谷歌推出 Gemini 4 Argon 旗舰 AI 模型，消息称其实战性能遭员工质疑
Alphabet旗下的谷歌已开始逐步推出其备受瞩目的旗舰AI模型Gemini 4 Argon，但据彭博社报道，公司内部对于该模型在代码编写等关键领域的实际表现仍存疑虑。
谷歌于当地时间周三向一小批经过筛选的网络安全合作伙伴开放了该模型，并表示将在完成更多测试后扩大开放范围，优先面向付费订阅用户。谷歌称，Gemini 4在多项基准测试中取得了领先得分，其中一项安全能力测试的成绩甚至超过了OpenAI的Astra模型。
然而，部分内部员工表示，这些评估指标并不能全面反映实际情况。几位直接参与项目的知情人士透露，尽管Gemini 4在广泛使用的模型效果基准测试中表现不错，但当谷歌员工实际用它开展工作时，效果却不理想。这些不愿具名的人士称，该模型在处理部分代码任务时会遇到困难。
谷歌发布上述消息后，Alphabet的盘后股价上涨约1.7%。而在常规交易日临近收盘时，随着彭博社报道出员工对该模型的质疑，周三早些时候的涨幅又出现回落。
近期谷歌一直在努力研发模型，希望与OpenAI和Anthropic竞争。知情人士称，该公司原本计划在六月份发布另一版本Gemini 3.5 Pro，但之后放弃了这一开发工作。
谷歌方面表示，所谓Gemini 4在代码等领域表现不佳的说法并不准确。公司将彭博社的问询引向谷歌DeepMind负责人科拉伊·卡武库奥卢（Koray Kavukcuoglu）上周发表的表态；他当时称自己对这款模型的性能感到鼓舞。
“我对这支团队抱有十足的信心。”卡武库奥卢在科技新闻网站《The Information》主办的一场会议上说，“在我看来，我们必将持续站在技术最前沿，这是确定无疑的。”
谷歌内部对此的看法存在分歧。一部分员工认为，Anthropic的Fable与OpenAI的Astra模型迭代提升的速度已经超过Gemini。在这些人看来，就算Gemini 4发挥出最佳水准，依旧会在部分领域落后于竞品。另有一部分员工则认为，这款即将上线的新版本已经追上领先的人工智能实验室。
一名熟悉模型研发工作的谷歌员工表示，公司内部已经“形成广泛共识”，认为Gemini 4处于行业前沿水平。这名人士称谷歌已经针对该模型开展了严苛测试，否认该模型难以应对现实当中杂乱复杂的编码任务。
谷歌迫切需要Gemini 4取得成功。几乎谷歌旗下所有产品都以该系列模型作为底层支撑：既包括谷歌最主要的盈利业务搜索页面顶部给出的人工智能回答，也涵盖地图、邮箱以及浏览器Chrome。上述每一款产品的用户规模都超过十亿，这是不少竞争对手并不具备的分发优势。
但OpenAI与Anthropic已经不再仅仅售卖模型，转而着手打造自有产品，其中就包括编程智能体。如果谷歌拿不出一款顶尖的新一代模型，竞争对手就会获得更多机会，去说服普通消费者、开发者以及各类企业，让他们相信未来的搜索与软件应当搭建在对手的平台之上。
在回复彭博社的提问时谷歌表示，尽管上一代Pro模型还是在二月份发布，但此后谷歌旗下人工智能相关产品依旧保持增长，其中包括面向企业版本的Gemini、面向普通用户的聊天机器人应用，以及谷歌搜索当中的人工智能模式；后两项产品的用户数量都已经突破十亿。
去年11月，谷歌正式推出了Gemini 3。这款模型收获不错的评价，外界普遍认为这是谷歌奋力追赶OpenAI与Anthropic过程当中的一个转折点。谷歌在五月份的开发者大会I/O上对外公布新一代迭代版本Gemini 3.5 Pro，并承诺于次月正式发布。然而原定的发布期限已经过去，知情人士称谷歌后续直接搁置了Gemini 3.5 Pro项目。
放弃该项目不光阻碍谷歌的人工智能发展规划，还很可能让公司付出高昂的时间与资金代价。彭博行业研究分析师曼迪普·辛格（Mandeep Singh）提出，训练开发这一级别的大模型单次训练运行开销最高可达4亿美元（现汇率约合26.87亿元人民币）；再加上高薪人工智能研究人员的人力投入，整体成本还会进一步走高。
如今Gemini 4的研发又接连遇到各类难题。熟悉内部评估工作的人士透露，该模型的代码编写能力参差不齐。其中一位知情人员表示，Gemini并不擅长前端设计，也就是决定应用程序与网页外观和交互体验的相关工作。这有可能成为一次严重挫折，因为谷歌在竞争激烈的人工智能代码工具赛道本就处于追赶位置。
除此之外，知情研发人员称它本身属于体量非常庞大的模型。大型模型的运行成本通常居高不下，这或许会给谷歌的利润空间带来压力。
业内专家表示，谷歌或许正陷入整个行业的通病：过度看重基准测试得分，也就是所谓的“基准跑分内卷”现象。工程师会投入更多精力刷出好看的测试分数，而非开发一款可以切实把任务做好的产品。各家人工智能实验室容易出现这种倾向，毕竟客户往往依靠基准分数评判模型优劣。两位熟悉该模型的人士表示，Gemini 4似乎也受到这一问题的影响。
人工智能初创企业Surge AI创始人埃德温·陈（Edwin Chen）提出，如果一味依赖基准测试，实验室就会倾向于专门针对特定编程语言优化模型的代码能力，而不是去开发体验良好、设计完善的应用。
“可以打个比方：‘没错，我的孩子SAT考试分数很高。’可是SAT高分并不等同于现实当中的实际能力。”埃德温·陈说，“这是一个危害极大的问题。”
知情人士同时也指出，Gemini 4本身依然具备优势。该模型擅长解析文本以外形式的输入内容，例如从视频当中提取元数据；另外它在安全防护、网络安全方面表现突出，输出内容的沟通表达清晰自然。
谷歌内部的挫败情绪已经十分明显。此前彭博社一篇报道在采访研究人员时，对方就批评公司体系庞大、层级繁杂，试图把人工智能技术强行嵌入谷歌几乎全部产品线；不断变动的任务目标与优先级调整，导致企业很难落实一套连贯统一的发展策略。
与此同时，一批顶尖人工智能研究人员相继离开谷歌，其中包括传奇工程师杰夫·迪恩（Jeff Dean）、诺贝尔奖得主约翰·江珀（John Jumper），还有诺阿姆·沙泽尔（Noam Shazeer）——他参与发明的底层技术，正是本轮人工智能热潮的重要基石。今年八月，长期主管谷歌人工智能研究工作的德米斯·哈萨比斯（Demis Hassabis）转任董事长一职，将DeepMind部门的日常运营工作移交给他长期的副手科拉伊·卡武库奥卢。
谷歌于周三对外说明，Gemini 4面向软件工程、金融、法律以及网络安全领域时长较长、复杂度高的工作任务而设计。该模型相比前代版本可以生成更长的回复，单次输出最高可达一百万词元（token），大约相当于七十五万个单词。用户可通过开云入口获取更多关于该模型的详细信息。
就在谷歌奋力追赶的同时，竞争对手依旧在高速向前推进。尽管接连发生多起AI智能体入侵外部机构的事件，已经有观点认为部分前沿模型的研发速度会有所放缓；就在本月早些时候，Meta平台公司发布了Muse这款AI智能体产品，官方称它可以独立完成网购、预约等日常事务。这款应用上线之后迅速登上应用下载榜单前列。
