深度研究系统能自我进化，谷歌发布基于扩散的TTD-DR系统 原创

2025年2月2日，OpenAI发布了一个名叫Deep Research深度研究的功能，相当于一个能多次调用搜索工具进行报告撰写的智能体。后来，国内外AI公司也推出同类深度研究产品，包括谷歌、Anthropic、xAI、Perplexity、秘塔AI、智谱、阿里、字节等。

但谷歌认为现在市场上的深度研究产品存在明显的局限性。

2025年7月21日，谷歌云AI研究院的研究团队开发了一种名为TTD-DR（Test-Time Diffusion Deep Researcher）的AI系统，能够像人类研究员一样，自主完成复杂的研究报告撰写工作。系统采用创新的扩散模型和自我进化算法，在生成研究报告的质量上超越了现有顶尖AI系统。

当我们写一篇深度研究报告时，通常会经历这样的过程：先在脑海中构思大纲，写出初稿，然后不断查找资料、反复修改，直到满意为止。谷歌的研究团队发现，这个看似简单的人类写作过程，其实蕴含着深刻的智慧。他们成功地将这种智慧教给了AI，创造出一个能够自主完成高质量研究报告的智能系统。

这个系统的独特之处在于，它不是简单地搜索信息然后拼凑成文，而是真正模仿人类的思维过程。就像一位经验丰富的研究员，它会先构思整体框架，写出初步草稿，然后有针对性地搜索缺失的信息，不断打磨完善。这个AI研究员在多项测试中的表现，已经超越了包括OpenAI在内的多个顶尖AI研究系统。

像画家创作一样的AI写作过程

传统的AI写作系统就像流水线工人，按部就班地完成任务：先搜索资料，再整理信息，最后生成报告。这种方法虽然能产出内容，但往往缺乏深度和连贯性。谷歌团队提出的新方法完全不同，他们让AI像画家创作油画一样工作。

画家创作时，会先勾勒轮廓，然后逐层上色，不断调整细节，直到作品完美呈现。TTD-DR系统正是采用了类似的创作方式。它首先生成一个"粗糙的草稿"，就像画家的初步素描。这个草稿可能有很多不完善的地方，信息不够准确，论述不够深入，但它提供了一个基本框架。

接下来，系统会审视这个草稿，识别出哪些地方需要更多信息支撑，哪些论点需要更有力的证据。然后，它会有针对性地搜索相关资料，就像画家为了画好某个细节而仔细观察参考物一样。获得新信息后，系统会对草稿进行"去噪"处理，其实就是去除不准确或模糊的内容，加入更精确、更有价值的信息。

这个过程会反复进行多次，每一次都让报告变得更加完善。研究团队发现，经过20次这样的迭代修改，AI生成的研究报告质量会显著提升，甚至超越许多人类研究员的作品。

自我进化的智慧组件

如果说迭代修改是TTD-DR的第一个创新，那么"自我进化"就是它的第二个秘密武器。

想象你在组建一个研究团队，团队里有负责制定计划的策划师、负责提出问题的提问专家、负责寻找答案的调研员，以及负责撰写报告的写作高手。传统AI系统中，这些"团队成员"的能力是固定的。但在TTD-DR中，每个"成员"都能通过自我学习不断进步。

具体来说，当系统需要生成一个搜索问题时，它不会只生成一个版本，而是会同时创造多个不同的版本。然后，系统会评估哪个问题最有价值，能获得最有用的信息。通过这种方式，系统逐渐学会提出更好的问题。

同样的进化过程也发生在其他环节。在寻找答案时，系统会尝试多种搜索策略，保留最有效的方法。在撰写报告时，它会生成多个段落版本，选择最清晰、最有说服力的表达方式。这种自我进化机制确保了系统的每个组件都在不断优化，最终产出的报告质量自然水涨船高。

超越人类效率的智能协作

研究团队通过大量实验验证了TTD-DR的效果。他们设计了多个测试场景，包括撰写长篇研究报告、回答需要深度调研的复杂问题等。在与OpenAI Deep Research的对比中，TTD-DR在长篇研究报告任务上的胜率达到了69.1%，在商业咨询类报告上的胜率更是高达74.5%。

怎么理解这个数字呢？简单来说，如果让100个评审员同时阅读TTD-DR和其他AI系统生成的报告，大约有70个人会认为TTD-DR的报告更好。这种优势不仅体现在内容的准确性上，更体现在报告的全面性、逻辑性和可读性上。

更重要的是，TTD-DR展现出了惊人的效率。传统的研究报告撰写可能需要人类研究员花费数天甚至数周的时间，而TTD-DR可以在几个小时内完成同等质量的工作。说明AI可以成为研究工作的得力助手，帮助人类更快地获取和整理信息，让研究员能够将更多精力投入到创造性思考中。

突破性的技术创新

TTD-DR的成功并非偶然，背后有着多项技术创新的支撑。研究团队巧妙地将"扩散模型"的概念应用到文本生成中。扩散模型原本是用于图像生成的技术，就像将一张模糊的照片逐步变清晰的过程。谷歌团队创造性地将这个概念用于文本，把初始的粗糙草稿看作"模糊的图像"，通过不断的信息补充和优化，让它变成"清晰的报告"。

这种方法的妙处在于，它允许AI在写作过程中保持全局视野。传统方法往往是线性的，写完一部分再写下一部分，容易失去整体的连贯性。而TTD-DR始终将整个报告作为一个整体来优化，确保各部分之间的逻辑关系紧密，论述层次分明。

研究团队还解决了一个关键的技术难题：如何让AI知道什么时候该搜索新信息，搜索什么信息。他们设计了一个智能的反馈机制，让系统能够自动识别报告中的薄弱环节。比如，当系统发现某个论点缺乏数据支撑时，它会自动生成相关的搜索查询，寻找合适的证据。这种主动性和针对性，使得TTD-DR的信息搜索效率远超传统方法。

至顶AI实验室洞见

TTD-DR的出现，为许多领域带来了新的可能性。在学术研究中，它可以帮助科学家快速整理文献、撰写综述，加速科研进程。在商业领域，它能够协助分析师撰写市场研究报告、行业分析，提供决策支持。

但是，TTD-DR主要依赖文本搜索工具，还不能像人类那样浏览网页、查看图表或运行代码。对于需要深度技术分析或视觉信息处理的任务，它的能力还有待提升。

人类发明创造时，不少灵感来源于“仿生”；设计AI时，很多时候都是在“仿人”。

越来越多的实践证明，最好的AI系统不是那些试图用蛮力解决问题的系统，而是那些能够理解和模仿人类智慧的系统。通过学习人类的工作方式，AI可以变得更加智能、更加有用。

论文地址：
https://www.arxiv.org/abs/2507.16075

END

本文来自至顶AI实验室，一个专注于探索生成式AI前沿技术及其应用的实验室。致力于推动生成式AI在各个领域的创新与突破，挖掘其潜在的应用场景，为企业和个人提供切实可行的解决方案。

Q&A

Q1：什么是Test-Time Diffusion Deep Researcher (TTD-DR)？

A：TTD-DR是一种基于大语言模型（LLMs）的深度研究代理框架，将研究报告生成模拟为扩散过程。它通过初始草稿（“噪声”起点）和迭代的“去噪”机制，结合检索工具动态整合外部信息，逐步优化报告质量。核心设计包括报告级去噪和组件级自进化算法，显著提升了复杂研究任务中的信息整合效率和连贯性。

Q2：TTD-DR相比其他深度研究代理有哪些优势？

A：TTD-DR通过“草稿中心化”设计解决了现有代理的局限性（如信息丢失、缺乏全局上下文）。如图3所示，传统代理（如Huggingface Open DR）采用线性搜索流程，而TTD-DR通过迭代去噪和自进化算法，在长报告生成和多跳推理任务中实现最优性能。实验显示，其在LONGFORM RESEARCH等基准上的胜率超过OpenAI Deep Research达69.1%。

Q3：TTD-DR如何通过自进化算法提升研究质量？

A：自进化算法优化代理工作流的每个组件（如计划生成、搜索问题、答案合成）。如图5所示，每个组件生成多个变体，通过环境反馈（如LLM评分）和迭代修订提升质量，最终合并为高质量输出。例如，搜索答案的复杂性（图9）和查询新颖性（图10a）显著提高，从而增强最终报告的全面性。