Google DeepMind снова подкидывает нам очередной анонс. На этот раз в центре внимания — Gemini 3 'Deep Think'. По заявлениям компании, эта модель — не просто очередной виток в бесконечной гонке AI-гигантов, а инструмент, который, ни много ни мало, призван решать сложнейшие научные и инженерные задачи, особенно там, где данных кот наплакал или их качество вызывает вопросы. Звучит, разумеется, амбициозно, особенно учитывая предыдущие 'прорывы' Gemini, которые блистали на бенчмарках, но с реальным применением как-то не сложилось. Вопрос лишь в том, является ли 'Deep Think' действительно шагом вперед, или это очередная попытка Google оккупировать нишу, где пока царит полный туман.
Google утверждает, что 'Deep Think' разрабатывалась в тесном сотрудничестве с учёными и инженерами, и якобы способна не только переводить сухие теории в практические решения, но и наоборот — трансформировать прикладную инженерию в глубокие научные инсайты. Для бизнеса самое интересное — доступность. Модель обещают предоставить не только подписчикам Google AI Ultra, но и через API. Это, конечно, открывает двери для компаний и исследователей, хотя цена и реальная доступность пока остаются загадкой. Сам факт попытки монетизировать такие задачи говорит о том, что Google видит в этом потенциальный источник дохода, а не просто очередной научный эксперимент.
В Google не стесняются приводить примеры: 'Deep Think' якобы нашел просчеты в научной статье и помог оптимизировать выращивание кристаллов для полупроводников. Цифры с бенчмарков впечатляют: 48.4% на 'Humanity’s Last Exam', 84.6% на ARC-AGI-2, Elo 3455 на Codeforces. Однако, реальные научные исследования и сложная инженерия — это не стерильные тестовые среды. Пока что это выглядит как очередная демонстрация технических возможностей Google, а не как готовый к применению инструмент с прозрачным ROI для бизнеса.
Почему это важно: Google DeepMind настойчиво движется в сторону прикладной науки и инженерии, предлагая доступ к своим новейшим разработкам через API. Для технологических компаний это звучит заманчиво, но за громкими обещаниями скрывается необходимость тщательной оценки реальной применимости и, что важнее, рентабельности. Прежде чем встраивать 'Deep Think' в свои процессы, стоит дождаться реальных кейсов и понять, как эта модель может обеспечить ощутимый конкурентный перевес, а не просто стать очередной дорогой игрушкой.