关于"AI自我改进、递归加速"的叙事，Google给出了一个相当克制的内部视角。
发生了什么
据 The Decoder 报道，Google 工程师 Haydn Belfield 公开表示，目前并不存在可测量的、由 AI 驱动的 AI 研究加速。他给出的两个关键观察来自 Google 内部：其一，AI 现在已经写出超过 75% 的生产代码；其二，即便如此，仍有 88% 的代码改动需要人类监督。与此同时，Google 内部的 General Capability Index（通用能力指数）呈现的是稳定增长，而非突然的陡升。Belfield 的结论很直接：自我改进型 AI 离我们远得很。
为什么重要
"AI 写 AI"是过去一段时间里最有传播力的叙事之一——它暗示能力曲线会在某个节点垂直上扬，进而引发对失控、对时间表的密集讨论。Google 这次的表态，等于从最接近前沿的地方给这条曲线做了一次实测：写代码的比例确实很高，但"写得多"和"改得动自己"是两回事。
75% 与 88% 这两个数字放在一起，恰恰说明了当前的真实分工。AI 承担的是生成与铺量的部分，人类保留的是判断、取舍与验收的部分。代码是 AI 最擅长、也最容易量化的领域，如果连这里都没有出现研究层面的加速，那么把同样的期待外推到数学、芯片设计或模型架构本身，就更需要证据。
另一个值得注意的点是 General Capability Index 的"稳定增长"。它并不否认进步，而是否认"拐点"。对一家有动机强调自身进展的公司来说，这种偏保守的表述反而更有信息量。
影响与看点
对开发者而言，这条消息的现实含义是：短期内不必为"被自我进化的 AI 取代"做心理准备，但需要为"审阅 AI 产出"这项新技能做投入。88% 的改动需要人看，意味着代码审查、测试生成、变更验证这类环节的价值不降反升——它们正是把 AI 的产出量转化为可靠交付的瓶颈所在。
对行业而言，值得关注的是叙事与指标之间的落差。围绕自我改进的讨论往往依赖思想实验和趋势外推，而 Belfield 提供的是可测量的内部信号。这不代表未来不会出现加速，只代表目前还没有。
一个独立判断：真正决定"自我改进"何时到来的，可能不是模型能不能写出代码，而是能不能在没有人类验收的情况下判断自己写得好不好。在这一点被解决之前，75% 这个数字更像是产能指标，而不是能力指标。
