Google DeepMind och RSI: har AI:s sista gräns passerats?

@haider1 skriver att tre nya modeller ska ha lanserats på sex veckor och ser detta som ett ”sign of early RSI”. Hans fullständiga formulering är betydelsefull:

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

Den här meningen går långt, men den säger inte att Google skulle ha ”reached RSI” i betydelsen en fullständig autonom återkopplingsloop. Den talar om ”some form of RSI” och ett tidigt tecken, alltså en hypotes om interna mekanismer för produktivitet, automatisering eller snabbare iteration.

Listan från @lender980 illustrerar den observerade takten, med tillkännagivanden från Gemini 3.7 Flash den 13 augusti till Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 och andra lanseringar i slutet av augusti och början av september. Denna frekvens kan mycket väl tyda på en snabbare utvecklingsorganisation.

Den kan dock förklaras av flera mer konventionella faktorer:

• närliggande produktvarianter som publiceras vid olika tidpunkter;
• mer beräkningskraft som avsätts för träning och utvärderingar;
• effektivare team och tekniska pipelines;
• justeringar av resonemang, hastighet eller kostnad;
• en kommersiell strategi med snabbare lanseringar.

@JakeKAllDay ger just en konventionell förklaring till steget från Gemini 3.7 till 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

Hans argument bevisar inte att mer avancerad intern kapacitet saknas. Det påminner dock om att en hög lanseringstakt eller en synlig förbättring av produkterna inte räcker för att konstatera rekursiv självförbättring.

Snabbare iteration är en möjlig operativ signal, inte ett bevis på en autonom och sluten RSI.

@haider1s paradox: han ser ett tidigt tecken men tvivlar sedan på att RSI redan har uppnåtts

En av de mest intressanta aspekterna av diskussionen är att @haider1 befinner sig på båda sidor av debatten. Den 6 september tolkar han resultaten från Gemini som en signal om ”tidig RSI”. Den 12 september, under @kimmonismus inlägg, ifrågasätter han på logiska grunder tanken att RSI redan skulle ha uppnåtts, med hänvisning till de offentligt tillgängliga produkterna.

"jag sade faktiskt detta för några dagar sedan, men jag är fortfarande inte säker på hur det ska gå till när Googles modeller fortfarande ligger ganska långt efter inom programmering så om Google hävdar att de har uppnått RSI, har OpenAI och Anthropic förmodligen uppnått något liknande mycket tidigare" @haider1

Denna invändning riktar sig direkt mot klyftan mellan en spektakulär hypotes om interna framsteg och användarnas erfarenheter av Gemini-modellerna för programmering. Om Google verkligen hade slutit en högpresterande loop för rekursiv förbättring, varför skulle då inte dess offentliga modeller tydligt dominera inom programmering, resonemang eller agentbaserat arbete jämfört med konkurrenter som ofta betraktas som ledande?

@kimmonismus svarar med en strategisk hypotes:

"Frågan är om Google helt enkelt skulle kunna avstå från att erbjuda konsumenterna den senaste tekniken och i stället investera allt i RSI." @kimmonismus

Det är en möjlighet. Laboratorier offentliggör inte nödvändigtvis sina bästa förmågor, särskilt av säkerhets-, kostnads-, tillförlitlighets- eller konkurrensskäl. Men i den här tråden finns inga belägg för att Google avsiktligt skulle ha undanhållit fungerande spetsteknik till förmån för en intern RSI-loop.

Det är tänkbart att det finns en klyfta mellan Googles interna förmågor och dess offentliga produkter, men här förblir det en möjlig förklaring, inte ett fastställt faktum.

Gemini-produkterna förblir kärnan i skeptikernas invändning

Flera deltagare avfärdar inte tanken på att Google bedriver forskning i världsklass. De ifrågasätter snarare det logiska språng som innebär att denna vetenskapliga styrka omvandlas till ett bevis på RSI.

Under @lyraxanas inlägg beskriver @DeepLearn007 denna klyfta mellan forskning och produkt:

"Google bedriver fantastisk forskning, trots allt var de pionjärer bakom Transformers med mekanismen Self-Attention och genomförde mycket av den tidiga RL-forskning som ligger till grund för LLM:er. Men de har haft svårt att omsätta forskningen i produkter. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli framför en liknande kritik, mer direkt grundad på användningen av de offentliga modellerna:

"Jag vill tro på det, men med tanke på deras offentliga modeller har jag svårt att göra det. :) Det känns lite som att vi är tillbaka i Bard-eran jämfört med de andra högklassiga modellerna." @VibeDevolli

@kimmonismus svarar utan att tillföra något nytt:

"För att vara rättvis: GDM är fortfarande med i matchen" @kimmonismus

Svaret är rimligt, eftersom Google DeepMind fortfarande är en betydande aktör inom AI. Det besvarar dock inte den fråga som ställts: vilka offentliga prestandaresultat, tekniska publikationer eller operativa bevis skulle göra det möjligt att gå från ett konkurrenskraftigt företag till ett företag som har uppnått RSI?

@Politas180 sammanfattar denna invändning i en särskilt tydlig mening:

"Om de faktiskt hade slutit loopen skulle Gemini redan vara modellen som jag låter köra över natten. Det är den inte. Att skriva det med versaler förändrar inte den saken." @Politas180

Detta är en användares omdöme, inte ett akademiskt benchmark. Men det återspeglar en uppfattning som delas av flera deltagare: ingen offentlig erfarenhet av Gemini ger i dag tydliga bevis på ett avgörande försprång som skulle vara förenligt med en redan sluten loop för rekursiv självförbättring.

Den avgörande tekniska skillnaden: forskningsassistans kontra heltäckande RSI

Det mest välgrundade svaret i tråden kommer från @MTorygreen. Det förnekar varken Googles framsteg eller AI:s potentiella inverkan på forskningen och träningen av framtida modeller. Det ställer helt enkelt den avgörande frågan: var krävs fortfarande mänsklig inblandning?

"Jag skulle vara försiktig med att kalla något för RSI innan vi vet var den mänskliga flaskhalsen fortfarande finns. Om modellen genererar bättre experiment, förbättrar kod och hjälper till att utforma nästa träningskörning är det enormt. Men det finns fortfarande en stor klyfta mellan det och ett system som rekursivt förbättrar sig självt från början till slut." @MTorygreen

Denna distinktion är avgörande för att tolka ryktena om Google DeepMind AGI.

Ett system kan bidra till att:

1. generera forskningshypoteser;
2. skriva eller korrigera delar av träningskoden;
3. föreslå arkitekturer eller syntetiska data;
4. påskynda utvärderingar;
5. hjälpa ingenjörer att välja nästa träningskörning.

Allt detta kan avsevärt påskynda arbetet i ett laboratorium. Men en stark RSI skulle kräva mer: resultaten skulle behöva väljas ut, valideras, integreras, tränas och driftsättas med så pass begränsad mänsklig inblandning att systemet självt kumulativt förbättrar sin egen förmåga.

Då skulle man behöva veta var valideringarna, arkitekturbesluten, säkerhetskontrollerna, avvägningarna kring beräkningsresurser, åtkomsten till data och granskningen av resultaten fortfarande äger rum. Tråden ger inga svar på dessa frågor.

Det är därför @MTorygreens argument är bäst underbyggt: diskussionen antyder att automatisering är möjlig, men dokumenterar inte en heltäckande autonom förbättringsloop.

En strategisk berättelse ersätter inte en teknisk demonstration

@kimmonismus lägger i sitt inlägg till hänvisningar till Demis Hassabis, Sergey Brin, Reuters och RSI:s strategiska betydelse i konkurrensen om AGI. Dessa faktorer kan förklara varför Google skulle vara intresserat av en sådan teknik. De visar inte att den har uppnåtts.

Att Google DeepMind betraktar AGI, automatisering av forskning eller förbättring av modeller som prioriterade områden ligger i linje med strategin hos alla stora laboratorier. En industriell ambition utgör ingen teknisk validering.

@kimmonismus uppger också att han kommer att bevaka ämnet i sitt nyhetsbrev Superintelligence. Sidan beskriver sig som en AI-briefing för dem som vill ”vinna framtiden” och uppger sig ha över 160 000 dagliga prenumeranter. Denna positionering förklarar intresset för ämnet, men tillför inga ytterligare oberoende uppgifter om ryktet.

Varför ryktet trots allt förtjänar att tas på allvar

Avsaknaden av offentliga bevis innebär inte att hela saken saknar grund. Två verifierbara strategiska signaler förklarar varför ryktet just nu får särskilt god grogrund.

För det första meddelade Google i augusti 2026 att Demis Hassabis blev styrelseordförande för Google DeepMind och forskningschef för Alphabet. Koncernen uppger att den nya rollen ska ge honom möjlighet att ägna sin ”fulla uppmärksamhet” åt att forma AGI:s framtid. Det officiella tillkännagivandet finns på Googles blogg.

För det andra rapporterade Reuters den 12 augusti 2026 att Sergey Brin drev Googles satsningar mot rekursiv självförbättring inom ramen för omorganisationen av företagets AI-verksamhet. Reportaget beskriver RSI som ett tillräckligt strategiskt område för att påverka resursfördelningen och teamstrukturen. Det bekräftar inte att en fungerande loop har uppnåtts. Däremot bekräftar det att frågan finns på strategisk nivå inom Google och inte enbart i spekulationer på X. Reuters-reportaget finns att läsa här.

Nyansskillnaden är avgörande. Vi har starka indikationer på att Google vill påskynda systemens självförbättring. Vi har inga offentliga bevis för att företaget har passerat den tröskel som sociala medier redan kallar ”RSI”.

Om Google verkligen har en RSI-loop förändras AI-kapplöpningens karaktär

Det är här denna historia blir viktigare än ett enkelt modellrykte. En verklig RSI-loop skulle inte bara vara ”en smartare Gemini”. Den skulle förändra processen som skapar kommande Gemini-modeller.

1. Framstegstakten skulle i sig bli en konkurrensförmåga

Hittills har konkurrensen mellan Google, OpenAI och Anthropic främst avspeglats i successiva modellgenerationer, benchmarktester och produktlanseringar. En självförbättringsloop skulle flytta konkurrensen till en högre nivå: hur snabbt ett laboratorium kan förbättra sitt eget forskningsmaskineri.

Om ett system hjälper till att identifiera användbara experiment, skriver en allt större del av koden, automatiskt analyserar misslyckanden och föreslår nästa träningsomgång, vinner laboratoriet inte bara några poäng i benchmarktester. Det förkortar cykeln mellan två generationer. I det scenariot blir det mindre informativt att jämföra offentliga modeller vid en viss tidpunkt än att mäta lutningen på den interna utvecklingskurvan.

Det är också detta som gör takten i Gemini-släppen intressant utan att göra den till ett bevis. Tre lanseringar tätt inpå varandra bevisar ingenting i sig. Men om den takten är resultatet av en djupgående automatisering av forskning och utveckling blir den en indikator på en mer strukturell fördel.

2. Googles bästa modell kanske aldrig blir en offentlig produkt

Hypotesen som @kimmonismus har lagt fram förtjänar att granskas: Google skulle kunna reservera sina mest avancerade system för intern forskning i stället för att omedelbart göra dem tillgängliga för konsumenterna.

Denna strategi skulle vara ekonomiskt logisk. En intern modell som kan förbättra data, träningskod, utvärderingar eller arkitekturer kan ha större värde som FoU-multiplikator än som en chattbot som säljs några veckor tidigare. Den offentliga produkten skulle då kunna se ut att ligga efter, samtidigt som den döljer en betydligt mer avancerad intern infrastruktur.

Detta skulle förklara trådens centrala paradox, men endast om oberoende belägg en dag bekräftar det. För närvarande är det en sammanhängande hypotes, inte en bevisad förklaring.

3. Beräkningskapacitet skulle bli forskningskapital som förbättrar sin egen avkastning

Även en partiell RSI skulle kunna förändra beräkningskapacitetens ekonomi. I dag gör fler GPU:er det framför allt möjligt att genomföra fler experiment, träna större modeller eller betjäna fler användare. I en automatiserad förbättringsloop används en del av beräkningskapaciteten också till att utforma bättre sätt att använda framtida beräkningskapacitet.

Med andra ord finansierar beräkningskapaciteten inte längre bara en modell. Den finansierar en process som försöker göra nästa cykel effektivare. Om denna loop verkligen fungerar kan fördelen för de aktörer som har de största klustren, de bästa chippen, tillgång till energi och vertikal integration förstärkas.

Google är särskilt väl positionerat på detta område tack vare sina TPU:er, sina datacenter, sina forskarteam och sin förmåga att implementera resultaten i en global infrastruktur. Det garanterar inte någon RSI. Det förklarar varför ett sådant genombrott hos DeepMind skulle få oproportionerligt stora industriella konsekvenser.

4. OpenAI och Anthropic skulle pressas mot större sekretess och mer intern användning

Om en aktör bevisade att ett system påtagligt förbättrar processen som bygger dess efterföljare, skulle konkurrenterna ha föga intresse av att enbart svara med en offentlig lansering. Även de skulle försöka göra sina bästa modeller till interna forskare, ingenjörer, utvärderare och operatörer.

Den synliga konsekvensen skulle kunna bli paradoxal: ju mer strategiska de interna förmågorna blir, desto mindre avslöjar de offentliga modellerna om hela kapplöpningen. Publika benchmarktester skulle förbli viktiga, men de skulle beskriva ett produktlager. Den verkliga konkurrensen skulle handla om de interna agenternas kvalitet, automatiseringen av experiment, beräkningskapacitetens avkastning och förmågan att omvandla en idé till tillförlitlig träning.

Därför är invändningen ”offentliga Gemini är inte nummer ett, alltså kan Google inte ha RSI” otillräcklig. Men det motsatta argumentet är lika svagt: ”Gemini gör snabba framsteg, alltså har Google RSI”. Båda blandar ihop den observerbara produkten med forskningsinfrastrukturen som producerar den.

5. Säkerhet och reglering bör övervaka en förmåga, inte ett ord

Begreppet RSI är alltför vagt för att i sig kunna utgöra ett användbart regulatoriskt tröskelvärde. Den rätta frågan är mer konkret: vilka forskningsuppgifter kan ett system utföra utan mänsklig inblandning, med vilken framgångsgrad och under hur många cykler i följd?

Mer relevanta indikatorer skulle vara förmågan att ändra träningskod, utforma och välja experiment, diagnostisera resultaten, föreslå en efterföljande arkitektur, hantera beräkningsresurser och upprätthålla en mätbar förbättring över flera iterationer.

Ett laboratorium skulle kunna ha flera delar av denna kedja utan att förfoga över en heltäckande autonom RSI. Det är förmodligen detta mellanläge som är viktigast på kort sikt. Det kan redan kraftigt påskynda utvecklingen, koncentrera fördelarna till ett fåtal aktörer och försvåra säkerhetsutvärderingar, utan att likna den ”exponentiella loop” som ofta föreställs när begreppet RSI cirkulerar på X.

Vad läsaren bör ta med sig från denna serie inlägg

Ryktet om Google DeepMinds RSI bygger på tre informationsnivåer som inte får blandas ihop:

• @lyraxana publicerade en tvetydig gratulation utan att nämna vare sig RSI eller AGI.
• @haider1 hade tidigare sett Geminis utvecklingstakt som ett ”sign of early RSI”, det vill säga en begränsad hypotes om en möjlig accelererad automatisering.
• @kimmonismus kopplade dessa signaler till ett mer specifikt rykte om att Google DeepMind skulle ha uppnått RSI, samtidigt som han medgav att det fortfarande rör sig om ett rykte.

Tråden lämnar flera frågor obesvarade:

• Vad menade @lyraxana egentligen?
• Vilka verifierbara uppgifter styrker personens tillförlitlighet som källa till AI-läckor?
• Vilka data skulle göra det möjligt att skilja en automatiserad utvecklingskedja från fullständig rekursiv självförbättring?
• Underskattar Googles offentliga modeller den verkliga interna kapaciteten, eller återspeglar de mer direkt tillståndet hos företagets system?
• Beror takten i Gemini-tillkännagivandena på en mer autonom AI, bättre team, större beräkningskapacitet eller en publiceringsstrategi?

Den mest rigorösa slutsatsen är därför mindre spektakulär än det ursprungliga ryktet. Google kan mycket väl påskynda sina interna processer, använda AI för att förbättra kod, experiment och träning samt investera kraftigt i AGI. Men inget offentligt material i den här tråden bevisar att Google DeepMind har uppnått fullständig RSI, eller ens att @lyraxanas inlägg specifikt handlade om denna idé.