Inteligência artificial
O Gemini da Google está agora liderando a corrida da IA?
O desenvolvimento da tecnologia de IA tem sido corretamente descrito como uma corrida, com startups privadas como OpenAI e Anthropic competindo olho no olho com gigantes de tecnologia como Microsoft (MSFT ) e Google (GOOGL ). Essa corrida tem sido impulsionada por centenas de bilhões de dólares em investimentos, não apenas em desenvolvimento de software, mas também em enormes despesas de capital para construir data centers de IA cada vez maiores e mais famintos por energia para treinar os modelos mais recentes.
Enquanto isso, os modelos chineses também estão progredindo rapidamente, acrescentando um senso de urgência e competição geopolítica aos esforços das empresas ocidentais.
Recentemente, parece que o Gemini da Google está avançando à frente de seus concorrentes, especialmente com o lançamento do Gemini 3 Deep Think, um modelo focado em uma compreensão realista não apenas de linguagens, mas também do mundo físico. Além disso, a Google também está sendo selecionada pela Apple (AAPL ) para alimentar a IA dos dispositivos da empresa e está avançando no negócio de fabricação de chips de IA.
Gemini 3 Deep Think: O que mudou?
Lançamento do Deep Think
Com o lançamento em 12de, 2026, do Gemini 3 Deep Think, a Google deu um passo definitivo ao avançar de IAs que se concentram principalmente em busca e linguagem (LLMs) para IAs mais generalistas capazes de entender o mundo físico.
Este é um desenvolvimento importante, pois “IA Física” é a direção que a indústria está tomando, uma tendência que exploramos em mais detalhes em “IA Física: Investindo no Boom dos Robôs Humanóides de 2026”.
Por enquanto, o novo Deep Think está disponível no aplicativo Gemini para assinantes do Google AI Ultra e, pela primeira vez, disponível via API Gemini para pesquisadores, engenheiros e empresas selecionados, tornando esta IA já comercialmente disponível, não apenas um modelo de teste.
Matemática e Ciências Primeiro
O que distingue o Deep Think das iterações anteriores do Gemini, e até certo ponto de outras IAs também, é o foco na compreensão matemática.
Os LLMs notoriamente têm desempenho ruim em tarefas matemáticas simples, às vezes falhando até mesmo em adições simples ou contagem sequencial. Isso não acontece com o Deep Think, que possibilitou agentes especializados a conduzir exploração matemática em nível de pesquisa. O modelo supera massivamente outros modelos em testes de matemática e ciência. Também tem um desempenho muito bom em tarefas de codificação.
Fonte: Google
A diferença com o Gemini Pro Preview é ainda mais evidente em testes sobre tópicos científicos, das Olimpíadas Internacionais de Matemática ou das Olimpíadas Internacionais de Química, onde ele marcou cerca de 82%, comparado a apenas 14% no teste de matemática do modelo LLM anterior da Google.
Fonte: Google
Esses resultados foram possíveis graças a uma arquitetura radicalmente diferente das “IAs clássicas”, que sofrem de alucinações quando os dados são escassos, o que por definição sempre será o caso para as descobertas científicas mais recentes.
Por exemplo, para matemática pura, um agente de pesquisa matemática (internamente codinome Aletheia), alimentado pelo Gemini Deep Think, possui um verificador de linguagem natural para identificar falhas em soluções candidatas. Ele permite um processo iterativo de geração e revisão de soluções. Crucialmente, esse agente pode admitir falha ao resolver um problema, um recurso chave que melhorou a eficiência para os pesquisadores.
Fonte: Google
Essa abordagem não é apenas mais poderosa ao fornecer os resultados corretos, mas também mais eficiente, como Aletheia demonstrou que uma qualidade de raciocínio superior pode ser alcançada com menor computação durante a inferência.
A abordagem pode ser expandida da matemática para outras ciências físicas. Por exemplo, o Gemini Deep Think descobriu como usar “uma solução inovadora usando polinômios de Gegenbauer” para calcular radiação gravitacional de cordas cósmicas.
Aplicações Científicas Reais
Esse desempenho já está se traduzindo em usos científicos reais por pesquisadores.
Por exemplo, a matemática Lisa Carbone, da Universidade Rutgers, usou o Deep Think para encontrar uma falha lógica que havia sido perdida por revisores humanos em um artigo matemático altamente técnico sobre a teoria da gravidade de Einstein e mecânica quântica.
O Deep Think também foi usado pelo Laboratório Wang da Universidade Duke para projetar uma receita para cultivar filmes finos de semicondutor maiores que 100 micrômetros, um alvo anteriormente difícil de alcançar.
Distribuição, Hardware e Impulso Estratégico
A conquista do Deep Think vem acompanhada de outras boas notícias para a equipe de IA da Google.
A mais importante foi a decisão da Apple, a única gigante de tecnologia que praticamente ficou de fora da corrida de IA, de adotar o Gemini como sua IA padrão nos dispositivos Apple. Nesse contexto, faz sentido que a OpenAI tenha declarado em dezembro de 2025 um “Code Red” em relação ao progresso da Google e de outras empresas de IA também.
“A base de usuários do Gemini tem crescido desde o lançamento em agosto de um gerador de imagens, Nano Banana, e a Google disse que usuários ativos mensais aumentaram de 450 milhões em julho para 650 milhões em outubro.
A OpenAI também está enfrentando pressão da Anthropic, que está se tornando popular entre clientes empresariais.”
Outra das recentes vitórias da Google é o sucesso de seus chips de IA. Primeiro, foi a Anthropic, que anunciou que começaria a usar os chips de IA da Google, chamados TPUs (Unidades de Processamento Tensor), incluindo o uso de até 1 milhão de processadores para alimentar seu software de IA. Agora, a empresa concorrente de IA Meta também está aderindo ao uso das TPUs da Google, colocando em questão se a Google está se tornando concorrente da Nvidia (NVDA ) tanto quanto da OpenAI.
(Você pode ler mais sobre TPUs e outros hardwares focados em IA como XPUs, FPGAs, etc., em “Investindo em Hardware de IA: De CPUs a XPUs“)
Estratégia de IA da Alphabet: Integração Vertical em Escala
Deslize para rolar →
| Empresa | Foco do Modelo | Estratégia de Hardware | Controle de Distribuição | Integração Vertical |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Matemática/Ciência) | TPUs internas | Android + Busca + Roteamento Potencial da Apple | Pilha completa (Chip → Nuvem → Consumidor) |
| Microsoft/OpenAI | Modelos GPT (LLM geral) | GPUs Nvidia via Azure | Windows + SaaS empresarial | Parcial |
| Meta | Llama (Código aberto) | GPUs + Silício personalizado | Plataformas sociais | Moderado |
| Anthropic | Claude (Foco empresarial) | TPUs do Google | API + Acordos empresariais | Baixo |
O foco nas TPUs é um bom indicativo da estratégia da Google. LLMs robustos como o Gemini e desempenho superior em aplicações do mundo real como o Deep Think são, obviamente, muito importantes.
Mas é no controle da distribuição de IA e na estrutura de custos + acesso a capital que a Google mantém uma posição sólida.
A presença da Google no mercado móvel através do Android já é forte, mas com o acordo com a Apple, quase garante que a maioria das solicitações de IA que não são especificamente direcionadas a um determinado aplicativo de IA irão para o Gemini, direta ou indiretamente.
O outro componente é a crescente dependência das TPUs. Alguns relatórios dizem que as TPUs são ~30% mais baratas que as GPUs da Nvidia e oferecem de 2 a 4 vezes melhor desempenho por dólar em cargas de trabalho comparáveis. O menor consumo de energia para o mesmo cálculo não é apenas uma questão financeira; também ajuda a ampliar os data centers de IA apesar das crescentes restrições de fornecimento de energia.
Por fim, o nível de integração vertical — começando com as TPUs, passando por data centers de propriedade direta, uma plataforma de nuvem empresarial e, então, um canal de distribuição ao consumidor — é incomparável na indústria, com apenas a Microsoft chegando um pouco perto no espaço empresarial.
Finalmente, a construção da infraestrutura de IA tem sido extraordinariamente cara. Essas centenas de bilhões de dólares em chips e data centers agora precisam ser pagos e criam custos massivos de amortização no balanço a cada ano. A escala dos fluxos de caixa da Alphabet provenientes da busca, YouTube, Android e outros produtos a torna mais capaz de lidar tanto com os custos iniciais quanto com a manutenção futura dessa infraestrutura.
O Gemini está realmente avançando?
Apontar um “vencedor” da corrida de IA ainda é certamente prematuro. Por exemplo, todo o paradigma atual poderia ser derrubado se data centers orbitais da agora fundida xAI/Space provarem ser uma forte vantagem competitiva.
Mas parece que algumas tendências estão surgindo que favorecem a Google.
A primeira é a necessidade de hardware de IA especializado, um domínio onde muitas gigantes de tecnologia ficam para trás, dando vantagem aos fabricantes de chips e à Google.
A outra é a importância do controle de distribuição para o público geral, que pode não estar muito ciente de qual IA pode ou deve usar. Nesse sentido, o acesso direto a todo o ecossistema da Apple espelha a estratégia anterior de fazer a Google ser o motor de busca padrão nos iPhones (o que até trouxe decisões antitruste nos EUA no final de 2025, pois era “demasiado benéfico”).
Junto com a capacidade do Deep Think em matemática e ciência, a Google está tendo um ótimo início em 2026 no que diz respeito à IA. Se essa posição de liderança será mantida por muito tempo diante da resistência da OpenAI, Microsoft, Meta, Anthropic e de uma infinidade de modelos chineses — incluindo das gigantes chinesas de tecnologia como Alibaba (BABA ) ou ByteDance — ainda está por se ver.
