Er Googles Gemini nå ledende i AI-racet?

Utviklingen av AI-teknologi har med rette blitt beskrevet som et løp, med private oppstartsbedrifter som OpenAI og Anthropic som konkurrerer skulder ved skulder med teknologigiganter som Microsoft (MSFT ) og Google (GOOGL ). Dette løpet 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 strømkrævende AI-datasentre for å trene de nyeste modellene.

Samtidig gjør også kinesiske modeller raske fremskritt, noe som tilfører en følelse av hastverk og geopolitisk konkurranse til vestlige selskapers innsats.

I det siste ser det ut til at Googles Gemini tar ledelsen over sine konkurrenter, 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 ) til å drive selskapets enheters AI, og gjør fremskritt innen AI-chipproduksjon.

Gemini 3 Deep Think: Hva har endret seg?

Deep Think-utgivelse

Med lanseringen 12. februar^th 2026 av Gemini 3 Deep Think tok Google et definitivt skritt fremover fra AI-er som hovedsakelig er fokusert på søk og språk (LLM-er) til mer generalistiske AI-er som kan forstå den fysiske verden.

Dette er en viktig utvikling, ettersom «Physical AI» er retningen industrien tar, en trend vi utforsket i mer detalj i «Physical AI: Investering i 2026 Humanoid Robot Boom».

Foreløpig er den nye Deep Think tilgjengelig i Gemini-appen for Google AI Ultra-abonnenter, og for første gang tilgjengelig via Gemini API til utvalgte forskere, ingeniører og bedrifter, noe som gjør denne AI-en allerede kommersielt tilgjengelig, ikke bare en testmodell.

Matematikk og vitenskap 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 presterer notorisk dårlig i enkle matematiske oppgaver, og feiler noen ganger selv på enkle addisjoner eller telling i rekkefølge. Dette gjelder ikke Deep Think, som har gjort det mulig for spesialiserte agenter å utføre forskningsnivå matematisk utforskning. Modellen overgår andre modeller kraftig på matematikk- og vitenskapstester. Den presterer også svært bra på kodeoppgaver.

Kilde: Google

Forskjellen med Gemini Pro Preview er enda tydeligere på tester om vitenskapelige emner, fra de internasjonale matematikkolympiadene eller de internasjonale kjemi-olympiadene, hvor den oppnådde rundt 82 %, sammenlignet med kun 14 % på mattetesten til den forrige Google LLM-modellen.

Kilde: Google

Disse resultatene var mulig 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 de nyeste vitenskapelige oppdagelsene.

For eksempel, for ren matematikk, har en matematisk forskningsagent (internt kalt Aletheia), drevet av Gemini Deep Think, en naturlig språkverifikator for å identifisere feil i kandidatløsninger. Den muliggjør en iterativ prosess med å generere og revidere løsninger. Avgørende er at denne agenten kan innrømme at den ikke klarer å løse et problem, en nøkkelfunksjon som forbedret effektiviteten for forskere.

Kilde: Google

Denne tilnærmingen er ikke bare kraftigere i å levere riktige resultater, den er også mer effektiv, ettersom Aletheia demonstrerte at høyere resonneringskvalitet kan oppnås med lavere beregningskostnad under inferens.

Tilnærmingen kan utvides fra matematikk til andre fysiske vitenskaper. For eksempel fant Gemini Deep Think hvordan man bruker «en ny løsning med Gegenbauer-polynomer» for å beregne gravitasjonsstråling fra kosmiske strenger.

Reelle vitenskapelige anvendelser

Denne ytelsen blir allerede omsatt til reelle vitenskapelige bruksområder av forskere.

For eksempel brukte matematikeren Lisa Carbone ved Rutgers University Deep Think til å finne en logisk feil som ble oversett av menneskelige fagfeller i et svært teknisk matematisk papir om Einsteins gravitasjonsteori og kvantemekanikk.

Deep Think ble også brukt av Wang Lab ved Duke University til å designe en oppskrift for å dyrke halvleder‑tynne filmer større enn 100 mikrometer, et tidligere vanskelig mål å oppnå.

Distribusjon, maskinvare & strategisk momentum

Deep Thinks prestasjon kommer i tillegg til andre gode nyheter for Googles AI-team.

Det viktigste var beslutningen fra Apple, den eneste teknologigiganten som stort sett holdt seg utenfor AI-løpet, om å adoptere Gemini som standard‑AI på Apple‑enheter. I den sammenhengen gir det mening at OpenAI erklærte i desember 2025 en «Code Red» angående Googles fremgang og andre AI‑selskaper også.

“Geminis brukerbase har vokst siden augustlanseringen av en bildgenerator, Nano Banana, og Google sa at månedlige aktive brukere økte fra 450 millioner i juli til 650 millioner i oktober.

OpenAI står også overfor press fra Anthropic, som blir populært blant bedriftskunder.”

Et annet av Googles nylige seire er suksessen med sine AI‑chips. Først var det Anthropic, som kunngjorde at de ville begynne å bruke Googles AI‑chips, kalt TPU‑er (Tensor Processing Units), inkludert bruk av opptil 1 million prosessorer for å drive sin AI‑programvare. Nå slutter også det konkurrerende AI‑selskapet Meta seg til å bruke Googles TPU‑er, noe som stiller spørsmål ved om Google blir en konkurrent til Nvidia (NVDA ) i like stor grad 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 CPU‑er til XPU‑er»)

Alphabets AI‑strategi: Vertikal integrasjon i stor skala

Sveip for å rulle →

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 viktige.

Men det er i kontrollen over distribusjonen av AI og i kostnadsstrukturen + kapitaltilgangen Google har en solid posisjon.

Googles tilstedeværelse i mobilmarkedet gjennom Android er allerede sterk, men med avtalen med Apple garanterer det nesten at de fleste AI‑forespørsler som ikke er spesifikt rutet til en gitt AI‑app, vil gå til Gemini, direkte eller indirekte.

Den andre komponenten er den økende avhengigheten av TPU‑er. Noen rapporter sier at TPU‑er er ~30 % billigere enn Nvidia GPU‑er og leverer 2–4 × bedre ytelse per dollar i sammenlignbare arbeidsbelastninger. Den lavere energiforbruket for samme beregning er ikke bare et økonomisk spørsmål; det hjelper også med å skalere opp AI‑datasentre til tross for økende energiforsyningsbegrensninger.

Til slutt er nivået av vertikal integrasjon – fra TPU‑er, til direkte eide datasentre, en bedrifts‑skyplattform, og deretter en forbruker‑distribusjonskanal – uten sidestykke i bransjen, med kun Microsoft som kommer noe i nærheten i bedriftssegmentet.

Endelig har oppbyggingen av AI‑infrastruktur vært usedvanlig kostbar. Disse hundrevis av milliarder dollar i chips og datasentre må nå betales for og skaper massive avskrivningskostnader på balansen hvert år fremover. Omfanget av Alphabets kontantstrøm fra søk, YouTube, Android og andre produkter gjør det bedre i stand til å håndtere både de innledende kostnadene og fremtidig vedlikehold av denne infrastrukturen.

Tar Gemini faktisk ledelsen?

Det er absolutt for tidlig å utpeke en «vinner» av AI‑løpet. For eksempel kan hele det nåværende paradigmet bli snudd på hodet dersom orbitale datasentre fra det nå sammenslåtte xAI/Space viser seg å være en sterk konkurransefordel.

Men det ser ut til at noen trender dukker opp som går i Googles favør.

Den første er behovet for spesialisert AI‑maskinvare, et område hvor mange teknologigiganter henger etter, noe som gir en fordel til chip‑produsenter og Google.

Den andre er viktigheten av distribusjonskontroll for allmennheten, som kanskje ikke er klar over hvilken AI de kan eller bør bruke. I den forbindelse speiler den direkte tilgangen til hele Apple‑økosystemet den tidligere strategien med å få Google til å bli standard søkemotor på iPhone‑er (som til og med førte til amerikanske antitrust‑dommer sent i 2025 fordi det var «for gunstig»).

Sammen med Deep Thinks dyktighet i matematikk og vitenskap, opplever Google en flott start på 2026 når det gjelder AI. Om denne ledende posisjonen vil vare lenge mot motstand fra OpenAI, Microsoft, Meta, Anthropic og en mengde kinesiske modeller – inkludert fra kinesiske teknologigiganter som Alibaba (BABA ) eller ByteDance – gjenstår å se.