Nangunguna na ba ang Gemini ng Google sa Karera ng AI?

Ang pag-unlad ng teknolohiyang AI ay karapat-dapat na inilalarawan bilang isang karera, kung saan ang mga pribadong startup tulad ng OpenAI at Anthropic ay nakikipagkumpitensya nang sabay-sabay sa mga higanteng teknolohiya tulad ng Microsoft (MSFT ) at Google (GOOGL ). Ang karerang ito ay pinondohan ng daan-daang bilyong dolyar sa pamumuhunan, hindi lamang sa pag-unlad ng software, kundi pati na rin sa napakalaking kapital na gastusin upang magtayo ng mas lalong malalaki at mas mapang-kinahihang AI data center para sanayin ang pinakabagong mga modelo.

Samantala, mabilis din ang pag-usbong ng mga modelong Tsino, na nagdadagdag ng pakiramdam ng kagyat na pangangailangan at kompetisyon sa heopolitika sa mga pagsisikap ng mga kumpanyang Kanluranin.

Kamakailan, tila ang Gemini ng Google ay humahigante sa mga kakumpitensya nito, lalo na sa paglabas ng Gemini 3 Deep Think, isang modelo na nakatuon sa realistiko at malalim na pag-unawa hindi lamang sa mga wika kundi pati na rin sa pisikal na mundo. Bilang karagdagan, napili rin ng Apple (AAPL ) ang Google upang magbigay ng AI sa mga device ng kumpanya at umuunlad ito sa negosyo ng paggawa ng AI chip.

Gemini 3 Deep Think: Ano ang Nagbago?

Paglabas ng Deep Think

Sa paglabas noong Pebrero 12^th, 2026, ng Gemini 3 Deep Think, gumawa ang Google ng isang tiyak na hakbang pasulong mula sa mga AI na karamihan ay nakatuon sa paghahanap at wika (LLMs) patungo sa mas pangkalahatang AI na kayang maunawaan ang pisikal na mundo.

Ito ay isang mahalagang pag-unlad, dahil ang “Physical AI” ay ang direksyon na tinatahak ng industriya, isang trend na aming masusing sinuri sa “Physical AI: Pamumuhunan sa 2026 Humanoid Robot Boom.”

Sa ngayon, ang bagong Deep Think ay magagamit sa Gemini app para sa mga subscriber ng Google AI Ultra at, sa unang pagkakataon, magagamit din sa pamamagitan ng Gemini API para sa piling mga mananaliksik, inhinyero, at mga kumpanya, na ginagawa ang AI na ito na komersyal nang magagamit, hindi lamang isang test na modelo.

Matematika & Agham Una

Ang nagbubukod-tangi sa Deep Think mula sa mga nakaraang iterasyon ng Gemini, at sa ilang antas mula sa ibang AI din, ay ang pagtutok sa pag-unawa sa matematika.

Kilalang mahina ang LLMs sa mga simpleng gawain sa matematika, kung minsan ay nabibigo pa sa simpleng pagdaragdag o pagbilang nang sunod-sunod. Hindi ito totoo para sa Deep Think, na nagbigay-daan sa mga espesyal na ahente na magsagawa ng pananaliksik na lebel ng eksplorasyon sa matematika. Ang modelo ay lubos na nalalampasan ang ibang mga modelo sa mga pagsusulit sa matematika at agham. Magaling din ito sa mga gawain sa pag-coding.

Pinagmulan: Google

Ang pagkakaiba sa Gemini Pro Preview ay mas malinaw sa mga pagsusulit tungkol sa mga paksang siyentipiko, mula sa International Math Olympiads o International Chemistry Olympiads, kung saan ito ay nakakuha ng halos 82%, kumpara sa tanging 14% para sa pagsusulit sa matematika ng nakaraang modelo ng Google LLM.

Pinagmulan: Google

Ang mga resulta ay naging posible dahil sa isang radikal na ibang arkitektura kumpara sa “classic AIs,” na nagkakaroon ng hallucinations kapag kulang ang datos, na sa likas ay palaging mangyayari para sa pinakabagong tuklas na siyentipiko.

Halimbawa, para sa purong matematika, isang math research agent (na internal na tinawag na Aletheia), na pinapagana ng Gemini Deep Think, ay may tampok na natural language verifier upang tuklasin ang mga depekto sa mga kandidato ng solusyon. Pinahihintulutan nito ang isang iteratibong proseso ng pagbuo at pagrebisa ng mga solusyon. Mahalaga, ang ahenteng ito ay maaaring aminin ang kabiguan sa paglutas ng problema, isang susi na tampok na nagpa-igting ng kahusayan para sa mga mananaliksik.

Pinagmulan: Google

Ang pamamaraang ito ay hindi lamang mas makapangyarihan sa pagbibigay ng tamang resulta, ito rin ay mas epektibo, dahil ipinakita ng Aletheia na mas mataas na kalidad ng pag-iisip ay maaaring makamit sa mas mababang compute sa oras ng inference.

Maaaring palawakin ang pamamaraang ito mula sa matematika patungo sa iba pang pisikal na agham. Halimbawa, natuklasan ng Gemini Deep Think kung paano gamitin ang “isang bagong solusyon gamit ang Gegenbauer polynomials” upang kalkulahin ang gravitational radiation mula sa mga cosmic string.

Totoong Aplikasyon sa Agham

Ang pagganap na ito ay nagsasalin na sa mga totoong gamit pang-agham ng mga mananaliksik.

Halimbawa, ginamit ng matematikong si Lisa Carbone mula sa Rutgers University ang Deep Think upang mahanap ang isang lohikal na depekto na hindi napansin ng mga human reviewer sa isang lubhang teknikal na papel sa matematika tungkol sa teorya ng grabidad ni Einstein at quantum mechanics.

Ginamit din ang Deep Think ng Wang Lab sa Duke University upang magdisenyo ng resipe para sa paglago ng semiconductor thin films na higit sa 100 micrometers, isang dating hamong target na maabot.

Pamamahagi, Hardware & Estratehikong Momentum

Ang tagumpay ng Deep Think ay sumasabay sa iba pang magagandang balita para sa AI team ng Google.

Ang pinakamahalaga ay ang desisyon ng Apple, ang tanging higanteng teknolohiya na halos hindi sumali sa karera ng AI, na gamitin ang Gemini bilang default na AI sa mga Apple device. Sa kontekstong iyon, makatuwirang idineklara ng OpenAI noong Disyembre 2025 ang isang “Code Red” hinggil sa pag-unlad ng Google at iba pang mga AI firm din.

“Ang user base ng Gemini ay patuloy na tumataas mula nang ilabas noong Agosto ang isang image generator, ang Nano Banana, at sinabi ng Google na tumaas ang buwanang aktibong mga gumagamit mula 450 milyong noong Hulyo hanggang 650 milyong noong Oktubre.

Ang OpenAI ay nahaharap din sa presyon mula sa Anthropic, na nagiging popular sa mga business customer.”

Isa pang kamakailang tagumpay ng Google ay ang tagumpay ng mga AI chip nito. Una, ito ay ang Anthropic, na inanunsyo na magsisimula nang gumamit ng AI chip ng Google, na tinatawag na TPUs (Tensor Processing Units), kabilang ang paggamit ng hanggang 1 milyong processor upang patakbuhin ang kanilang AI software. Ngayon, ang kumpanyang AI na Meta ay sumasali rin sa paggamit ng TPUs ng Google, na nagdududa kung ang Google ay nagiging kakompetensya ng Nvidia (NVDA ) katulad ng sa OpenAI.

(Maaari kang magbasa pa tungkol sa mga TPU at iba pang AI-focused hardware tulad ng XPUs, FPGAs, atbp., sa “Pamumuhunan sa AI Hardware: Mula sa CPUs hanggang XPUs”)

Estratehiya ng AI ng Alphabet: Patayong Integrasyon sa Sukat

I-swipe para mag-scroll →

Ang pagtutok sa mga TPU ay magandang indikasyon ng estratehiya ng Google. Ang matibay na mga LLM tulad ng Gemini at ang natatanging pagganap sa mga real-world na aplikasyon tulad ng Deep Think ay, siyempre, napakahalaga.

Ngunit ito ay nasa kontrol ng pamamahagi ng AI at sa estruktura ng gastos + pag-access sa kapital kung saan may matibay na posisyon ang Google.

Ang presensya ng Google sa mobile market sa pamamagitan ng Android ay matatag na, ngunit sa kasunduan sa Apple, halos garantisado na ang karamihan ng mga kahilingan sa AI na hindi partikular na nakatutok sa isang tiyak na AI app ay mapupunta sa Gemini, direkta man o hindi.

Ang isa pang sangkap ay ang tumataas na pag-asa sa mga TPU. Ayon sa ilang ulat, ang mga TPU ay humigit-kumulang 30% mas mura kaysa sa Nvidia GPUs at nagbibigay ng 2–4x na mas mahusay na pagganap kada dolyar sa magkatulad na workload. Ang mas mababang konsumo ng enerhiya para sa parehong compute ay hindi lamang usapin ng pananalapi; tumutulong din ito sa pag-scale ng mga AI data center sa kabila ng lumalalang limitasyon sa suplay ng enerhiya.

Sa huli, ang antas ng patayong integrasyon—nagsisimula sa mga TPU, patungo sa mga data center na direktang pag-aari, isang enterprise cloud platform, at pagkatapos ay isang consumer distribution channel—ay walang katulad sa industriya, na tanging Microsoft lamang ang medyo malapit sa enterprise space.

Sa wakas, ang pagbuo ng AI infrastructure ay napakagastos. Ang daan-daang bilyong dolyar sa mga chip at data center ay kailangang bayaran at nagdudulot ng napakalaking amortization costs sa balance sheet taon-taon. Ang laki ng cash flow ng Alphabet mula sa search, YouTube, Android, at iba pang produkto ay nagbibigay dito ng kakayahang harapin ang parehong paunang gastos at ang patuloy na pagpapanatili ng imprastruktura.

Talaga bang Nangunguna na ang Gemini?

Ang pagtukoy ng isang “nanalo” sa karera ng AI ay tiyak na maaga pa. Halimbawa, maaaring baligtarin ang buong kasalukuyang paradigma kung ang mga orbital data center ng pinagsamang xAI/Space ay magpakita ng matinding kompetitibong kalamangan.

Ngunit tila may ilang mga trend na lumilitaw na pabor sa Google.

Una, ang pangangailangan para sa espesyal na AI hardware, isang larangan kung saan maraming tech giant ang nahuhuli, na nagbibigay ng kalamangan sa mga tagagawa ng chip at sa Google.

Ang isa pa ay ang kahalagahan ng kontrol sa pamamahagi para sa pangkalahatang publiko, na maaaring hindi gaanong alam kung aling AI ang maaari o dapat nilang gamitin. Sa aspetong ito, ang direktang pag-access sa buong Apple ecosystem ay sumasalamin sa nakaraang estratehiya ng pagkuha ng Google bilang default na search engine sa iPhones (na nagdala pa nga ng US antitrust rulings noong huling bahagi ng 2025 dahil “sobrang kapaki-pakinabang”).

Kasama ang husay ng Deep Think sa matematika at agham, nakakaranas ang Google ng mahusay na simula sa 2026 pagdating sa AI. Kung ang nangungunang posisyon na ito ay mananatili laban sa pagtutol ng OpenAI, Microsoft, Meta, Anthropic, at napakaraming modelong Tsino—kabilang ang mula sa mga higanteng teknolohiya ng Tsina tulad ng Alibaba (BABA ) o ByteDance—ay hindi pa tiyak.