Штучний Інтелект
Чи Gemini від Google зараз лідирує в гонці штучного інтелекту?
Securities.io дотримується суворих редакційних стандартів і може отримувати винагороду за перевірені посилання. Ми не є зареєстрованим інвестиційним консультантом, і це не є інвестиційною порадою. Будь ласка, перегляньте наші розкриття партнерів.
Розвиток технології штучного інтелекту справедливо описують як гонку, де приватні стартапи, такі як OpenAI та Anthropic, конкурують прямим шляхом з технологічними гігантами, такими як Microsoft. (MSFT ) і Google (GOOGL )Ці перегони були підкріплені сотнями мільярдів доларів інвестицій, не лише в розробку програмного забезпечення, але й у величезних капітальних витратах на будівництво дедалі більших та енергоємніших центрів обробки даних штучного інтелекту для навчання найновіших моделей.
Тим часом, китайські моделі також швидко розвиваються, додаючи відчуття терміновості та геополітичної конкуренції зусиллям західних компаній.
Останнім часом здається, що Gemini від Google випереджає своїх конкурентів, особливо з випуском Gemini 3 Deep Think, моделі, орієнтованої на реалістичне розуміння не лише мов, а й фізичного світу. Крім того, Google також обирає Apple. (AAPL ) для забезпечення роботи штучного інтелекту пристроїв компанії та прогресує у виробництві чіпів для штучного інтелекту.
Близнюки 3 Глибокі роздуми: Що змінилося?
Реліз глибокого мислення
З релізом 12 лютогоthУ 2026 році, завдяки Gemini 3 Deep Think, Google зробив вирішальний крок вперед у переході від штучного інтелекту, що здебільшого зосереджений на пошуку та мові (LLM), до більш універсального штучного інтелекту, здатного розуміти фізичний світ.
Це важливий розвиток, оскільки «фізичний штучний інтелект» – це напрямок, у якому рухається галузь, тенденція, яку ми детальніше розглядали в «Фізичний ШІ: Інвестування в бум гуманоїдних роботів 2026 року».
Наразі новий Deep Think доступний у застосунку Gemini для передплатників Google AI Ultra та вперше доступний через Gemini API для окремих дослідників, інженерів та підприємств, що робить цей ШІ вже комерційно доступним, а не лише тестовою моделлю.
Математика та природничі науки перш за все
Що відрізняє Deep Think від попередніх ітерацій Gemini, і певною мірою від інших штучних інтелектів, так це зосередженість на математичному розумінні.
Модель LLM, як відомо, погано виконує прості математичні завдання, іноді не справляючись навіть з простим додаванням або рахуванням по порядку. Це не стосується Deep Think, яка дозволила спеціалізованим агентам проводити математичні дослідження на дослідницькому рівні. Модель значно перевершує інші моделі в тестах з математики та природничих наук. Вона також дуже добре справляється з завданнями програмування.
джерело: Google
Різниця з Gemini Pro Preview ще більш помітна на тестах з наукових тем, починаючи з Міжнародних математичних олімпіад або Міжнародних хімічних олімпіад, де він набрав близько 82%, порівняно з лише 14% для математичного тесту попередньої моделі Google LLM.
джерело: Google
Ці результати стали можливими завдяки радикально відмінній архітектурі від «класичних штучних інтелектів», які страждають від галюцинацій, коли даних занадто мало, що за визначенням завжди буде характерно для останніх наукових відкриттів.
Наприклад, для чистої математики, агент математичних досліджень (внутрішня кодова назва Aletheia), що працює на базі Gemini Deep Think, має верифікатор природної мови для виявлення недоліків у варіантах рішень. Це дозволяє ітеративний процес генерації та перегляду рішень. Найголовніше, що цей агент може визнати невдачу у вирішенні проблеми, що є ключовою функцією, яка підвищує ефективність роботи дослідників.
джерело: Google
Цей підхід не тільки потужніший у наданні правильних результатів, але й ефективніший, оскільки Алетея продемонструвала, що вищої якості міркувань можна досягти за меншого часу обчислення, що вимагає виведення.
Цей підхід можна поширити з математики на інші фізичні науки. Наприклад, Gemini Deep Think знайшов, як використовувати «нове рішення з використанням поліномів Гегенбауера» для розрахунку гравітаційного випромінювання космічних струн.
Реальні наукові застосування
Ця продуктивність вже перетворюється на реальне наукове використання дослідниками.
Наприклад, математик Ліза Карбоун з Університету Рутгерса використала Deep Think, щоб знайти логічний недолік, який пропустили рецензенти, у високотехнічній математичній статті про теорію гравітації Ейнштейна та квантову механіку.
Deep Think також використовувався лабораторією Ванга в Університеті Дьюка для розробки рецепту вирощування тонких напівпровідникових плівок розміром понад 100 мікрометрів, що раніше було складною метою.
Дистрибуція, обладнання та стратегічний імпульс
Досягнення Deep Think з'явилося на додаток до інших гарних новин для команди Google зі штучного інтелекту.
Найважливішим було рішення Apple, єдиного технологічного гіганта, який здебільшого залишився осторонь перегонів за штучний інтелект, використовувати Gemini як штучний інтелект за замовчуванням на пристроях Apple. У цьому контексті. Цілком логічно, що OpenAI оголосив у грудні 2025 року «червоний код» щодо прогресу Google та інших компаній, що займаються штучним інтелектом..
«База користувачів Gemini зростає з моменту випуску генератора зображень Nano Banana у серпні, і Google повідомив, що щомісячна кількість активних користувачів зросла з 450 мільйонів у липні до 650 мільйонів у жовтні».
OpenAI також стикається з тиском з боку Anthropic, яка стає популярною серед бізнес-клієнтів.
Ще однією з нещодавніх перемог Google є успіх його чіпів штучного інтелекту. По-перше, це була Anthropic, яка оголосила, що почне використовувати чіпи штучного інтелекту від Google, які називаються TPU. (тензорні обчислювальні блоки), включаючи використання до 1 мільйона процесорів для роботи свого програмного забезпечення штучного інтелекту. Тепер, Конкуруюча компанія зі штучного інтелекту Meta також приєднується до використання TPU від Google., що ставить під сумнів, чи стає Google конкурентом Nvidia (NVDA ) так само, як і до OpenAI.
(Ви можете дізнатися більше про TPU та інше обладнання, орієнтоване на штучний інтелект, таке як XPU, FPGA тощо, у розділі «Інвестування в обладнання штучного інтелекту: від процесорів до XPU")
Стратегія штучного інтелекту Alphabet: вертикальна інтеграція у великих масштабах
Проведіть пальцем, щоб прокрутити →
| Компанія | Фокус моделі | Апаратна стратегія | Контроль розподілу | Вертикальна інтеграція |
|---|---|---|---|---|
| Алфавіт | Близнюки 3 Глибоке мислення (математика/природознавство) | Власні термопластичні процесори | Android + Пошук + Потенційна маршрутизація Apple | Повний стек (Чіп → Хмара → Споживач) |
| Microsoft/OpenAI | Моделі GPT (загальний LLM) | Графічні процесори Nvidia через Azure | Windows + Корпоративний SaaS | Частковий |
| Meta | Лама (відкрита вага) | Графічні процесори + спеціальний кремній | Соціальні платформи | Помірна |
| Антропний | Клод (Enterprise Focus) | Google TPU | API + Корпоративні пропозиції | низький |
Зосередження уваги на TPU є гарним показником стратегії Google. Надійні програми LLM, такі як Gemini, та чудова продуктивність у реальних додатках, таких як Deep Think, звичайно, дуже важливі.
Але саме в контролі над розподілом штучного інтелекту та в структурі витрат + доступі до капіталу Google займає міцну позицію.
Присутність Google на мобільному ринку через Android вже є сильною, але угода з Apple майже гарантує, що більшість запитів до ШІ, які не спрямовуються безпосередньо до певного додатка ШІ, потраплять до Gemini, прямо чи опосередковано.
Іншим компонентом є зростаюча залежність від TPU. У деяких звітах йдеться, що TPU приблизно на 30% дешевші за графічні процесори Nvidia та забезпечують у 2–4 рази кращу продуктивність на долар при порівнянних робочих навантаженнях. Нижче споживання енергії для тих самих обчислень — це не лише фінансова проблема; воно також допомагає масштабувати центри обробки даних зі штучним інтелектом, незважаючи на зростаючі обмеження енергопостачання.
Зрештою, рівень вертикальної інтеграції — починаючи з TPU (процесорних процесорів) і закінчуючи безпосередньо наданими центрами обробки даних, хмарною платформою підприємства та каналом розповсюдження для споживачів — не має собі рівних у галузі, і лише Microsoft дещо наближається до цього в корпоративному сегменті.
Зрештою, створення інфраструктури штучного інтелекту було надзвичайно дорогим. Ці сотні мільярдів доларів, витрачені на чіпи та центри обробки даних, тепер потрібно оплачувати, і вони щороку створюють величезні амортизаційні витрати на балансі. Масштаб грошових потоків Alphabet від пошуку, YouTube, Android та інших продуктів дозволяє йому краще справлятися як з початковими витратами, так і з майбутнім обслуговуванням цієї інфраструктури.
Чи справді Близнюки рушать вперед?
Визначати певного «переможця» в перегонах штучного інтелекту, безумовно, передчасно. Наприклад, вся нинішня парадигма може бути перевернута, якщо Орбітальні центри обробки даних, створені об'єднаною компанією xAI/Space, є сильною конкурентною перевагою.
Але, схоже, що з'являється кілька тенденцій, які рухаються на користь Google.
Перша — це потреба в спеціалізованому обладнанні для штучного інтелекту, галузі, де багато технологічних гігантів відстають, що дає перевагу виробникам чіпів та Google.
Інша — це важливість контролю розповсюдження для широкої громадськості, яка може не дуже добре знати, який штучний інтелект вона може або повинна використовувати. У цьому відношенні прямий доступ до всієї екосистеми Apple відображає попередню стратегію, яка заключалася в тому, щоб Google став пошуковою системою за замовчуванням на iPhone (що навіть призвело до антимонопольних рішень США наприкінці 2025 року, оскільки це було «занадто вигідно»).
Разом з досягненнями Deep Think у математиці та науці, Google чудово розпочинає 2026 рік у сфері штучного інтелекту. Чи зможе ця лідируюча позиція довго утримуватися під тиском OpenAI, Microsoft, Meta, Anthropic та безлічі китайських моделей, зокрема китайських технологічних гігантів, таких як Alibaba? (BABA ) або ByteDance — ще належить з'ясувати.
