知名半导体与 AI 研究机构 SemiAnalysis 在社交平台 X 上发布了一张写给 Google DeepMind 主席 Demis Hassabis 的「道歉专用表」,正式撤回其今年 8 月对 Google 模型业务作出的极端悲观判断。该机构在表格中勾选的理由包括「只看了 X 上的消息」「在 Anthropic 工作的室友说服我相信 Gemini 已经完了」以及「没有阅读模型卡」。最具象征意义的是最后一行:他们从当初的标题里划掉了一个「is」,把「Gemini is cooked」(Gemini 完了)改成了「Gemini 这回真做出了点东西」。

事件的起点是 2026 年 8 月 SemiAnalysis 发布的一篇看空报告。该报告认为,Google 自去年 11 月短暂领先之后,再未发布令人兴奋的模型,已处于掉队状态。报告分析称,DeepMind 的强化学习团队流失了不少人员,内部算力分配也存在问题,并给出一个相当重的判断:照此下去,Google 仍会继续发布模型,但再次达到行业最高水平的概率已经「降到了零」。

然而,报告发出不到两个月,Google 便公布了 Gemini 4 Argon,随后在 10 月底发布 Carbon、11 月 12 日推出 Hydrogen、18 日发布 Neon,短短 8 天内接连推出三款模型。其中 Carbon 在 Artificial Analysis 的综合能力榜单上登顶。这些模型在社交媒体上收获大量好评:主打 Flash 的 Hydrogen 在写作和复杂软件任务上能快速完成;最智能的 Carbon 擅长处理各类长程 Agent 任务;介于两者之间的 Neon 则兼顾速度与智能,被认为是 Gemini 4 系列中综合能力最强的一款。

面对外界的批评,Google DeepMind 研究员 Arthur Douillard 在 X 上透露,团队曾把那篇批评文章打印出来放在桌上,每天提醒自己当时的问题确实存在,并感谢 SemiAnalysis 提供的动力。随后 SemiAnalysis 转发了这条帖子,并晒出了开头那份道歉表。几小时后,Hassabis 转发接梗表示「接受道歉」,同时打趣说对方漏勾了「低估了 Google DeepMind 这群高手」这一项。事实上,在机构官号发梗图的两周多前,8 月看空报告的共同作者 Dylan Patel 就已在 Gemini 4 Carbon 的评测发布后,以个人名义向 Google 公开致歉。

从 8 月初被权威机构公开唱衰,到 11 月中旬连续推出四款 Gemini 4 系列模型并重返榜单前列,Google 内部经历了怎样的调整与积累?

回到今年夏天,唱衰并非毫无根据。原定 6 月推出的 Gemini 3.5 Pro 迟迟未能上线,Google CEO 桑达尔·皮查伊 曾在 5 月的 I/O 大会上预告该模型于 6 月推出,但最终未能如期发布。受限于算力约束,加上多位项目负责人之间存在意见分歧,编程等后来显得至关重要的方向在当时获得的资源偏少。此后接掌研发的 Koray Kavukcuoglu 也解释称,团队在那一阶段把更多注意力放在了迭代较快的 Flash 模型上。

在内部资源博弈与外界质疑声中,Google 于 8 月 5 日宣布对 DeepMind 进行重大组织调整:原 DeepMind CTO、Google 首席 AI 架构师 Koray Kavukcuoglu 出任 DeepMind 高级副总裁,直接向皮查伊汇报,全面负责 Gemini 模型开发、前沿研究以及 Gemini 应用和开发者团队。Demis Hassabis 交出日常运营职责,转任 DeepMind 主席和 Alphabet 首席科学家。与此同时,Gemini 原技术共同负责人 Jeff Dean、Oriol Vinyals,与 Sanjay Ghemawat、Quoc Le 一同离开谷歌,创办了 Discovery Loop。

外界常有疑问:Google 既不缺数据也不缺芯片,为何做不成大模型?但即便拥有自研 AI 芯片 TPU,训练下一代 Gemini 需要算力,给眼前用户生成答案需要算力,Google Cloud 的客户也在排队。对集团而言,芯片卖出去是好生意;对研究员而言,排不上的实验就是做不了。据外媒报道,谷歌云高管也希望 Koray 接掌 DeepMind 后,能缓和内部在 TPU 供应分配上的紧张关系。

如果把 Gemini 4 几款模型爆发并广受好评的功劳都算在 8 月的人事调整和算力安排上,显然低估了大模型研发的长周期规律。公开记录显示,早在 8 月 5 日组织调整和 8 月 7 日看空报告发布之前,Gemini 4 的底座工程就已经在进行中。在 2026 年 7 月 22 日的 Alphabet 二季度财报电话会上,皮查伊明确透露,Gemini 4 已经启动了「Google 迄今最有野心的预训练」。他表示,管理层已将大量算力和精力集中投入到 Gemini 4 上,目标是依托这一代基础模型加快后续迭代速度,将发布节奏推进到接近每月一版本。

Koray 后来在 9 月初与 11 月 19 日的两场播客访谈中进一步还原了 Gemini 4 的研发机制:DeepMind 内部实行多条研发线并行推进,当一组人打磨当前发布版本时,另外两组团队已经在同步开发后续两代模型。因此,10 月看到的 Gemini 4 背后有至少一年的连续研发沿革。

如果说大规模预训练与多线并行提供了底座,那么让 Gemini 4 在编程与智能体执行上取得明显突破的,是一套基于真实工程场景的后训练体系。2026 年 11 月 12 日,时任 Gemini 后训练负责人的 Melvin Johnson 在 AI Engineer CODE 大会上,以 SemiAnalysis 的批评文章开场,详细披露了 Google 内部的训练方法。

首先是用内部真实工作流替代静态公开题库。Johnson 透露,Google 内部每天约有 10 万名员工使用编程工具 Antigravity 写代码。每当后训练团队训练出几个候选模型版本,就会在内部发起盲测,让工程师直接用自己手头的真实开发任务去检验、挑选更顺手的版本。模型在跨文件修改中哪一步卡住、哪一次改坏了既有逻辑,这些真实的「失手现场」会被立刻回收,转化为下一轮训练题与评分细则。与此同时,团队会果断淘汰「过期题目」:在强化学习中,一旦模型进化到对某道题反复尝试都能稳定拿满分,每次采样得到的奖励信号完全相同,模型就无法从中分辨「哪种做法更好」,这类题目必须撤下,换成更高难度的挑战。

其次是重新定义什么叫「做完了」,并重点关注智能体的诚实度。在传统代码评测中,只要跑通单元测试就能拿分;但在 Gemini 4 的后训练评分里,团队不仅看功能是否实现,还会考察边界条件处理、代码质量、改动范围是否克制以及后续可维护性。更重要的是,评分系统会把模型的「自我汇报」与它的实际操作日志逐一核对。如果一道难题只完成了一半,模型如实交代进度依然可以获得部分奖励;但如果它连测试都没运行就声称「全部通过」,就会遭到严厉惩罚。Johnson 提到,此前在 Google 内部一项高难度工程评测中,基线模型的编造率为 8%,Hydrogen 约为 3%,Carbon 约为 1.5%。

凭借扎实底座和高强度后训练,Google 从 9 月底到 11 月中旬的短短七周内连续公布了四款 Gemini 4 系列模型。其中 Hydrogen 和 Neon 都是从 Carbon 适配出来的:Carbon 瞄准需要长时间推理的难题,Hydrogen 追求日常任务的执行速度,Neon 则兼顾推理深度和效率。

回过头看,SemiAnalysis 当时指出的很多问题确实存在,DeepMind 的研究员也没有否认。只是三个月后的结果证明,外界还是低估了 Google 多年积累的研发能力,以及它把这些能力集中投入到一代模型上的速度。眼下的 Gemini 4,又成了其他模型必须认真面对的竞争对手。Google 不仅把编程、Agent 等能力重新推到了第一梯队,也开始在真实的用户使用和产品体验上,追赶 Codex、Claude 这些 Agent。对行业观察者而言,头部模型厂商之间竞争加剧,往往意味着算力投入增加、模型能力迭代加快,最终可能让用户用上更便宜、更可靠、更容易访问的 AI 服务。