Kunstig intelligens
Leder Googles Gemini nå AI-kappløpet?
Securities.io har strenge redaksjonelle standarder og kan motta kompensasjon fra gjennomgåtte lenker. Vi er ikke en registrert investeringsrådgiver, og dette er ikke investeringsrådgivning. Vennligst se vår tilknytning.
Utviklingen av AI-teknologi har med rette blitt beskrevet som et kappløp, der private oppstartsbedrifter som OpenAI og Anthropic konkurrerer tå mot tå med teknologigiganter som Microsoft. (MSFT -2.51%) og Google (GOOGL -2.34%)Dette kappløpet har blitt drevet av hundrevis av milliarder dollar i investeringer, ikke bare i programvareutvikling, men også i massive kapitalutgifter for å bygge stadig større og mer strømkrevende AI-datasentre for å trene de nyeste modellene.
I mellomtiden utvikler kinesiske modeller seg også raskt, noe som tilfører en følelse av at det haster og geopolitisk konkurranse til vestlige selskapers innsats.
I det siste ser det ut til at Googles Gemini ligger foran konkurrentene, spesielt med lanseringen av Gemini 3 Deep Think, en modell som fokuserer på en realistisk forståelse ikke bare av språk, men også av den fysiske verden. I tillegg blir Google også valgt av Apple. (AAPL -1.62%) for å drive selskapets enheters AI og gjør fremskritt innen produksjon av AI-brikker.
Tvillingene 3 Dyp Tenk: Hva har endret seg?
Deep Think-utgivelse
Med utgivelsen 12. februarthI forbindelse med Gemini 3 Deep Think i 2026 tok Google et definitivt skritt videre i å gå fra AI-er som hovedsakelig fokuserer på søk og språk (LLM-er) til mer generalistiske AI-er som er i stand til å forstå den fysiske verden.
Dette er en viktig utvikling, ettersom «fysisk AI» er retningen bransjen tar, en trend vi utforsket mer detaljert i «Fysisk AI: Investering i den humanoide robotboomen i 2026».
Foreløpig er den nye Deep Think tilgjengelig i Gemini-appen for Google AI Ultra-abonnenter, og for første gang tilgjengelig via Gemini API for utvalgte forskere, ingeniører og bedrifter, noe som gjør denne AI-en allerede kommersielt tilgjengelig, ikke bare en testmodell.
Matematikk og naturfag først
Det som skiller Deep Think fra tidligere Gemini-iterasjoner, og til en viss grad også fra andre AI-er, er et fokus på matematisk forståelse.
LLM-er er notorisk dårlige i enkle matematiske oppgaver, og noen ganger mislykkes de til og med med enkle addisjoner eller telling i riktig rekkefølge. Dette gjelder ikke for Deep Think, som har gjort det mulig for spesialiserte agenter å utføre matematikkutforskning på forskningsnivå. Modellen overgår kraftig andre modeller på matematikk- og naturfagtester. Den presterer også svært bra for kodeoppgaver.
kilde: Google
Forskjellen med Gemini Pro Preview er enda mer markant på tester om vitenskapelige emner, fra de internasjonale matematikkolympiadene eller de internasjonale kjemi-olympiadene, hvor den scoret rundt 82 %, sammenlignet med bare 14 % for matematikktesten i den forrige Google LLM-modellen.
kilde: Google
Disse resultatene var mulige takket være en radikalt annerledes arkitektur enn «klassiske AI-er», som lider av hallusinasjoner når data er for knappe, noe som per definisjon alltid vil være tilfelle for den nyeste vitenskapelige oppdagelsen.
For eksempel, for ren matematikk, har en matematisk forskningsagent (internt kodenavnet Aletheia), drevet av Gemini Deep Think, en naturlig språkverifikator for å identifisere feil i kandidatløsninger. Den muliggjør en iterativ prosess for å generere og revidere løsninger. Avgjørende er at denne agenten kan innrømme at man ikke har løst et problem, en viktig funksjon som forbedret effektiviteten for forskere.
kilde: Google
Denne tilnærmingen er ikke bare kraftigere når det gjelder å gi de riktige resultatene, den er også mer effektiv, ettersom Aletheia viste at høyere resonnementskvalitet kan oppnås ved en beregning med lavere inferenstid.
Tilnærmingen kan utvides fra matematikk til andre naturvitenskaper. For eksempel fant Gemini Deep Think ut hvordan man kunne bruke «en ny løsning ved bruk av Gegenbauer-polynomer» for å beregne gravitasjonsstråling fra kosmiske strenger.
Ekte vitenskapelige anvendelser
Denne ytelsen oversettes allerede til reell vitenskapelig bruk av forskere.
For eksempel brukte matematikeren Lisa Carbone ved Rutgers University Deep Think til å finne en logisk feil som hadde blitt oversett av menneskelige anmeldere i en svært teknisk matematisk artikkel om Einsteins gravitasjonsteori og kvantemekanikk.
Deep Think ble også brukt av Wang Lab ved Duke University til å designe en oppskrift for å dyrke tynne halvlederfilmer større enn 100 mikrometer, et tidligere utfordrende mål å nå.
Distribusjon, maskinvare og strategisk momentum
Deep Thinks prestasjon kommer i tillegg til andre gode nyheter for Googles AI-team.
Den viktigste var beslutningen til Apple, den eneste teknologigiganten som stort sett ikke deltok i AI-kappløpet, om å ta i bruk Gemini som standard AI på Apple-enheter. I den sammenhengen, Det er fornuftig at OpenAI i desember 2025 erklærte en «kode rød» angående Googles og andre AI-firmaers fremgang..
«Geminis brukerbase har klatret siden lanseringen av bildegeneratoren Nano Banana i august, og Google sa at antallet månedlige aktive brukere økte fra 450 millioner i juli til 650 millioner i oktober.»
OpenAI er også under press fra Anthropic, som er i ferd med å bli populært blant bedriftskunder.
En annen av Googles nylige seire er suksessen til AI-brikkene deres. For det første, Det var Anthropic, som annonserte at de ville begynne å bruke Googles AI-brikker, kalt TPU-er. (Tensor-prosessorenheter), inkludert bruk av opptil 1 million prosessorer for å drive AI-programvaren. Nå, Det konkurrerende AI-selskapet Meta blir også med ved å bruke Googles TPU-er, noe som setter spørsmålstegn ved om Google er i ferd med å bli en konkurrent til Nvidia (NVDA -2.17%) like mye som til OpenAI.
(Du kan lese mer om TPU-er og annen AI-fokusert maskinvare som XPU-er, FPGA-er osv. i «Investering i AI-maskinvare: Fra CPUer til XPUer")
Alphabets AI-strategi: Vertikal integrasjon i stor skala
Sveip for å bla →
| Selskap | Modellfokus | Maskinvarestrategi | Distribusjonskontroll | Vertikal integrasjon |
|---|---|---|---|---|
| Alphabet | Tvillingene 3 Dyp tenkning (matematikk/naturvitenskap) | Interne TPU-er | Android + Søk + Potensiell Apple-ruting | Fullstabel (Chip → Cloud → Forbruker) |
| Microsoft/OpenAI | GPT-modeller (generell LLM) | Nvidia GPU-er via Azure | Windows + Enterprise SaaS | Delvis |
| Meta | Lama (åpen vekt) | GPU-er + Tilpasset silisium | Sosiale plattformer | Moderat |
| Antropisk | Claude (bedriftsfokus) | Google TPUer | API + Enterprise-avtaler | Lav |
Fokuset på TPU-er er en god indikasjon på Googles strategi. Solide LLM-er som Gemini og overlegen ytelse i virkelige applikasjoner som Deep Think er selvfølgelig svært viktig.
Men det er i kontrollen over distribusjonen av AI og i kostnadsstrukturen + kapitaltilgang at Google har en solid posisjon.
Googles tilstedeværelse i mobilmarkedet gjennom Android er allerede sterk, men med avtalen med Apple garanteres det nesten at de fleste AI-forespørsler som ikke spesifikt rutes til en gitt AI-app, vil gå til Gemini, direkte eller indirekte.
Den andre komponenten er den økende avhengigheten av TPU-er. Enkelte rapporter sier at TPU-er er ~30 % billigere enn Nvidia GPU-er og leverer 2–4 ganger bedre ytelse per dollar i sammenlignbare arbeidsbelastninger. Det lavere energiforbruket for samme databehandling er ikke bare et økonomisk problem; det bidrar også til å skalere opp AI-datasentre til tross for økende begrensninger i energiforsyningen.
Til slutt er nivået av vertikal integrasjon – fra TPU-er, til direkte eide datasentre, en skyplattform for bedrifter og deretter en distribusjonskanal for forbrukere – uovertruffen i bransjen, og bare Microsoft kommer noe nært i bedriftsområdet.
Til slutt har oppbyggingen av AI-infrastruktur vært ekstraordinært kostbar. Disse hundrevis av milliarder dollar i brikker og datasentre må nå betales ned og skaper massive amortiseringskostnader på balansen hvert år fremover. Omfanget av Alphabets kontantstrøm fra søk, YouTube, Android og andre produkter gjør dem bedre i stand til å håndtere både de opprinnelige kostnadene og fremtidig vedlikehold av denne infrastrukturen.
Trekker Gemini faktisk fremover?
Det er absolutt for tidlig å kalle en gitt «vinner» av AI-kappløpet. For eksempel kan hele det nåværende paradigmet bli snudd på hodet hvis orbitale datasentre fra det nå fusjonerte xAI/Space viser seg å være et sterkt konkurransefortrinn.
Men det ser ut til at det dukker opp noen trender som beveger seg i Googles favør.
Det første er behovet for spesialisert AI-maskinvare, et domene der mange teknologigiganter henger etter, noe som gir en fordel til chipprodusenter og Google.
Den andre er viktigheten av distribusjonskontroll for allmennheten, som kanskje ikke er veldig klar over hvilken AI de kan eller bør bruke. I så måte speiler den direkte tilgangen til hele Apple-økosystemet den tidligere strategien med å få Google til å være standard søkemotor på iPhones (som til og med førte til amerikanske antitrustavgjørelser sent i 2025, da det var «for gunstig»).
Sammen med Deep Thinks dyktighet innen matematikk og naturfag, opplever Google en flott start på 2026 når det gjelder AI. Hvorvidt denne ledende posisjonen vil bli holdt lenge til tross for motstand fra OpenAI, Microsoft, Meta, Anthropic og en rekke kinesiske modeller – inkludert fra kinesiske teknologigiganter som Alibaba (BABA -2.18%) eller ByteDance – gjenstår å se.
