Intelligenza artificiale
Il Gemini di Google è ora in testa alla corsa dell’IA?
Lo sviluppo della tecnologia IA è stato giustamente descritto come una corsa, con startup private come OpenAI e Anthropic che competono fianco a fianco con giganti tecnologici come Microsoft (MSFT ) e Google (GOOGL ). Questa corsa è stata alimentata da centinaia di miliardi di dollari di investimenti, non solo nello sviluppo software, ma anche in enormi spese in conto capitale per costruire centri dati IA sempre più grandi e affamati di energia per addestrare i modelli più recenti.
Nel frattempo, i modelli cinesi stanno progredendo rapidamente, aggiungendo un senso di urgenza e competizione geopolitica agli sforzi delle aziende occidentali.
Di recente, sembra che il Gemini di Google stia prendendo il sopravvento sui concorrenti, soprattutto con il rilascio di Gemini 3 Deep Think, un modello focalizzato su una comprensione realistica non solo delle lingue ma anche del mondo fisico. Inoltre, Google è stato scelto da Apple (AAPL ) per alimentare l’IA dei dispositivi dell’azienda ed è in avanzamento nel settore della produzione di chip IA.
Gemini 3 Deep Think: Cosa è cambiato?
Rilascio di Deep Think
Con il rilascio, il 12 febbraioth 2026, di Gemini 3 Deep Think, Google ha compiuto un passo definitivo, passando da IA concentrate principalmente su ricerca e linguaggio (LLM) verso IA più generaliste in grado di comprendere il mondo fisico.
Questo è uno sviluppo importante, poiché “Physical AI” è la direzione che l’industria sta prendendo, una tendenza che abbiamo esplorato più in dettaglio in “Physical AI: Investing in the 2026 Humanoid Robot Boom“.
Per ora, il nuovo Deep Think è disponibile nell’app Gemini per gli abbonati a Google AI Ultra e, per la prima volta, è disponibile tramite l’API Gemini per ricercatori, ingegneri e imprese selezionati, rendendo questa IA già commercialmente disponibile, non solo un modello di prova.
Matematica & Scienze Prima
Ciò che distingue Deep Think dalle precedenti iterazioni di Gemini, e in certa misura anche dalle altre IA, è un focus sulla comprensione matematica.
Le LLM sono notoriamente scarse nelle semplici attività matematiche, a volte falliscono anche addizioni semplici o il conteggio in ordine. Questo non è vero per Deep Think, che ha permesso a agenti specializzati di condurre esplorazioni matematiche a livello di ricerca. Il modello supera di gran lunga gli altri modelli nei test di matematica e scienza. Si comporta inoltre molto bene nei compiti di programmazione.
Fonte: Google
La differenza con Gemini Pro Preview è ancora più marcata nei test su argomenti scientifici, dalle Olimpiadi Internazionali di Matematica o di Chimica, dove ha ottenuto circa l’82%, rispetto al solo 14% nel test di matematica del precedente modello LLM di Google.
Fonte: Google
Questi risultati sono stati possibili grazie a un’architettura radicalmente diversa dalle “AI classiche”, che soffrono di allucinazioni quando i dati sono troppo scarsi, situazione che per definizione sarà sempre presente nelle ultime scoperte scientifiche.
Ad esempio, per la matematica pura, un agente di ricerca matematica (internamente chiamato Aletheia), alimentato da Gemini Deep Think, dispone di un verificatore in linguaggio naturale per identificare difetti nelle soluzioni candidate. Consente un processo iterativo di generazione e revisione delle soluzioni. Fondamentale è che questo agente può ammettere il fallimento nel risolvere un problema, una caratteristica chiave che ha migliorato l’efficienza per i ricercatori.
Fonte: Google
Questo approccio non è solo più potente nel fornire i risultati corretti, è anche più efficiente, poiché Aletheia ha dimostrato che una qualità di ragionamento più alta può essere raggiunta con un calcolo di inferenza a costi inferiori.
L’approccio può essere esteso dalla matematica ad altre scienze fisiche. Ad esempio, Gemini Deep Think ha scoperto come utilizzare “una soluzione innovativa con i polinomi di Gegenbauer” per calcolare le radiazioni gravitazionali da stringhe cosmiche.
Applicazioni Scientifiche Reali
Queste prestazioni si stanno già traducendo in utilizzi scientifici reali da parte dei ricercatori.
Ad esempio, la matematica Lisa Carbone dell’Università di Rutgers ha utilizzato Deep Think per trovare un difetto logico che era stato trascurato dai revisori umani in un articolo matematico altamente tecnico sulla teoria della gravità di Einstein e sulla meccanica quantistica.
Deep Think è stato anche usato dal Wang Lab dell’Università di Duke per progettare una ricetta per la crescita di film sottili di semiconduttori più grandi di 100 micrometri, un obiettivo precedentemente difficile da raggiungere.
Distribuzione, Hardware & Slancio Strategico
Il risultato di Deep Think arriva in aggiunta ad altre buone notizie per il team IA di Google.
La più importante è stata la decisione di Apple, l’unico gigante tecnologico che per lo più si è tenuto fuori dalla corsa IA, di adottare Gemini come IA predefinita sui dispositivi Apple. In quel contesto, ha senso che OpenAI abbia dichiarato a dicembre 2025 un “Code Red” riguardo ai progressi di Google e anche di altre aziende IA.
“La base utenti di Gemini è in crescita da quando, ad agosto, è stato rilasciato un generatore di immagini, Nano Banana, e Google ha dichiarato che gli utenti attivi mensili sono passati da 450 milioni a luglio a 650 milioni a ottobre.
OpenAI sta anche subendo pressioni da Anthropic, che sta diventando popolare tra i clienti aziendali.”
Un altro recente successo di Google è il successo dei suoi chip IA. Prima, è stato Anthropic, che ha annunciato che avrebbe iniziato a utilizzare i chip IA di Google, chiamati TPUs (Tensor Processing Units), includendo l’uso di fino a 1 milione di processori per alimentare il suo software IA. Ora, la concorrente AI Meta sta anch’essa utilizzando i TPUs di Google, sollevando dubbi sul fatto che Google stia diventando un concorrente di Nvidia (NVDA ) tanto quanto di OpenAI.
(Puoi leggere di più sui TPUs e su altri hardware focalizzati sull’IA come XPUs, FPGAs, ecc., in “Investire in Hardware IA: Dai CPU agli XPU“)
Strategia IA di Alphabet: Integrazione Verticale su Scala
Scorri per visualizzare →
| Azienda | Focus del Modello | Strategia Hardware | Controllo Distribuzione | Integrazione Verticale |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Matematica/Scienza) | TPU interne | Android + Search + Potenziale Routing Apple | Stack completo (Chip → Cloud → Consumer) |
| Microsoft/OpenAI | GPT Models (General LLM) | Nvidia GPUs via Azure | Windows + Enterprise SaaS | Parziale |
| Meta | Llama (Open-weight) | GPUs + Custom Silicon | Piattaforme Social | Moderato |
| Anthropic | Claude (Enterprise Focus) | Google TPUs | API + Enterprise Deals | Basso |
L’attenzione sui TPUs è una buona indicazione della strategia di Google. LLM solidi come Gemini e le prestazioni superiori in applicazioni reali come Deep Think sono, naturalmente, molto importanti.
Ma è nel controllo della distribuzione dell’IA e nella struttura dei costi + accesso al capitale che Google detiene una posizione solida.
La presenza di Google nel mercato mobile tramite Android è già forte, ma con l’accordo con Apple, quasi garantisce che la maggior parte delle richieste IA non indirizzate specificamente a una determinata app IA andranno a Gemini, direttamente o indirettamente.
L’altro componente è la crescente dipendenza dai TPUs. Alcuni rapporti affermano che i TPUs sono circa il 30% più economici rispetto alle GPU Nvidia e offrono da 2 a 4 volte migliori prestazioni per dollaro in carichi di lavoro comparabili. Il minore consumo energetico per la stessa potenza di calcolo non è solo una questione finanziaria; aiuta anche a scalare i data center IA nonostante le crescenti limitazioni di approvvigionamento energetico.
Infine, il livello di integrazione verticale — a partire dai TPUs, ai data center di proprietà diretta, a una piattaforma cloud aziendale e poi a un canale di distribuzione consumer — è senza pari nell’industria, con solo Microsoft che si avvicina in qualche misura nello spazio enterprise.
Infine, la costruzione dell’infrastruttura IA è stata estremamente costosa. Queste centinaia di miliardi di dollari in chip e data center devono ora essere pagati e generano enormi costi di ammortamento sul bilancio ogni anno. La scala dei flussi di cassa di Alphabet provenienti da ricerca, YouTube, Android e altri prodotti le consente di gestire meglio sia i costi iniziali sia la manutenzione futura di questa infrastruttura.
Il Gemini sta davvero prendendo il sopravvento?
Dichiarare un “vincitore” della corsa IA è sicuramente prematuro. Per esempio, l’intero paradigma attuale potrebbe essere capovolto se i data center orbitali della ora fusa xAI/Space dimostrassero di essere un forte vantaggio competitivo.
Ma sembra che alcune tendenze stiano emergendo e si stanno muovendo a favore di Google.
La prima è la necessità di hardware IA specializzato, un ambito in cui molti giganti tecnologici sono indietro, dando un vantaggio ai produttori di chip e a Google.
L’altra è l’importanza del controllo della distribuzione per il pubblico generale, che potrebbe non essere molto consapevole di quale IA possa o debba utilizzare. A questo proposito, l’accesso diretto all’intero ecosistema Apple rispecchia la precedente strategia di far diventare Google il motore di ricerca predefinito sugli iPhone (che ha persino portato a decisioni antitrust statunitensi alla fine del 2025 poiché era “troppo vantaggiosa”).
Insieme alla capacità di Deep Think in matematica e scienza, Google sta vivendo un ottimo inizio del 2026 per quanto riguarda l’IA. Se questa posizione di leadership sarà mantenuta a lungo contro le pressioni di OpenAI, Microsoft, Meta, Anthropic e una miriade di modelli cinesi — inclusi quelli dei giganti tecnologici cinesi come Alibaba (BABA ) o ByteDance — rimane ancora da vedere.
