Künstliche Intelligenz
Führt Googles Gemini jetzt das KI-Rennen an?
Die Entwicklung der KI‑Technologie wurde zu Recht als Rennen beschrieben, wobei private Start‑ups wie OpenAI und Anthropic Kopf an Kopf mit Technologieriesen wie Microsoft (MSFT ) und Google (GOOGL ) konkurrieren. Dieses Rennen wird von Hunderten Milliarden Dollar an Investitionen angetrieben, nicht nur in die Softwareentwicklung, sondern auch in massive Kapitalausgaben zum Bau immer größerer und energieintensiver KI‑Rechenzentren, um die neuesten Modelle zu trainieren.
Unterdessen entwickeln sich chinesische Modelle ebenfalls schnell, was den westlichen Unternehmen ein Gefühl von Dringlichkeit und geopolitischem Wettbewerb verleiht.
In letzter Zeit scheint Googles Gemini seinen Konkurrenten voraus zu sein, 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 wurde Google von Apple (AAPL ) ausgewählt, die KI der Geräte des Unternehmens zu betreiben, und macht Fortschritte im Geschäft der KI‑Chip‑Entwicklung.
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 nach vorne gemacht, indem es von KI‑Systemen, die hauptsächlich auf Suche und Sprache (LLMs) ausgerichtet waren, zu allgemeineren KI‑Systemen übergeht, die die physische Welt verstehen können.
Dies ist eine wichtige Entwicklung, da „Physical AI“ die Richtung ist, in die die Branche geht, ein Trend, den wir in Physical AI: Investieren in den humanoiden Roboterboom 2026 weiter vertieft haben.
Derzeit ist das neue Deep Think in der Gemini‑App für Google‑AI‑Ultra‑Abonnenten verfügbar und zum ersten Mal über die Gemini‑API für ausgewählte Forschende, Ingenieur*innen und Unternehmen zugänglich, sodass diese KI bereits kommerziell nutzbar ist und nicht nur ein Testmodell.
Mathe & Wissenschaften zuerst
Was Deep Think von früheren Gemini‑Iterationen und teilweise auch von anderen KI‑Systemen unterscheidet, ist der Fokus auf mathematisches Verständnis.
LLMs schneiden bei einfachen mathematischen Aufgaben notorisch schlecht ab und scheitern manchmal schon an einfachen Additionen oder dem Zählen in Reihenfolge. Das gilt nicht für Deep Think, das spezialisierte Agenten ermöglicht, mathematische Forschungen auf Forschungsebene durchzuführen. Das Modell übertrifft andere Modelle bei Mathematik‑ und Wissenschaftstests massiv und schneidet auch bei Programmieraufgaben sehr gut ab.
Quelle: Google
Der Unterschied zu Gemini Pro Preview ist bei Tests zu wissenschaftlichen Themen noch ausgeprägter, etwa bei den Internationalen Mathematik‑Olympiaden oder den Internationalen Chemie‑Olympiaden, wo es rund 82 % erreichte, verglichen mit nur 14 % beim Mathematik‑Test des vorherigen Google‑LLM‑Modells.
Quelle: Google
Diese Ergebnisse waren dank einer radikal anderen Architektur im Vergleich zu „klassischen KI‑Systemen“ möglich, die bei zu knappen Daten Halluzinationen erzeugen – ein Zustand, der bei den neuesten wissenschaftlichen Entdeckungen per Definition immer vorherrscht.
Beispielsweise verfügt ein Mathematik‑Forschungs‑Agent (intern codename Aletheia), der von Gemini Deep Think angetrieben wird, über einen Natural‑Language‑Verifier, um Fehler in Lösungsvorschlägen zu identifizieren. Er ermöglicht einen iterativen Prozess des Erzeugens und Überarbeitens von Lösungen. Entscheidend ist, dass dieser Agent das Scheitern bei der Lösung eines Problems eingestehen kann – ein Schlüsselelement, das die Effizienz für Forschende verbessert.
Quelle: Google
Dieser Ansatz ist nicht nur leistungsfähiger bei der Bereitstellung korrekter Ergebnisse, sondern auch effizienter, da Aletheia gezeigt hat, dass höhere Schlussfolgerungsqualität bei geringerem Inferenz‑Rechenaufwand erreicht werden kann.
Der Ansatz kann von der Mathematik auf andere physikalische Wissenschaften ausgeweitet werden. Beispielsweise fand Gemini Deep Think eine „neue Lösung mit Gegenbauer‑Polynomen“, um die Gravitationsstrahlung von kosmischen Strings zu berechnen.
Echte wissenschaftliche Anwendungen
Diese Leistung wird bereits in reale wissenschaftliche Anwendungen von Forschenden umgesetzt.
Zum Beispiel nutzte die Mathematikerin Lisa Carbone von der Rutgers University Deep Think, um einen logischen Fehler zu finden, der von menschlichen Gutachtern in einem hoch technischen mathematischen Papier zur Einsteinschen Gravitationstheorie und Quantenmechanik übersehen wurde.
Deep Think wurde zudem vom Wang‑Lab der Duke University verwendet, um ein Verfahren zur Herstellung von Halbleiter‑Dünnschichten größer als 100 µm zu entwickeln, ein zuvor schwer zu erreichendes Ziel.
Vertrieb, Hardware & strategische Dynamik
Der Erfolg von Deep Think kommt zusätzlich zu weiteren guten Nachrichten für Googles KI‑Team.
Am wichtigsten war die Entscheidung von Apple, dem einzigen Technologieriesen, der das KI‑Rennen weitgehend gemieden hatte, Gemini als Standard‑KI auf Apple‑Geräten zu übernehmen. In diesem Kontext ist es nachvollziehbar, dass OpenAI im Dezember 2025 einen „Code Red“ in Bezug auf Googles Fortschritte und andere KI‑Unternehmen ausgerufen hat.
„Die Nutzerbasis von Gemini ist seit der Veröffentlichung des Bildgenerators Nano Banana im August kontinuierlich gewachsen, und Google gab an, dass die monatlich aktiven Nutzer von 450 Millionen im Juli auf 650 Millionen im Oktober gestiegen sind.
OpenAI steht zudem unter Druck durch Anthropic, das bei Geschäftskunden immer beliebter wird.“
Ein weiterer jüngster Erfolg von Google ist der Erfolg seiner KI‑Chips. Zunächst war es Anthropic, das ankündigte, Googles KI‑Chips, die sogenannten TPUs (Tensor Processing Units), zu nutzen, wobei bis zu 1 Million Prozessoren zum Betrieb seiner KI‑Software eingesetzt werden. Jetzt nutzt auch das konkurrierende KI‑Unternehmen Meta die Google‑TPUs, was die Frage aufwirft, ob Google sowohl für Nvidia (NVDA ) als auch für OpenAI ein ernstzunehmender Konkurrent wird.
(You can read more about TPUs and other AI-focused hardware like XPUs, FPGAs, etc., in Investieren in KI‑Hardware: Von CPUs zu XPUs)
Alphabets KI‑Strategie: Vertikale Integration im großen Maßstab
Wischen zum Scrollen →
| Unternehmen | Modellfokus | Hardware‑Strategie | Vertriebssteuerung | Vertikale Integration |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Mathe/Wissenschaft) | Eigenentwickelte TPUs | Android + Suche + Potenzielles Apple‑Routing | Full‑Stack (Chip → Cloud → Verbraucher) |
| Microsoft/OpenAI | GPT‑Modelle (Allgemeines LLM) | Nvidia‑GPUs über Azure | Windows + Enterprise SaaS | Teilweise |
| Meta | Llama (Open‑Weight) | GPUs + benutzerdefinierter Silizium | Soziale Plattformen | Mäßig |
| Anthropic | Claude (Enterprise‑Fokus) | Google‑TPUs | API + Enterprise‑Deals | Niedrig |
Der Fokus auf TPUs ist ein gutes Indiz für Googles Strategie. Solide LLMs wie Gemini und die überlegene Leistung in realen Anwendungen wie Deep Think sind natürlich sehr wichtig.
Doch in der Kontrolle über die Verteilung von KI sowie in der Kostenstruktur + Kapitalzugang hat Google eine solide Position.
Die Präsenz von Google im Mobilmarkt über Android ist bereits stark, doch durch die Vereinbarung mit Apple ist es fast garantiert, dass die meisten KI‑Anfragen, die nicht gezielt an eine bestimmte KI‑App weitergeleitet werden, zu Gemini gehen – direkt oder indirekt.
Ein weiterer Faktor ist die zunehmende Abhängigkeit von TPUs. Einige Berichte besagen, dass TPUs etwa 30 % günstiger sind als Nvidia‑GPUs und bei vergleichbaren Workloads 2‑4 × bessere Leistung pro Dollar bieten. Der geringere Energieverbrauch bei gleicher Rechenleistung ist nicht nur ein finanzielles Thema; er hilft zudem, KI‑Rechenzentren trotz zunehmender Energieversorgungsengpässe zu skalieren.
Schließlich ist das Ausmaß der vertikalen Integration – beginnend mit TPUs, über firmeneigene Rechenzentren, eine Enterprise‑Cloud‑Plattform bis hin zu einem Verbraucher‑Vertriebskanal – in der Branche unübertroffen, wobei nur Microsoft im Unternehmensbereich annähernd vergleichbar ist.
Abschließend war der Aufbau der KI‑Infrastruktur außerordentlich kostspielig. Diese Hunderte Milliarden Dollar an Chips und Rechenzentren müssen nun bezahlt werden und verursachen jedes Jahr massive Abschreibungskosten in der Bilanz. Das Ausmaß von Alphabets Cashflows aus Suche, YouTube, Android und anderen Produkten ermöglicht es dem Unternehmen, sowohl die Anfangskosten als auch die zukünftige Wartung dieser Infrastruktur besser zu bewältigen.
Zieht Gemini tatsächlich an?
Ein „Gewinner“ des KI‑Rennens zu benennen ist sicherlich verfrüht. Beispielsweise könnte das gesamte aktuelle Paradigma erschüttert werden, wenn orbitalen Rechenzentren des nun zusammengeführten xAI/Space sich als starker Wettbewerbsvorteil erweisen.
Es scheint jedoch, dass einige Trends entstehen, die zu Googles Gunsten verlaufen.
Der erste ist der Bedarf an spezialisierter KI‑Hardware, ein Bereich, in dem viele Technologieriesen hinterherhinken, was Chip‑Herstellern und Google einen Vorteil verschafft.
Der andere ist die Bedeutung der Vertriebssteuerung für die breite Öffentlichkeit, die möglicherweise nicht genau weiß, welche KI sie nutzen kann oder sollte. In dieser Hinsicht spiegelt der direkte Zugang zum gesamten Apple‑Ökosystem die frühere Strategie wider, Google zur Standardsuchmaschine auf iPhones zu machen (was sogar zu US‑Kartellrechtsentscheidungen Ende 2025 führte, da es „zu vorteilhaft“ war).
Zusammen mit Deep Think’s Stärke in Mathematik und Wissenschaft erlebt Google einen hervorragenden Start ins Jahr 2026 im KI‑Bereich. Ob diese Führungsposition langfristig gegenüber Gegenreaktionen von OpenAI, Microsoft, Meta, Anthropic und einer Vielzahl chinesischer Modelle – darunter von chinesischen Technologieriesen wie Alibaba (BABA ) oder ByteDance – bestehen bleibt, bleibt abzuwarten.
