Künstliche Intelligenz
Ist Google’s Gemini jetzt die Führung im AI-Rennen übernommen?
Die Entwicklung von KI-Technologie wurde zu Recht als ein Rennen beschrieben, bei dem private Startups wie OpenAI und Anthropic mit Technologie-Riesen wie Microsoft (MSFT ) und Google (GOOGL ) Kopf an Kopf konkurrieren. Dieses Rennen wurde von Hunderten von Milliarden Dollar in Investitionen angetrieben, nicht nur in der Software-Entwicklung, sondern auch in massiven Kapitalausgaben, um immer größere und leistungsfähigere KI-Rechenzentren zu bauen, um die neuesten Modelle auszubilden.
Währenddessen machen auch chinesische Modelle schnelle Fortschritte, was den westlichen Unternehmen einen Gefühl der Dringlichkeit und geopolitischen Konkurrenz verleiht.
In letzter Zeit scheint es, als ob Google’s Gemini seine Konkurrenten überholt, insbesondere mit der Veröffentlichung von Gemini 3 Deep Think, einem Modell, das sich auf ein realistisches Verständnis nicht nur von Sprachen, sondern auch der physischen Welt konzentriert. Darüber hinaus wird Google auch von Apple (AAPL ) ausgewählt, um die KI der Geräte des Unternehmens zu betreiben, und macht Fortschritte im Geschäft der KI-Chip-Herstellung.
Gemini 3 Deep Think: Was hat sich geändert?
Deep Think-Veröffentlichung
Mit der Veröffentlichung am 12. Februar 2026 von Gemini 3 Deep Think hat Google einen entscheidenden Schritt in Richtung einer Verlagerung von KIs, die hauptsächlich auf Suche und Sprache (LLMs) fokussiert sind, zu allgemeineren KIs gemacht, die in der Lage sind, die physische Welt zu verstehen.
Dies ist eine wichtige Entwicklung, da “Physische KI” die Richtung ist, in die die Branche geht, ein Trend, den wir in “Physische KI: Investition in den Humanoiden Roboter-Boom 2026” genauer untersucht haben.
Für den Moment ist das neue Deep Think im Gemini-App für Google-KI-Ultra-Abonnenten verfügbar und zum ersten Mal über die Gemini-API für ausgewählte Forscher, Ingenieure und Unternehmen verfügbar, was diese KI bereits kommerziell verfügbar macht, nicht nur ein Testmodell.
Mathematik und Naturwissenschaften zuerst
Was Deep Think von früheren Gemini-Iterationen und zu einem gewissen Grad von anderen KIs unterscheidet, ist der Fokus auf mathematisches Verständnis.
LLMs haben bekanntermaßen Schwierigkeiten bei einfachen mathematischen Aufgaben, manchmal sogar bei einfachen Additionen oder Zählungen. Dies ist nicht der Fall bei Deep Think, das es spezialisierten Agenten ermöglicht, forschungsorientierte mathematische Erkundungen durchzuführen. Das Modell übertrifft andere Modelle bei Mathematik- und Naturwissenschaftstests. Es zeigt auch sehr gute Leistungen bei Codierungsaufgaben.
Quelle: Google
Der Unterschied zu Gemini Pro Preview ist sogar noch deutlicher bei Tests zu wissenschaftlichen Themen, von den Internationalen Mathematik-Olympiaden oder den Internationalen Chemie-Olympiaden, bei denen es etwa 82% erreichte, im Vergleich zu nur 14% für den Mathematik-Test des vorherigen Google-LLM-Modells.
Quelle: Google
Diese Ergebnisse waren möglich dank einer radikal anderen Architektur als “klassische KIs”, die unter Halluzinationen leiden, wenn die Daten zu knapp sind, was per Definition immer der Fall für die neuesten wissenschaftlichen Entdeckungen sein wird.
Zum Beispiel ermöglicht ein mathematischer Forschungsagent (intern als Aletheia bezeichnet), der von Gemini Deep Think angetrieben wird, einen natürlichen Sprachverifizierer, um Fehler in Kandidatenlösungen zu identifizieren. Es ermöglicht einen iterativen Prozess der Erstellung und Überarbeitung von Lösungen. Wesentlich ist, dass dieser Agent zugeben kann, ein Problem nicht lösen zu können, eine Schlüsselfunktion, die die Effizienz für Forscher verbessert.
Quelle: Google
Dieser Ansatz ist nicht nur leistungsfähiger bei der Lieferung der richtigen Ergebnisse, sondern auch effizienter, da Aletheia gezeigt hat, dass eine höhere Argumentationsqualität bei geringerem Rechenaufwand erreicht werden kann.
Der Ansatz kann von der Mathematik auf andere physikalische Wissenschaften ausgeweitet werden. Zum Beispiel fand Gemini Deep Think heraus, wie man “eine neuartige Lösung unter Verwendung von Gegenbauer-Polynomen” verwenden kann, um die Gravitationsstrahlung von kosmischen Strings zu berechnen.
Echte wissenschaftliche Anwendungen
Diese Leistung übersetzt sich bereits in reale wissenschaftliche Anwendungen durch Forscher.
Zum Beispiel verwendete die Mathematikerin Lisa Carbone von der Rutgers University Deep Think, um einen logischen Fehler zu finden, der von menschlichen Rezensenten in einem hochtechnischen mathematischen Papier über Einsteins Theorie der Gravitation und Quantenmechanik übersehen worden war.
Deep Think wurde auch vom Wang-Labor an der Duke University verwendet, um ein Rezept für das Wachstum von Halbleiter-Dünnschichten größer als 100 Mikrometer zu entwerfen, ein zuvor schwieriges Ziel.
Verteilung, Hardware und strategische Dynamik
Deep Thinks Erfolge kommen aufgrund anderer guter Nachrichten für Googles KI-Team.
Die wichtigste war die Entscheidung von Apple, dem einzigen Tech-Riesen, der größtenteils aus dem KI-Rennen ausgestiegen war, Gemini als Standard-KI auf Apple-Geräten zu adoptieren. In diesem Zusammenhang ist es verständlich, dass OpenAI im Dezember 2025 einen “Code Red” hinsichtlich Googles Fortschritt und anderer KI-Unternehmen ausgerufen hat.
“Gemini’s Nutzerbasis ist seit der Veröffentlichung eines Bildgenerators, Nano Banana, im August gestiegen, und Google sagte, dass die monatlich aktiven Nutzer von 450 Millionen im Juli auf 650 Millionen im Oktober gestiegen sind.
OpenAI steht auch unter Druck von Anthropic, das bei Geschäftskunden beliebt wird.”
Ein weiterer von Googles jüngsten Erfolgen ist der Erfolg seiner KI-Chips. Zunächst war es Anthropic, das ankündigte, Googles KI-Chips, genannt TPUs (Tensor Processing Units), zu verwenden, einschließlich der Verwendung von bis zu 1 Million Prozessoren, um ihre KI-Software zu betreiben. Jetzt schließt sich das konkurrierende KI-Unternehmen Meta auch an, um Googles TPUs zu verwenden, was die Frage aufwirft, ob Google zu einem Konkurrenten von Nvidia (NVDA ) wird, genauso wie zu OpenAI.
(Sie können mehr über TPUs und andere KI-fokussierte Hardware wie XPUs, FPGAs usw. in “Investing in KI-Hardware: Von CPUs zu XPUs” lesen)
Alphabets KI-Strategie: Vertikale Integration im großen Maßstab
Swipe, um zu scrollen →
| Unternehmen | Modellfokus | Hardware-Strategie | Verteilungskontrolle | Vertikale Integration |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Mathematik/Wissenschaft) | Interne TPUs | Android + Suche + Potenzielle Apple-Weiterleitung | Vollständige Integration (Chip → Cloud → Verbraucher) |
| Microsoft/OpenAI | GPT-Modelle (Allgemeine LLM) | Nvidia-GPUs über Azure | Windows + Enterprise-SaaS | Teilweise |
| Meta | Llama (Offen-Gewicht) | GPUs + Benutzerdefiniertes Silizium | Soziale Plattformen | Mäßig |
| Anthropic | Claude (Unternehmensfokus) | Google-TPUs | API + Unternehmensvereinbarungen | Gering |
Der Fokus auf TPUs ist ein gutes Indiz für Googles Strategie. Solide LLMs wie Gemini und überlegene Leistung in realen Anwendungen wie Deep Think sind natürlich sehr wichtig.
Aber es ist in der Kontrolle der Verteilung von KI und in der Kostenstruktur + Kapitalzugang, wo Google eine solide Position hält.
Die Präsenz von Google auf dem Mobilfunkmarkt durch Android ist bereits stark, aber mit dem Deal mit Apple ist es fast sicher, dass die meisten KI-Anfragen, die nicht speziell an eine bestimmte KI-App gerichtet sind, direkt oder indirekt an Gemini gehen.
Der andere Bestandteil ist die zunehmende Abhängigkeit von TPUs. Einige Berichte sagen, dass TPUs etwa 30% günstiger sind als Nvidia-GPUs und 2-4-mal bessere Leistung pro Dollar in vergleichbaren Workloads liefern. Der geringere Energieverbrauch für denselben Rechenaufwand ist nicht nur ein finanzielles Problem, sondern hilft auch, KI-Rechenzentren aufzuskalieren, trotz zunehmender Energieversorgungsbeschränkungen.
Schließlich ist das Maß an vertikaler Integration – beginnend mit TPUs, direkt eigenen Rechenzentren, einer Unternehmens-Cloud-Plattform und dann einem Verbraucher-Verteilungskanal – unübertroffen in der Branche, mit Microsoft als einziger, die in der Unternehmenswelt einigermaßen nahe kommt.
Schließlich muss der Aufbau von KI-Infrastruktur außerordentlich teuer sein. Diese Hunderte von Milliarden Dollar in Chips und Rechenzentren müssen jetzt bezahlt werden und schaffen massive Abschreibungen auf der Bilanz jedes Jahr. Der Umfang von Alphabets Cash-Flows aus Suche, YouTube, Android und anderen Produkten macht es eher in der Lage, sowohl die anfänglichen Kosten als auch die zukünftige Wartung dieser Infrastruktur zu bewältigen.
Ist Gemini tatsächlich in Führung?
Die Aussage, ein bestimmter “Gewinner” des KI-Rennens zu sein, ist sicherlich verfrüht. Zum Beispiel könnte das gesamte aktuelle Paradigma auf den Kopf gestellt werden, wenn orbitale Rechenzentren von dem nun fusionierten xAI/SpaceX einen starken Wettbewerbsvorteil bieten.
Aber es scheint, als ob einige Trends entstehen, die in Googles Richtung laufen.
Der erste ist die Notwendigkeit spezialisierter KI-Hardware, ein Bereich, in dem viele Tech-Riesen zurückliegen, was Google einen Vorteil verschafft.
Der andere ist die Bedeutung der Verteilungskontrolle für die allgemeine Öffentlichkeit, die möglicherweise nicht sehr bewusst ist, welche KI sie verwenden kann oder sollte. In diesem Zusammenhang spiegelt der direkte Zugang zum gesamten Apple-Ökosystem die vorherige Strategie von Google wider, um als Standard-Suchmaschine auf iPhones zu gelten (was sogar zu US-antitrust-Urteilen im späten 2025 führte, da es “zu vorteilhaft” war).
Zusammen mit Deep Thinks Stärke in Mathematik und Wissenschaft erlebt Google einen großartigen Start in 2026, wenn es um KI geht. Ob diese führende Position langfristig gegen den Widerstand von OpenAI, Microsoft, Meta, Anthropic und einer Vielzahl von chinesischen Modellen – einschließlich solcher von chinesischen Tech-Riesen wie Alibaba (BABA ) oder ByteDance – gehalten werden kann, bleibt abzuwarten.
