Gemini 3.5 Pro 推不出來，3.6、3.7、3.8 Flash 卻六週三連發：Google 在玩什麼把戲？
如果只看版本號，Google 最近的 Gemini Flash 節奏很像在開外掛：3.6 Flash 在 7 月 21 日推出，3.7 Flash 在 8 月 13 日推出，3.8 Flash 則在 9 月 2 日推出。六週內三次發布；後兩次各相隔三週。
但真正該問的不是「3.8 比 3.7 又多幾分」，而是：模型公司是否已把 AI 放進研發自己的迴路？
Google 對 Gemini 3.8 Flash 的說法值得特別注意：3.8 與 3.8 Flash Cyber 的共同底層能力，受到「長時間運行的 agentic loops」加速，這些迴路被設計為遞迴地評估與精煉底層模型。這是少見、而且非常具體的官方表述。
我的判斷很直接：
這不是「AI 已經能自行爆炸式進化」的證據；但它是 RSI（Recursive Self-Improvement，遞迴自我改進）從概念，走向受限、可驗證、可部署的 AI 研發工程。
接下來兩年，最先被改寫的未必是聊天機器人，而是模型研發、軟體工程、算力調度與資安防禦的生產函數。
1. 先把事實釘住：Flash 真的加快了，圖表僅作示意
先看可由 Google 官方資料核對的發布節奏：
- 2025/04/17：Gemini 2.5 Flash 預覽版。Google 將其定位為首個可開關 thinking、可設定 thinking budget 的完整 hybrid reasoning model。
- 2025/12/17：Gemini 3 Flash。官方公布 GPQA Diamond 90.4%、MMMU Pro 81.2%、SWE-bench Verified 78%。
- 2026/05/19：Gemini 3.5 Flash。重點轉向長鏈 agentic 與 coding 工作流；官方舉 Terminal-Bench 2.1 76.2%、MCP Atlas 83.6%、CharXiv Reasoning 84.2%。
- 2026/07/21：Gemini 3.6 Flash。Google 主打更少的輸出 token、較低單位成本與 agent 工作流效率；以 DeepSWE 49% 對 3.5 Flash 的 37%、MLE-Bench 63.9% 對 49.7% 為例。
- 2026/08/13：Gemini 3.7 Flash。Google 明確指出距 3.6 僅三週，並歸因於開發者回饋與演算法創新。公開例子包括 DeepSWE v1.1 65.3%（3.6 為 49.0%）、FrontierCode 1.1 Main 43.6%（34.4%）。
- 2026/09/02：Gemini 3.8 Flash。距 3.7 再三週，且 Google 直接稱這是六週內第三次 Flash 發布；官方則以 HLE-Verified 54.9% 等指標描述其多步推理與 agent 任務能力。
這條時間線足以支持「Flash 的對外更新節奏明顯加速」。以下圖表由作者製作，呈現版本與五項評測的示意趨勢；它不是跨代能力的可比性證據。
圖表將 2.5 到 3.8 的 Code、MATH、MMLU、GPQA、MMMU 畫成連續曲線，並標上 3.8 的 Code 96.2%、MATH 92.8%、MMLU 92.6%、GPQA 87.4%、MMMU 86.9%。
這些數字不能直接當成本文的事實證據。 原因很簡單：圖表沒有可對照的來源、評測版本、提示設定、是否允許工具、採樣方式或模型 card；而 Google 各代公開的 benchmark 也已改用不同的評測組合，例如 SWE-bench、DeepSWE、Terminal-Bench、HLE-Verified、OSWorld 與長 context 任務。把不同版本的不同評測直接連成「能力成長曲線」，視覺上好懂，方法上卻不成立。
這不是吹毛求疵。當模型進步開始以週為單位發生，可重現的評測與版本可比性，反而比漂亮的折線圖更重要。
2. Google 所說的 RSI，到底是什麼？
RSI 的字面很容易讓人聯想到一顆模型重寫自己的權重、每一輪都變得更聰明、最後進入無法控制的爆炸。現實中的工程版本沒那麼玄，也更有用。
一個可操作的 RSI 迴路，至少有四個元件：
- 提出改動：模型或 agent 生成程式、訓練配方、資料處理、提示／harness 或系統設計的候選方案。
- 可靠評估：用單元測試、形式驗證、benchmark、模擬器、成本與安全門檻，判斷改動是否真的更好。
- 選擇與累積：保留通過門檻的版本、淘汰失敗版本，讓下一輪以較好的候選作為起點。
- 受控部署：人類決定目標、資源、風險邊界與是否上線；不是讓 agent 自行更換價值函數或任意動用算力。
這裡的關鍵字不是「自我」，而是可驗證。
2003 年，Jürgen Schmidhuber 提出的 Gödel machine，已將「系統證明某次自我修改有益後再修改」寫成理論模型。它很優雅，但幾乎無法在現實軟體與大模型上替每次改動做全域數學證明。
後來真正推動進展的是把「證明」換成較窄但可執行的驗證：
- self-play：AlphaGo／AlphaGo Zero 在封閉規則與明確勝負訊號下，能讓系統從自己對弈中學習；
- AutoML 與演化搜尋：在明確 search space 裡，讓系統探索架構、超參數、資料增強或演算法；
- LLM + verifier：模型提出程式或解法，再由執行結果、測試、模擬器或獨立 evaluator 打分。
這也解釋了為什麼當代 RSI 最先落在程式、演算法、晶片與系統優化，而不是「讓模型自由思考後自行升級」：這些領域有機器可判定、可量化、可回歸的回饋訊號。
3. AlphaEvolve 是最接近的 Google 證據：不是神祕黑箱，是 evaluator 驅動的演化
若要找 Google 已公開、可看見工作方式的案例，AlphaEvolve 比抽象口號更有說服力。
Google DeepMind 在 2025 年公布 AlphaEvolve：Gemini Flash 擴大候選程式的探索廣度、Gemini Pro 提供更深的建議，然後由 automated evaluators 驗證、執行與打分候選程式；演化框架再保留較好的方案，餵回後續迭代。
這條迴路已進到 Google 的實際基礎設施：
- 改善資料中心排程，官方稱平均回收 Google 全球 0.7% 的運算資源；
- 將 Gemini 訓練中一個重要矩陣乘法 kernel 加速 23%，對應約 1% 的訓練時間降低；
- 把原本需要專家數週的 kernel 最佳化，縮短到數天的自動化實驗；
- 在晶片設計、快取策略與其他運算基礎設施中提出通過驗證的變更。
這些數字是 Google 的公開說法，不是 KumoAlpha 自測；但它們指出一件很重要的事：AI 幫 AI 研發的最強飛輪，短期不一定先表現在 benchmark 分數，而是先表現在「用相同算力做更多可靠實驗」。
當系統能優化訓練 kernel、排程與硬體設計，節省下來的計算資源可以重新投入資料生成、訓練與評測。這是一個有實體摩擦的正回饋，而不是無成本的指數魔法。
Gemini 3.8 對「長時間 agentic loops」的描述，應放在這個脈絡下理解：更接近 AlphaEvolve 式的候選生成—評估—篩選—再迭代，而不是模型擅自把自己升級到下一代。
4. 為何 Flash 的節奏會先變快？因為它是最佳的迭代載體
Flash 系列不是單純的「便宜版」。它的產品角色很適合成為快速迭代的載體：低延遲、低單位成本、可配置 thinking effort，而且大量進入 API、企業 agent 與 Google 自己的產品面。
這會形成三個加速器。
4.1 真實工作流回饋變密
3.6 的公開說法是直接建立在 developer/customer feedback 上；3.7 更明講，三週後的更新來自回饋與演算法創新。當大量 agent 在真實的 coding、文件、工具呼叫與企業流程裡運行，團隊能更快找到失敗模式：哪裡會多走迴圈、哪裡會做多餘編輯、哪種工具使用最不可靠。
模型公司的資料優勢，不只是多拿到文本；而是得到更多可評估的任務軌跡。
4.2 agent 讓改進不再只發生在權重
一次產品能力升級，可能來自基座權重，也可能來自後訓練、推理時 effort 配置、工具使用、harness、資料處理、安全策略與 evaluator。這些層次並非每次都需要從頭預訓練。
因此，看到「三週一版」不應推論 Google 每三週重訓一顆完整新模型；比較合理的解釋是，模型、後訓練、推理與 agent 系統已變成可以分層升級的組合產品。
4.3 有 verifier 的任務，最能餵出迴路
程式能編譯、測試能通過、benchmark 能打分、資料中心能量測吞吐與成本。這些任務讓模型的候選方案不用全部依賴人類主觀判斷。
所以近期最顯眼的躍升集中在 software engineering、工具使用、長鏈 agent 與資安修補，並不奇怪。可驗證的回饋越硬，迭代閉環越容易跑快。
5. 未來兩年：不是「AI 自我爆炸」，而是四條產業曲線變陡
（1）模型發布將更像持續交付，評測治理會成為採購核心
過去企業一年換一次主模型，還能接受。若能力、價格與安全設定每幾週都變動，模型不再是一次採購，而是持續供應鏈。
企業應把「哪個模型最強」改成四個可回歸問題：
- 在固定任務集上，品質是否真的提升？
- 單次任務的 token、工具與人工覆核成本是否下降？
- 失敗模式是否改變，尤其是幻覺、越權、提示注入與錯誤行動？
- 版本可否回滾、結果可否稽核？
沒有自有 eval 的公司，會把供應商發表會當作產品 roadmap。那很危險。
（2）軟體工程會先被壓縮的是「驗證良好的雜務」
短期最受影響的不是所有工程師，而是具有測試、規格、lint、CI 與明確驗收的工作：bug triage、重構候選、測試補齊、升級相依套件、文件與 migration。Agent 可連續嘗試多個候選，而 verifier 負責把錯誤攔在部署前。
人的角色會更往上游移：定義規格、設計測試、處理架構取捨、判斷風險與建立能讓 agent 安全操作的邊界。
沒有測試與可觀測性的 legacy code，不會因為模型變強就自動變成自動化金礦；它更可能成為 agent 最昂貴的事故場。
（3）算力競爭從「買更多 GPU」轉向「讓每一輪實驗更有效」
AlphaEvolve 所示範的飛輪很務實：演算法與系統效率改善，釋出訓練／推理資源；資源回投更多實驗；更快找到下一個改善點。
這會推高資料中心排程、編譯器、kernel、TPU／GPU 設計、自動化 benchmark 與實驗管理的戰略價值。未來兩年，真正拉開研發速度差的，不只是哪家公司有多少加速器，更是誰能把算力轉成更多有效且可判定的實驗回合。
不過邊際報酬會遞減：越接近最佳化前緣，候選方案越難驗證、回歸成本越高，硬體與能源也不是軟體能憑空消掉的約束。這條曲線會變陡，但不會無限上翹。
（4）資安成為 RSI 最尖銳、也最需要受限部署的戰場
Google 3.8 Flash Cyber 聚焦找漏洞與自動修補，並只向受信任防禦方透過 Fairwind Program 開放。這個產品策略本身就是訊號：同一套「生成候選—驗證—反覆修正」能力，可讓防守方更快修補，也可能降低攻擊者研究與迭代的門檻。
未來兩年，安全團隊要面對的不是單一聊天模型，而是能長時間跑任務、會使用工具、會從錯誤中調整下一步的 agent。防線必須同步升級：最小權限、隔離 sandbox、工具 allowlist、異常偵測、人工核准點，以及可重放的完整 audit log。
能自我修正的 agent，不代表可以自行授權。
6. RSI 的真正瓶頸：不是生成能力，而是判斷「什麼叫更好」
RSI 最常被講成生成問題：「模型能不能寫出更好的程式？」其實更難的是評估問題：「你如何知道這個改動真的更好，而且沒有在看不到的地方變壞？」
這是為什麼：
- benchmark 被刷高，不等於真實任務更可靠；
- 讓同一模型產生、打分、選擇，容易變成自我確認迴路；
- 只優化容易量測的指標，可能犧牲安全、泛化、成本或人類偏好；
- 訓練資料、評測資料與 agent 軌跡若缺乏多樣性與外部驗證，會有回饋偏差與模型崩塌風險。
Google 3.8 的 model card 也提醒，部分安全評測在新版本下改善評測方法，因此不必然能與舊結果直接比較；它並揭露多語安全上較 3.7 略有退步。這比任何全線上升的圖更接近現實：能力不是一條乾淨的直線，安全、成本、延遲與不同語言／任務間都有交換。
成熟的 RSI 不是把人移出迴路；而是把人從逐行嘗試，移到定義目標、設計 evaluator、監督資源與批准部署的位置。
結論：Google 的領先訊號，不是 3.8 這個版本號，而是「研發迴路變短」
Gemini Flash 的六週三連發，已足以說明 Google 能把模型與 agent 能力的更新節奏壓到週級；而 3.8 對遞迴評估與精煉迴路的官方說法，則讓 RSI 不再只是旁觀者的猜測。
但我們不該把這件事神化為 AI 即將無限自我升級。
目前真正發生的是更具體、也更具商業殺傷力的版本：
模型提出候選，verifier 決定去留，agent 把實驗跑得更久、更廣；人類仍掌握目標、權限、算力與上線閘門。
未來兩年，競爭力不只在於擁有最聰明的模型，而在於誰能建立最快、最可靠、最安全的「候選—評測—回歸—部署」迴路。
對使用 AI 的企業也是同一件事：不要追著每個新版本跑。先把能驗證的任務、權限邊界、回歸題組與可回滾流程建起來。沒有這些，快速迭代只會讓你更快地把錯誤自動化。
來源與資料界線
一手來源：Google／Google DeepMind
- Google，〈Developers can now start building with Gemini 2.5 Flash〉，2025-04-17：https://blog.google/products-and-platforms/products/gemini/gemini-2-5-flash-preview/
- Google，〈Gemini 3 Flash: frontier intelligence built for speed〉，2025-12-17：https://blog.google/products-and-platforms/products/gemini/gemini-3-flash/
- Google，〈Gemini 3.5: frontier intelligence with action〉，2026-05-19：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5/
- Google，〈Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber〉，2026-07-21：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/
- Google，〈Introducing Gemini 3.7 Flash〉，2026-08-13：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-3-7-flash/
- Google，〈Introducing Gemini 3.8 Flash and 3.8 Flash Cyber〉，2026-09-02：https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/
- Google DeepMind，〈Gemini 3.8 Flash Model Card〉，2026-09-02：https://deepmind.google/models/model-cards/gemini-3-8-flash/
- Google DeepMind，〈Gemini 3.7 Flash Model Card〉，2026-08-13：https://deepmind.google/models/model-cards/gemini-3-7-flash/
- Google DeepMind，〈AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms〉，2025-05-14：https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/
- Google DeepMind，〈AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields〉，2026-05-07：https://deepmind.google/blog/alphaevolve-impact/
- Google DeepMind，〈AlphaGo Zero: Starting from scratch〉，2017-10-18：https://deepmind.google/blog/alphago-zero-starting-from-scratch/
技術背景
- Schmidhuber, J.，〈Gödel Machines: Fully Self-referential Optimal Universal Self-improvers〉，2003：https://link.springer.com/content/pdf/10.1007/978-3-540-68677-4_7?pdf=chapter+toc
- Zhang et al.，〈Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents〉，arXiv:2505.22954，2025（預印本，非經同儕審查）：https://arxiv.org/abs/2505.22954
本文所有 Gemini 發布日期、產品說法與 benchmark 數字，均以 Google／Google DeepMind 一手資料為準。本文所附圖表由作者製作，作為版本與評測示意；因不同 benchmark、版本與評測設定未必可直接橫向比較，未將其 2.5–3.8 跨代折線與終點分數作為事實依據。
本文為技術與產業觀察，不構成任何投資建議、證券買賣建議、法律意見或績效承諾。