med å velge den neste treningskjøringen.

Alt dette kan gjøre arbeidet i et laboratorium betydelig raskere. Men en sterk RSI ville kreve mer: Resultatene måtte velges ut, valideres, integreres, trenes og distribueres med tilstrekkelig begrenset menneskelig inngripen til at systemet selv forbedrer sine egne evner kumulativt.

Da måtte man vite hvor valideringene, arkitekturbeslutningene, sikkerhetskontrollene, avveiningene knyttet til beregningsressurser, datatilgangen og gjennomgangen av resultatene fortsatt finner sted. Tråden gir ingen svar på disse spørsmålene.

Derfor er argumentet til @MTorygreen best underbygget: Diskusjonen antyder at automatisering kan være mulig, men dokumenterer ikke en autonom forbedringssløyfe fra ende til ende.

En strategisk fortelling erstatter ikke en teknisk demonstrasjon

@kimmonismus legger til referanser til Demis Hassabis, Sergey Brin, Reuters og RSIs strategiske betydning i konkurransen om AGI i innlegget sitt. Disse elementene kan forklare hvorfor Google ville være interessert i en slik teknologi. De beviser ikke at den er oppnådd.

At Google DeepMind betrakter AGI, automatisering av forskning eller forbedring av modeller som prioriteringer, er i tråd med strategien til alle de store laboratoriene. En industriell ambisjon er ikke en teknisk validering.

@kimmonismus opplyser også at han vil dekke temaet i nyhetsbrevet sitt, Superintelligence. Siden presenterer seg som en KI-briefing som skal hjelpe leserne med å «vinne fremtiden», og oppgir mer enn 160 000 daglige abonnenter. Denne posisjoneringen forklarer interessen for temaet, men gir ingen ytterligere uavhengige data om ryktet.

Hvorfor ryktet likevel bør tas på alvor

Mangelen på offentlig dokumentasjon betyr ikke at hele saken er grunnløs. To verifiserbare strategiske signaler forklarer hvorfor ryktet møter særlig gode vekstvilkår i dag.

For det første kunngjorde Google i august 2026 at Demis Hassabis ble styreleder i Google DeepMind og Chief Scientist i Alphabet. Konsernet presiserer at den nye rollen skal gjøre det mulig for ham å vie sin «fulle oppmerksomhet» til å forme fremtiden for AGI. Den offisielle kunngjøringen er tilgjengelig på Googles blogg.

For det andre rapporterte Reuters 12. august 2026 at Sergey Brin drev Googles satsing i retning av rekursiv selvforbedring som en del av omorganiseringen av selskapets KI-virksomhet. Reportasjen beskriver RSI som et strategisk viktig satsingsområde som påvirker både ressursfordelingen og organiseringen av teamene. Dette bekrefter ikke at en fungerende sløyfe er oppnådd. Derimot bekrefter det at temaet finnes på strategisk nivå hos Google, og ikke bare i spekulasjonene på X. Reuters-reportasjen er tilgjengelig her.

Denne nyansen er avgjørende. Vi har sterke indikasjoner på at Google ønsker å fremskynde selvforbedringen av systemene sine. Vi har ingen offentlig dokumentasjon på at selskapet har passert terskelen som sosiale medier allerede kaller «RSI».

Hvis Google faktisk har en RSI-sløyfe, endrer KI-kappløpet karakter

Det er her denne historien blir viktigere enn bare et modellrykte. En ekte RSI-sløyfe ville ikke bare være «en mer intelligent Gemini». Den ville endre prosessen som skaper de neste Gemini-modellene.

1. Fremdriftstakten ville i seg selv bli et konkurransefortrinn

Hittil har konkurransen mellom Google, OpenAI og Anthropic først og fremst blitt vurdert ut fra påfølgende modellgenerasjoner, ytelsestester og produktlanseringer. En selvforbedringssløyfe ville løfte konkurransen til et høyere nivå: hastigheten et laboratorium kan forbedre sin egen forskningsmaskin med.

Hvis et system bidrar til å identifisere nyttige eksperimenter, skriver en stadig større del av koden, analyserer feil automatisk og foreslår neste treningsrunde, oppnår laboratoriet ikke bare noen ekstra poeng på ytelsestestene. Det forkorter syklusen mellom to generasjoner. I dette scenarioet blir det mindre informativt å sammenligne offentlige modeller på et gitt tidspunkt enn å måle stigningstakten i den interne utviklingen.

Det er også dette som gjør lanseringstakten til Gemini interessant, uten at den dermed utgjør et bevis. Tre lanseringer tett etter hverandre beviser ingenting i seg selv. Men hvis denne takten skyldes en omfattende automatisering av forskning og utvikling, blir den en indikator på en mer strukturell fordel.

2. Googles beste modell blir kanskje aldri et offentlig produkt

Hypotesen som @kimmonismus har fremmet, fortjener å bli undersøkt: Google kan tenkes å forbeholde sine mest avanserte systemer for intern forskning fremfor å gjøre dem umiddelbart tilgjengelige for forbrukerne.

Denne strategien ville være økonomisk logisk. En intern modell som er i stand til å forbedre data, treningskode, evalueringer eller arkitekturer, kan ha større verdi som FoU-multiplikator enn som en chatbot som lanseres noen uker tidligere. Det offentlige produktet kan da tilsynelatende ligge etter, samtidig som det skjuler en langt mer avansert intern infrastruktur.

Dette ville forklare trådens sentrale paradoks, men bare dersom uavhengige holdepunkter en dag bekrefter det. Foreløpig er det en sammenhengende hypotese, ikke en bevist forklaring.

3. Regnekraft ville bli forskningskapital som forbedrer sin egen avkastning

Selv en delvis RSI kan endre økonomien knyttet til regnekraft. I dag gjør flere GPU-er det først og fremst mulig å kjøre flere eksperimenter, trene større modeller eller betjene flere brukere. I en automatisert forbedringssløyfe brukes en del av regnekraften også til å utvikle bedre måter å bruke fremtidig regnekraft på.

Med andre ord finansierer regnekraften ikke lenger bare en modell. Den finansierer en prosess som forsøker å gjøre neste syklus mer effektiv. Hvis denne sløyfen faktisk fungerer, kan fortrinnet til aktørene med de største klyngene, de beste brikkene, mest energi og vertikal integrasjon bli enda større.

Google er særlig godt posisjonert på dette området takket være sine TPU-er, datasentre, forskningsteam og evne til å ta resultatene i bruk i en global infrastruktur. Dette garanterer ikke noen RSI. Det forklarer hvorfor et gjennombrudd av denne typen hos DeepMind ville få uforholdsmessig store konsekvenser for industrien.

4. OpenAI og Anthropic ville bli presset mot mer hemmelighold og intern bruk

Hvis en aktør beviste at et system gir en vesentlig forbedring av prosessen som bygger dets etterfølger, ville konkurrentene ha liten interesse av å svare utelukkende med en offentlig lansering. Også de ville forsøke å gjøre sine beste modeller til interne forskere, ingeniører, evaluatorer og operatører.

Den synlige konsekvensen kan bli paradoksal: Jo mer strategiske de interne kapasitetene blir, desto mindre forteller de offentlige modellene om hele kappløpet. Offentlige referansetester vil fortsatt være viktige, men de vil beskrive et produktlag. Den egentlige konkurransen vil dreie seg om kvaliteten på interne agenter, automatisering av eksperimenter, avkastningen på regnekraft og evnen til å omsette en idé til pålitelig trening.

Derfor er innvendingen «offentlige Gemini er ikke nummer én, så Google kan ikke ha RSI» utilstrekkelig. Men det motsatte argumentet er like svakt: «Gemini gjør raske fremskritt, så Google har RSI». Begge forveksler det observerbare produktet med forskningsinfrastrukturen som produserer det.

5. Sikkerhet og regulering bør overvåke en kapasitet, ikke et begrep

Begrepet RSI er for uklart til i seg selv å fungere som en nyttig regulatorisk terskel. Det riktige spørsmålet er mer konkret: Hvilke forskningsoppgaver kan et system utføre uten menneskelig innblanding, med hvilken suksessrate og gjennom hvor mange påfølgende sykluser?

Mer relevante indikatorer vil være evnen til å endre treningskode, utforme og velge eksperimenter, diagnostisere resultatene, foreslå neste arkitektur, administrere regneressurser og opprettholde en målbar forbedring over flere iterasjoner.

Et laboratorium kan ha flere komponenter i denne kjeden uten å ha en selvstendig RSI fra ende til ende. Det er sannsynligvis dette mellomstadiet som er viktigst på kort sikt. Det kan allerede gi en kraftig akselerasjon av utviklingen, konsentrere fortrinnet hos noen få aktører og komplisere sikkerhetsevalueringer, uten å ligne den «eksponentielle sløyfen» som ofte forestilles når begrepet RSI sirkulerer på X.

Dette bør leseren ta med seg fra denne rekken med innlegg

Ryktet om RSI hos Google DeepMind bygger på tre informasjonsnivåer som ikke må forveksles:

• @lyraxana publiserte en tvetydig gratulasjon uten å nevne RSI eller AGI.
• @haider1 hadde tidligere sett Gemini-tempoet som et «tegn på tidlig RSI», altså en begrenset hypotese om mulig akselerert automatisering.
• @kimmonismus knyttet disse signalene til et mer spesifikt rykte om at Google DeepMind skal ha oppnådd RSI, samtidig som vedkommende erkjente at det fortsatt bare dreier seg om et rykte.

Tråden etterlater flere spørsmål ubesvart:

• Hva var det @lyraxana egentlig mente?
• Hvilke etterprøvbare opplysninger underbygger vedkommendes pålitelighet som kilde til lekkasjer om KI?
• Hvilke data ville gjøre det mulig å skille en automatisert utviklingskjede fra fullstendig rekursiv selvforbedring?
• Undervurderer Googles offentlig tilgjengelige modeller de reelle interne kapasitetene, eller gjenspeiler de mer direkte tilstanden til systemene deres?
• Skyldes tempoet i Gemini-kunngjøringene en mer autonom KI, bedre team, mer regnekraft eller en publiseringsstrategi?

Den mest stringente konklusjonen er derfor mindre spektakulær enn det opprinnelige ryktet. Google kan godt ha fremskyndet sine interne prosesser, bruke KI til å forbedre kode, eksperimenter og trening, og investere tungt i AGI. Men ingen offentlig tilgjengelige opplysninger i denne tråden beviser at Google DeepMind har oppnådd fullstendig RSI, eller engang at innlegget fra @lyraxana spesifikt handlet om denne ideen.