2025年2月2日，OpenAI發布了一個名叫Deep Research深度研究的功能，相當於一個能多次調用搜索工具進行報告撰寫的智能體。後來，國內外AI公司也推出同類深度研究產品，包括谷歌、Anthropic、xAI、Perplexity、秘塔AI、智譜、阿里、字節等。
但谷歌認為現在市場上的深度研究產品存在明顯的局限性。
2025年7月21日，谷歌雲AI研究院的研究團隊開發了一種名為TTD-DR（Test-Time Diffusion Deep Researcher）的AI系統，能夠像人類研究員一樣，自主完成複雜的研究報告撰寫工作。系統採用創新的擴散模型和自我進化算法，在生成研究報告的質量上超越了現有頂尖AI系統。
當我們寫一篇深度研究報告時，通常會經歷這樣的過程：先在腦海中構思大綱，寫出初稿，然後不斷查找資料、反覆修改，直到滿意為止。谷歌的研究團隊發現，這個看似簡單的人類寫作過程，其實蘊含著深刻的智慧。他們成功地將這種智慧教給了AI，創造出一個能夠自主完成高質量研究報告的智能系統。
這個系統的獨特之處在於，它不是簡單地搜索資訊然後拼湊成文，而是真正模仿人類的思維過程。就像一位經驗豐富的研究員，它會先構思整體框架，寫出初步草稿，然後有針對性地搜索缺失的資訊，不斷打磨完善。這個AI研究員在多項測試中的表現，已經超越了包括OpenAI在內的多個頂尖AI研究系統。
像畫家創作一樣的AI寫作過程
傳統的AI寫作系統就像流水線工人，按部就班地完成任務：先搜索資料，再整理資訊，最後生成報告。這種方法雖然能產出內容，但往往缺乏深度和連貫性。谷歌團隊提出的新方法完全不同，他們讓AI像畫家創作油畫一樣工作。
畫家創作時，會先勾勒輪廓，然後逐層上色，不斷調整細節，直到作品完美呈現。TTD-DR系統正是採用了類似的創作方式。它首先生成一個"粗糙的草稿"，就像畫家的初步素描。這個草稿可能有很多不完善的地方，資訊不夠準確，論述不夠深入，但它提供了一個基本框架。
接下來，系統會審視這個草稿，識別出哪些地方需要更多資訊支撐，哪些論點需要更有力的證據。然後，它會有針對性地搜索相關資料，就像畫家為了畫好某個細節而仔細觀察參考物一樣。獲得新資訊後，系統會對草稿進行"去噪"處理，其實就是去除不準確或模糊的內容，加入更精確、更有價值的資訊。
這個過程會反覆進行多次，每一次都讓報告變得更加完善。研究團隊發現，經過20次這樣的疊代修改，AI生成的研究報告質量會顯著提升，甚至超越許多人類研究員的作品。
自我進化的智慧組件
如果說疊代修改是TTD-DR的第一個創新，那麼"自我進化"就是它的第二個秘密武器。
想像你在組建一個研究團隊，團隊裡有負責制定計劃的策劃師、負責提出問題的提問專家、負責尋找答案的調研員，以及負責撰寫報告的寫作高手。傳統AI系統中，這些"團隊成員"的能力是固定的。但在TTD-DR中，每個"成員"都能通過自我學習不斷進步。
具體來說，當系統需要生成一個搜索問題時，它不會只生成一個版本，而是會同時創造多個不同的版本。然後，系統會評估哪個問題最有價值，能獲得最有用的資訊。通過這種方式，系統逐漸學會提出更好的問題。
同樣的進化過程也發生在其他環節。在尋找答案時，系統會嘗試多種搜索策略，保留最有效的方法。在撰寫報告時，它會生成多個段落版本，選擇最清晰、最有說服力的表達方式。這種自我進化機制確保了系統的每個組件都在不斷優化，最終產出的報告質量自然水漲船高。
超越人類效率的智能協作
研究團隊通過大量實驗驗證了TTD-DR的效果。他們設計了多個測試場景，包括撰寫長篇研究報告、回答需要深度調研的複雜問題等。在與OpenAI Deep Research的對比中，TTD-DR在長篇研究報告任務上的勝率達到了69.1%，在商業諮詢類報告上的勝率更是高達74.5%。
怎麼理解這個數字呢？簡單來說，如果讓100個評審員同時閱讀TTD-DR和其他AI系統生成的報告，大約有70個人會認為TTD-DR的報告更好。這種優勢不僅體現在內容的準確性上，更體現在報告的全面性、邏輯性和可讀性上。
更重要的是，TTD-DR展現出了驚人的效率。傳統的研究報告撰寫可能需要人類研究員花費數天甚至數周的時間，而TTD-DR可以在幾個小時內完成同等質量的工作。說明AI可以成為研究工作的得力助手，幫助人類更快地獲取和整理資訊，讓研究員能夠將更多精力投入到創造性思考中。
突破性的技術創新
TTD-DR的成功並非偶然，背後有著多項技術創新的支撐。研究團隊巧妙地將"擴散模型"的概念應用到文本生成中。擴散模型原本是用於圖像生成的技術，就像將一張模糊的照片逐步變清晰的過程。谷歌團隊創造性地將這個概念用於文本，把初始的粗糙草稿看作"模糊的圖像"，通過不斷的資訊補充和優化，讓它變成"清晰的報告"。
這種方法的妙處在於，它允許AI在寫作過程中保持全局視野。傳統方法往往是線性的，寫完一部分再寫下一部分，容易失去整體的連貫性。而TTD-DR始終將整個報告作為一個整體來優化，確保各部分之間的邏輯關係緊密，論述層次分明。
研究團隊還解決了一個關鍵的技術難題：如何讓AI知道什麼時候該搜索新資訊，搜索什麼資訊。他們設計了一個智能的反饋機制，讓系統能夠自動識別報告中的薄弱環節。比如，當系統發現某個論點缺乏數據支撐時，它會自動生成相關的搜索查詢，尋找合適的證據。這種主動性和針對性，使得TTD-DR的資訊搜索效率遠超傳統方法。
至頂AI實驗室洞見
TTD-DR的出現，為許多領域帶來了新的可能性。在學術研究中，它可以幫助科學家快速整理文獻、撰寫綜述，加速科研進程。在商業領域，它能夠協助分析師撰寫市場研究報告、行業分析，提供決策支持。
但是，TTD-DR主要依賴文本搜索工具，還不能像人類那樣瀏覽網頁、查看圖表或運行代碼。對於需要深度技術分析或視覺資訊處理的任務，它的能力還有待提升。
人類發明創造時，不少靈感來源於「仿生」；設計AI時，很多時候都是在「仿人」。
越來越多的實踐證明，最好的AI系統不是那些試圖用蠻力解決問題的系統，而是那些能夠理解和模仿人類智慧的系統。通過學習人類的工作方式，AI可以變得更加智能、更加有用。
論文地址：https://www.arxiv.org/abs/2507.16075
END
本文來自至頂AI實驗室，一個專注於探索生成式AI前沿技術及其應用的實驗室。致力於推動生成式AI在各個領域的創新與突破，挖掘其潛在的應用場景，為企業和個人提供切實可行的解決方案。
Q&A
Q1：什麼是Test-Time Diffusion Deep Researcher (TTD-DR)？
A：TTD-DR是一種基於大語言模型（LLMs）的深度研究代理框架，將研究報告生成模擬為擴散過程。它通過初始草稿（「噪聲」起點）和疊代的「去噪」機制，結合檢索工具動態整合外部資訊，逐步優化報告質量。核心設計包括報告級去噪和組件級自進化算法，顯著提升了複雜研究任務中的資訊整合效率和連貫性。
Q2：TTD-DR相比其他深度研究代理有哪些優勢？
A：TTD-DR通過「草稿中心化」設計解決了現有代理的局限性（如資訊丟失、缺乏全局上下文）。如圖3所示，傳統代理（如Huggingface Open DR）採用線性搜索流程，而TTD-DR通過疊代去噪和自進化算法，在長報告生成和多跳推理任務中實現最優性能。實驗顯示，其在LONGFORM RESEARCH等基準上的勝率超過OpenAI Deep Research達69.1%。
Q3：TTD-DR如何通過自進化算法提升研究質量？
A：自進化算法優化代理工作流的每個組件（如計劃生成、搜索問題、答案合成）。如圖5所示，每個組件生成多個變體，通過環境反饋（如LLM評分）和疊代修訂提升質量，最終合併為高質量輸出。例如，搜索答案的複雜性（圖9）和查詢新穎性（圖10a）顯著提高，從而增強最終報告的全面性。
