Kunstmatige intelligentie
Is Google’s Gemini nu de leider in de AI-wedloop?
Voeg Securities.io toe aan je voorkeursbronnen op Google
De ontwikkeling van AI-technologie wordt terecht omschreven als een race, waarbij private startups zoals OpenAI en Anthropic oog in oog concurreren met techgiganten zoals Microsoft (MSFT ) en Google (GOOGL ). Deze race wordt aangedreven door honderden miljarden dollars aan investeringen, niet alleen in softwareontwikkeling, maar ook in enorme kapitaalinvesteringen om steeds grotere en meer energie‑intensieve AI‑datacenters te bouwen om de nieuwste modellen te trainen.
Intussen maken Chinese modellen ook snel vorderingen, waardoor er een gevoel van urgentie en geopolitieke concurrentie ontstaat voor de inspanningen van westerse bedrijven.
Recent lijkt het erop dat Google’s Gemini zijn concurrenten voorloopt, vooral met de release van Gemini 3 Deep Think, een model dat gericht is op een realistisch begrip niet alleen van talen maar ook van de fysieke wereld. Bovendien is Google geselecteerd door Apple (AAPL ) om de AI van de apparaten van het bedrijf aan te drijven en maakt het vorderingen in de business van AI‑chipproductie.
Gemini 3 Deep Think: Wat is er veranderd?
Deep Think-release
Met de release op 12th 2026 van Gemini 3 Deep Think heeft Google een duidelijke stap voorwaarts gezet in de overgang van AI’s die voornamelijk gericht zijn op zoeken en taal (LLM’s) naar meer generalistische AI’s die de fysieke wereld kunnen begrijpen.
Dit is een belangrijke ontwikkeling, aangezien “Physical AI” de richting is die de industrie inslaat, een trend die we in meer detail hebben onderzocht in “Physical AI: Investeren in de Humanoid Robot Boom van 2026.”
Voorlopig is de nieuwe Deep Think beschikbaar in de Gemini‑app voor Google AI Ultra‑abonnees en, voor het eerst, via de Gemini‑API voor geselecteerde onderzoekers, ingenieurs en bedrijven, waardoor deze AI al commercieel beschikbaar is en niet alleen een testmodel.
Wiskunde & Wetenschappen eerst
Wat Deep Think onderscheidt van eerdere Gemini‑iteraties, en tot op zekere hoogte ook van andere AI’s, is de focus op wiskundig begrip.
LLM’s presteren berucht slecht bij eenvoudige wiskundige taken, soms falen ze zelfs bij simpele optellingen of het tellen in volgorde. Dit is niet het geval bij Deep Think, dat gespecialiseerde agenten in staat stelt onderzoek‑niveau wiskundige verkenning uit te voeren. Het model overtreft andere modellen enorm op wiskunde‑ en wetenschapstests. Het presteert ook zeer goed bij programmeertaken.
Bron: Google
Het verschil met Gemini Pro Preview is nog duidelijker bij tests over wetenschappelijke onderwerpen, van de Internationale Wiskunde‑Olympiade tot de Internationale Scheikunde‑Olympiade, waar het ongeveer 82 % scoorde, vergeleken met slechts 14 % voor de wiskundetest van het vorige Google‑LLM‑model.
Bron: Google
Deze resultaten waren mogelijk dankzij een radicaal andere architectuur dan “klassieke AI’s”, die lijden aan hallucinaties wanneer data te schaars zijn, wat per definitie altijd het geval zal zijn voor de nieuwste wetenschappelijke ontdekkingen.
Voor zuivere wiskunde bijvoorbeeld, beschikt een wiskundig onderzoeksagent (intern intern gecodeerd als Aletheia), aangedreven door Gemini Deep Think, over een natuurlijke‑taalverifier om fouten in kandidaatoplossingen te identificeren. Het maakt een iteratief proces van genereren en herzien van oplossingen mogelijk. Cruciaal is dat deze agent kan toegeven dat hij een probleem niet kan oplossen, een belangrijke eigenschap die de efficiëntie voor onderzoekers heeft verbeterd.
Bron: Google
Deze aanpak is niet alleen krachtiger in het leveren van de juiste resultaten, maar ook efficiënter, aangezien Aletheia aantoonde dat een hogere redeneerkwaliteit kan worden bereikt met minder rekenkracht tijdens inferentie.
De aanpak kan worden uitgebreid van wiskunde naar andere natuurwetenschappen. Bijvoorbeeld, Gemini Deep Think ontdekte hoe een “nieuwe oplossing met Gegenbauer‑polynomen” kan worden gebruikt om gravitatieradiatie van kosmische snaren te berekenen.
Reële wetenschappelijke toepassingen
Deze prestatie wordt al omgezet in echte wetenschappelijke toepassingen door onderzoekers.
Zo gebruikte wiskundige Lisa Carbone van Rutgers University Deep Think om een logische fout te vinden die door menselijke beoordelaars over het hoofd was gezien in een zeer technisch wiskundig artikel over Einsteins zwaartekracht‑theorie en kwantummechanica.
Deep Think werd ook gebruikt door het Wang‑lab van Duke University om een recept te ontwerpen voor het groeien van halfgeleider‑dunne films groter dan 100 micrometer, een voorheen moeilijk te bereiken doel.
Distributie, hardware & strategisch momentum
De prestatie van Deep Think komt bovenop ander goed nieuws voor het AI‑team van Google.
Het belangrijkste was de beslissing van Apple, de enige techgigant die grotendeels buiten de AI‑race bleef, om Gemini als standaard‑AI op Apple‑apparaten te adopteren. In die context het is logisch dat OpenAI in december 2025 een “Code Red” verklaarde met betrekking tot de voortgang van Google en andere AI‑bedrijven.
“De gebruikersbasis van Gemini is gegroeid sinds de augustusrelease van een beeldgenerator, Nano Banana, en Google meldde dat het aantal maandelijks actieve gebruikers steeg van 450 miljoen in juli naar 650 miljoen in oktober.
OpenAI ondervindt ook druk van Anthropic, dat steeds populairder wordt bij zakelijke klanten.”
Een andere recente overwinning van Google is het succes van haar AI‑chips. Eerst het was Anthropic, dat aankondigde dat het Google’s AI‑chips, genaamd TPU’s, zou gaan gebruiken (Tensor Processing Units), inclusief het gebruik van tot 1 miljoen processors om haar AI‑software van stroom te voorzien. Nu het concurrerende AI‑bedrijf Meta sluit zich ook aan bij het gebruik van Google’s TPU’s, waardoor de vraag rijst of Google evenveel een concurrent van Nvidia (NVDA ) wordt als van OpenAI.
(U kunt meer lezen over TPU’s en andere AI‑gerichte hardware zoals XPU’s, FPGA’s, enz., in “Investeren in AI‑hardware: Van CPU’s tot XPU’s”)
Alphabet’s AI‑strategie: verticale integratie op schaal
Veeg om te scrollen →
| Bedrijf | Modelfocus | Hardware‑strategie | Distributie‑controle | Verticale integratie |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Wiskunde/Wetenschap) | Eigen TPU’s | Android + Search + Mogelijke Apple‑routering | Volledige stack (Chip → Cloud → Consument) |
| Microsoft/OpenAI | GPT-modellen (Algemene LLM) | Nvidia‑GPU’s via Azure | Windows + Enterprise SaaS | Gedeeltelijk |
| Meta | Llama (Open‑weight) | GPU’s + aangepaste silicon | Sociale platforms | Gemiddeld |
| Anthropic | Claude (Enterprise‑focus) | Google‑TPU’s | API + Enterprise‑deals | Laag |
De focus op TPU’s is een goede indicatie van Google’s strategie. Solide LLM’s zoals Gemini en superieure prestaties in real‑world‑toepassingen zoals Deep Think zijn uiteraard zeer belangrijk.
Maar het is in de controle over de distributie van AI en in de kostenstructuur + kapitaaltoegang waar Google een solide positie heeft.
De aanwezigheid van Google op de mobiele markt via Android is al sterk, maar met de deal met Apple wordt vrijwel gegarandeerd dat de meeste AI‑verzoeken die niet specifiek naar een bepaalde AI‑app worden geleid, naar Gemini gaan, direct of indirect.
Het andere onderdeel is de toenemende afhankelijkheid van TPU’s. Sommige rapporten stellen dat TPU’s ongeveer 30 % goedkoper zijn dan Nvidia‑GPU’s en 2–4 × betere prestaties per dollar leveren bij vergelijkbare workloads. Het lagere energieverbruik voor dezelfde rekencapaciteit is niet alleen een financieel vraagstuk; het helpt ook AI‑datacenters op te schalen ondanks toenemende beperkingen in de energievoorziening.
Tenslotte is het niveau van verticale integratie — beginnend met TPU’s, tot direct‑eigendom datacenters, een enterprise‑cloudplatform, en vervolgens een consumenten‑distributiekanaal — ongeëvenaard in de sector, waarbij alleen Microsoft enigszins in de enterprise‑ruimte in de buurt komt.
Tot slot is de opbouw van AI‑infrastructuur buitengewoon kostbaar geweest. Deze honderden miljarden dollars aan chips en datacenters moeten nu worden betaald en veroorzaken enorme afschrijvingskosten op de balans elk jaar voortaan. De schaal van Alphabet’s kasstromen uit zoekopdrachten, YouTube, Android en andere producten maakt het beter in staat om zowel de initiële kosten als het toekomstige onderhoud van deze infrastructuur te dragen.
Is Gemini eigenlijk voorop aan het lopen?
Het aanwijzen van een “winnaar” van de AI‑race is zeker voortijdig. Bijvoorbeeld, het hele huidige paradigma zou kunnen worden omvergeworpen als orbitale datacenters van het nu samengevoegde xAI/Space blijken een sterk concurrentievoordeel te zijn.
Maar het lijkt erop dat een paar trends naar voren komen die in het voordeel van Google werken.
De eerste is de behoefte aan gespecialiseerde AI‑hardware, een domein waar veel techgiganten achterlopen, wat een voordeel geeft aan chipfabrikanten en Google.
De andere is het belang van controle over distributie voor het grote publiek, dat zich wellicht niet goed bewust is van welke AI ze kunnen of moeten gebruiken. In dat opzicht weerspiegelt de directe toegang tot het volledige Apple‑ecosysteem de eerdere strategie om Google de standaard‑zoekmachine op iPhones te maken (wat zelfs in eind 2025 Amerikaanse antitrust‑uitspraken opleverde omdat het “te voordelig” was).
Samen met de wiskunde‑ en wetenschapskracht van Deep Think beleeft Google een uitstekende start van 2026 op het gebied van AI. Of deze leidende positie langdurig behouden blijft tegen tegenstand van OpenAI, Microsoft, Meta, Anthropic en een reeks Chinese modellen — waaronder van Chinese techgiganten zoals Alibaba (BABA ) of ByteDance — blijft nog afwachten.
