领导层洗牌后，Argon能否助谷歌重回前沿？

文 | 影子备忘录 2026年的AI赛道，用“瞬息万变”来形容已经远远不够。如果你每隔两周没有关注前沿模型的动态，打开排行榜时大概率会怀疑自己是不是错过了整整一个季度。 就在这样近乎疯狂的产品迭代节奏中，谷歌DeepMind于9月30日正式发布了Gemini 4系列的首款旗舰模型Argon。距离上一代旗舰Gemini 3系列亮相，已经过去了将近十个月。 对于一个头部AI实验室来说，十个月的沉默几乎等同于一次豪赌。 但在讨论Argon之前，有一个更值得回看的背景，然而这场豪赌的筹码，其实在两个月前就已经被重新洗过一遍了。 一场“静悄悄的权力交接” 2026年8月5日，Alphabet CEO桑达尔·皮查伊通过内部信宣布了一项令业界震动的架构调整：Google DeepMind联合创始人兼CEO德米斯·哈萨比斯卸下日常运营管理职责，转任DeepMind董事长及Alphabet首席科学家。 首席技术官科雷·卡武克丘奥卢升任DeepMind高级副总裁，直接向皮查伊汇报。 而在这家公司工作了27年的首席科学家杰夫·迪恩，选择离开谷歌，与老搭档桑杰·格玛沃特共同创办一家独立的公益企业。 这组信息放在一起看，远不止几个人换个头衔那么简单。哈萨比斯是DeepMind的灵魂人物，从AlphaGo到AlphaFold，他的个人品牌几乎等同于DeepMind的公众形象。 把他从日常管理中“解放”出来，转而专注AGI长期战略和前沿科学，释放的信号非常明确：谷歌希望DeepMind从一家“顶级研究机构”变成一台“高效产品引擎”。 卡武克丘奥卢是深度学习的实干派，在DeepMind工作13年，从组建深度学习团队到主导WaveNet和DQN等突破，其履历横跨研究与工程两端。 让他掌舵日常运营，本质上是把“交付能力”提到了比“探索自由度”更高的优先级上。 更值得注意的是这次调整的空间维度。多家媒体分析指出，权力正在从伦敦向加州转移，谷歌联合创始人谢尔盖·布林的影响力也在回归。 这意味着DeepMind正在被更深地整合进谷歌的全球产品体系，而不是作为一座“研究飞地”独立运转。 对于一个需要在搜索、地图、Gmail、Chrome等十亿级用户产品中落地AI能力的公司来说，这种整合是必然的，但代价是DeepMind失去了相当程度的自主权。 Argon的牌面 理解了这次架构调整的底层逻辑，再来看Argon的表现，就能读出更多东西。 从纸面数据看，谷歌官方在19项基准测试中宣称Argon取得了13项领先，涵盖长周期软件工程、企业知识工作、网络安全漏洞修复等多个维度。 在衡量真实世界长期软件工程能力的DeepSWE v1.1测试中，Argon拿到了77.9%，超过了Claude Opus 5.5的74.2%和GPT-6 Astra的74.1%。 在Zapier的AutomationBench——这个衡量企业端到端业务流程自动化执行能力的基准上，Argon以51.3%排名第一，比Claude Opus 5.5高出近9个百分点。 但Argon真正让人侧目的，不是某个单独的跑分数字，而是它把输出Token上限从上一代的6.4万直接拉到了100万。 输出上限和上下文窗口是两个完全不同的概念，前者决定的是模型在一次推理轨迹中能生成多长的内容。 100万Token的输出意味着模型可以在单次任务中持续推理、生成接近百万Token的结果，而不是被迫把复杂任务拆成好几轮来做。 这对大型代码库迁移、深度研究、多步骤企业流程这类场景的意义是结构性的。 实际落地的案例也在印证这一点。谷歌披露，Argon已经参与了内部C/C++代码库向Rust的迁移工作，覆盖超过80万行代码的Fuchsia Zircon内核。 在开源视频解码器libgav1项目中，Argon通过多轮性能测试和编译器分析，重写了约3.2万行SIMD代码，新的Rust版本运行速度达到原版本的2.7倍。 这些不是demo级别的展示，而是进入了谷歌核心基础设施的真实工程任务。 定价方面，Argon的推广期价格是每百万输入Token 2美元、每百万输出Token 10美元，缓存输入的价格更是比标准输入低了95%。 根据Artificial Analysis的测算，在折扣价下，Argon完成单个任务的成本约为1.99美元，比GPT-6 Astra低了约40%。 这个价格策略的进攻性非常明显，谷歌是在告诉企业客户：你不一定需要最强的模型，但你一定需要性价比最高的那个。 跑分之外，裂缝同样清晰 Argon的问题和它的亮点一样突出，而且这些问题恰恰暴露了谷歌在AI战略上的深层矛盾。 首先，Argon并非在所有维度上都领先。 在FrontierSWE v2和Terminal-Bench Science 0.1这两个终端和科学推理相关的测试中，GPT-6 Astra领先Argon超过10个百分点；在Terminal-bench 4.0上，Claude Opus 5.5以66.4%大幅领先Argon的57.4%。 The Decoder的评论更是一针见血：Argon“缩小了与OpenAI和Anthropic的差距，但并未取得明显领先”。 另外，彭博社在Argon发布当天报道称，部分谷歌员工对该模型在实际编程工作中的表现存在质疑。 据知情人士透露，尽管Argon在标准基准测试上成绩不错，但当员工真正将其用于日常编码任务时，表现并不尽如人意，尤其是在前端设计等领域存在明显短板。 这种“跑分亮眼、实战存疑”的落差，引发了外界对谷歌是否存在“benchmaxxing”（为跑分而优化）的质疑。 这里面有一个容易被忽略的技术细节。Argon在DeepSWE v1.1上拿到77.9%的高分，但在更接近真实工程复杂度的FrontierSWE v2上只有55.0%，被GPT-6 Astra的65.5%拉开了超过10个百分点。 两个测试的核心差异在于任务链条的长度和环境的不确定性，即前者在相对结构化的条件下评估代码生成能力，后者更接近开发者在实际项目中面对的混乱状态。 这个差距指向一个可能性：Argon在受控环境中的表现出色，但面对真实世界中模糊的需求、不完整的代码上下文和跨模块依赖时，能力衰减比竞品更明显。 这恰好解释了为什么谷歌选择分阶段发布。Argon目前仅通过Fairwind计划向受信任的网络安全防御者开放，普通开发者和消费者还需要等待。 谷歌的官方说法是需要进一步加固安全防护，但这个理由背后可能还有一层考量：先在小范围内收集真实场景反馈，用实际使用数据来校准模型在非受控环境中的表现。 部分开发者对此表达了不满，有人在社交平台上直言：“跑分是领先了，但普通开发者连API都用不上，又要排队。” 掉队的谷歌，追赶的代价 要客观评估Argon能否帮谷歌“重回前沿”，需要先理解谷歌是怎么“掉队”的。 2025年11月，Gemini 3发布后收获了不错的评价，一度被认为是谷歌追赶OpenAI和Anthropic的转折点。 2026年5月的I/O开发者大会上，谷歌公布了迭代版本Gemini 3.5 Pro，并承诺6月正式发布，然而这个承诺从未兑现。 据多家媒体报道，Gemini 3.5 Pro的训练周期超出预期但结果不理想，项目最终被搁