AI samprotavimo problema iki šiol

Dauguma didelių kalbų modelių yra įspūdingi kurdami tekstą, apibendrindami dokumentus ir rašydami kodą. Tačiau paprašykite jų pagrįsti kelių pakopų fizikos išvedžiojimu arba pastebėti trūkumą 40 puslapių matematiniame įrodyme, ir jie subyrės. Atotrūkis tarp laisvos kalbos ir tikro analitinio mąstymo buvo vienas didžiausių neišspręstų AI iššūkių.

Google atsakymas yraDvyniai 3 Giliai mąstykite2026 m. vasario mėn. išleistas patobulintas samprotavimo režimas, skirtas sudėtingoms mokslinėms, matematinėms ir inžinerinėms problemoms spręsti. Skirtingai nuo standartinio pokalbių pagrindu veikiančio dirbtinio intelekto, kuris generuoja greitus atsakymus, „Deep Think“ skiria ilgesnį skaičiavimo laiką, kad būtų galima metodiškai išspręsti problemas prieš pateikdama atsakymą.

Tai ne tik dar vienas modelio atnaujinimas. Tai iš esmės kitoks požiūris į tai, kaip dirbtinis intelektas sprendžia sudėtingas problemas, o ankstyvieji tyrimų laboratorijų rezultatai rodo, kad jis iš tikrųjų tesėjo pažadus. Išskirkime, kas nauja, kas tikra ir kokie yra apribojimai.

Kaip iš tikrųjų veikia gilus mąstymas

Standartiniai AI modeliai apdoroja jūsų raginimą ir generuoja atsakymo raktą po to, optimizuodami greitį. „Deep Think“ tai apverčia, daugiau laiko skirdama vidinėms samprotavimų grandinėms, prieš imdamasi atsakymo. Pagalvokite apie tai kaip apie skirtumą tarp atsakymo į matematikos klausimą virš galvos ir sėdėjimo su rašikliu ir popieriumi, kad jį atliktumėte žingsnis po žingsnio.

Pagal„Google DeepMind“ dokumentacija, modelis naudoja tai, ką jie vadina „išplėstu mąstymu“ – procesu, kurio metu AI sukuria vidinius samprotavimo pėdsakus, kuriuos įvertina ir patobulina prieš pateikdamas galutinį rezultatą. Tai panašu į „OpenAI“ o1 modelį, tačiau „Google“ teigia, kad moksliniai etalonai yra žymiai geresni.

Kuo jis skiriasi nuo minčių grandinės

Galbūt galvojate: „Ar tai ne tik minčių grandinė? Ne visai. Minčių grandinė – tai paskatinimo technika, kuri prašo modelio parodyti savo darbą. „Deep Think“ išplėtotus samprotavimus perkelia tiesiai į modelio architektūrą. Skirtumas svarbus, nes:

Gilesnė paieška:Modelis tiria kelis sprendimo kelius viduje ir atsitraukia, kai patenka į aklavietę, o ne įsipareigoja pirmuoju būdu
Savęs patikrinimas:Prieš grąžindamas atsakymą, jis patikrina savo darbo loginį nuoseklumą
Adaptyvusis skaičiavimas:Sunkesnės problemos automatiškai gauna daugiau laiko mąstymui, o į paprastesnius klausimus atsakoma greitai

Mokslininkams, kurie jau naudoja dirbtinio intelekto įrankius savo darbo eigoje, svarbu suprasti šiuos skirtumus. Jei tyrinėjate, kaip AI keičia analitinį darbą, mūsų apžvalgagyvenimą keičiantys AI įrankiaiapima keletą papildomų įrankių, kuriuos verta susieti su „Deep Think“.

Iš tikrųjų svarbūs lyginamieji rezultatai

Dirbtinio intelekto įmonės mėgsta mėtyti etaloninius skaičius, todėl sutelkime dėmesį į tuos, kurie yra tikrai reikšmingi tyrėjams ir inžinieriams.

„Deep Think Benchmark“ akcentai

🏅

48,4% paskutinio žmonijos egzamino
Sunkiausias AI etalonas, skirtas dabartiniams modeliams sugadinti

🧮

Aukso medalio lygis dėl TJO problemų
Tarptautinės matematikos olimpiados konkurso standartas

💻

Geriausi konkursinio programavimo balai
Kodavimo jėgų ir IOI lygio algoritmų iššūkiai

🔬

Nauji medžiagų mokslo rezultatai
Sukurti tinkami gamybos receptai tikrose laboratorijose

ThePaskutinis žmonijos egzaminasbalas ypač pastebimas. Šį etaloną sukūrė tyrėjų koalicija, kad būtų neįmanoma išspręsti dabartinio AI – jis apima klausimus iš pažangios matematikos, teorinės fizikos ir specializuotų sričių, kurioms reikalingas tikras samprotavimas, o ne modelių derinimas. 48,4% balas yra reikšmingas šuolis nuo ankstesnių modelių.

Matematinių varžybų rezultatai taip pat iškalbingi. Deep Think pasiekė aukso medalio standartus tarptautinės matematikos olimpiados uždaviniuose, kuriems reikalingi daugiapakopiai įrodymai, pagrįsti tarpiniais rezultatais. Būtent su tokiais struktūriniais samprotavimais kovojo ankstesni modeliai.

Tikri laboratorijos rezultatai: medžiagų mokslo proveržis

Etalonai yra naudingi, tačiau realūs rezultatai rodo geresnę istoriją. Vienas iš įtikinamiausių demonstracijų buvo atliktas iš puslaidininkių tyrimų laboratorijos, kuri naudojo „Deep Think“, kad išspręstų medžiagų gamybos iššūkį, kurį jie įstrigo kelis mėnesius.

Komanda bandė užauginti aukštos kokybės plonas plėveles naujos kartos puslaidininkiams. Pagal esamus receptus buvo gaminamos maždaug 50 mikrometrų plėvelės. Jie įtraukė savo eksperimentinius duomenis, apribojimus ir tikslus į „Deep Think“ ir paprašė pasiūlyti optimizuotus gamybos parametrus.

Modelis išanalizavo ryšį tarp temperatūros, slėgio, augimo laiko ir substrato sudėties, tada pasiūlė modifikuotą receptą, kurio komanda nesvarstė. Kai jie jį išbandė laboratorijoje, naujasis metodas pagamino didesnes nei 100 mikrometrų plėveles, o tai daugiau nei dvigubai padidino ankstesnius rezultatus.

Tokio tipo programa, kai AI gali apdoroti sudėtingus kelių kintamųjų ryšius ir pasiūlyti neakivaizdžius parametrų derinius, „Deep Think“ tikrai pranašesnis už standartinius modelius.

Žmonių praleistų klaidų radimas

Kitu atveju didelės energijos fizikos tyrinėtojai naudojo Deep Think, kad peržiūrėtų matematinę sistemą, kurią jie sukūrė. Modelis nustatė subtilų loginį neatitikimą viename iš jų darinių, kurie išgyveno kelis tarpusavio peržiūros etapus. Klaida nebuvo akivaizdi, nes galutiniai rezultatai vis tiek atrodė tikėtini, tačiau tarpiniame samprotavime buvo trūkumas, dėl kurio būtų kilęs problemų ateityje, remiantis šiais rezultatais.

Komandoms, dirbančioms su sudėtinga duomenų analize, tokie įrankiai kaip mūsųAI rinkos analizės įrankisparodykite, kaip AI pagrįsta analizė gali atskleisti įžvalgas, kurių rankiniu būdu peržiūra dažnai nepastebi, net ir mažiau techninėse srityse.

Kas gali pasiekti gilų mąstymą (ir kiek tai kainuoja)

Nuo 2026 m. vasario mėn. prieiga prie „Gemini 3 Deep Think“ pasiekiama dviem kanalais:

„Google AI Ultra“ prenumerata:Atskiri tyrinėtojai ir kūrėjai gali pasiekti „Deep Think“ naudodamiGoogle AI studijasu AI Ultra planu. Tai suteikia jums visą „Gemini“ programos patirtį su įjungtu „Deep Think“ samprotavimu.
Gemini API (ankstyva prieiga):Įmonės ir mokslinių tyrimų institucijos gali kreiptis dėl API prieigos perGemini API kūrėjų portalas. API palaikomąstymo režimo konfigūracija, leidžiančią jums kontroliuoti, kiek laiko modelis sugaišta vienai užklausai samprotavimui.

API integravimas yra paprastas. Štai pagrindinis Python SDK naudojimo pavyzdys:

importuoti google.generativeai kaip genai

genai.configure(api_key="YOUR_API_KEY")

modelis = genai.GenerativeModel(
    model_name="gemini-3-deep-think",
    Generation_config={
        "thhinking_config": {"thinking_budget": 24576}
    }
)

atsakymas = model.generate_content(
    "Išanalizuokite šį matematinį loginį įrodymą"
    "nuoseklumą ir nustatyti visas samprotavimo spragas: "
    + įrodymo_tekstas
)

spausdinti(atsakymas.tekstas)

Themąstymo_biudžetasparametras valdo, kiek žetonų modelis gali naudoti vidiniam samprotavimui. Didesnės vertės suteikia geresnių rezultatų sprendžiant sudėtingesnes problemas, tačiau padidina delsą ir kainą. Jei norite greitai atsakyti į klausimus, galite nustatyti mažą biudžetą. Norėdami atlikti sudėtingus įrodymus ar mokslinę analizę, norėsite tai padaryti maksimaliai.

Praktiniai patarimai, kaip pasiekti gerų rezultatų

Išbandžius „Deep Think“ keliais naudojimo atvejais, pateikiami modeliai, kurie nuosekliai duoda geresnius rezultatus:

Kruopščiai struktūrizuokite savo įvestą informaciją

Deep Think turi didžiulę naudą iš gerai struktūruotų raginimų. Užuot išmetę teksto sieną ir klausę „ką manote?“, suskaidykite problemą į aiškius komponentus:

Tiksliai nurodykite problemą, įskaitant visus apribojimus ir prielaidas
Pateikite atitinkamus duomenis struktūriniu formatu (lentelės, sunumeruoti sąrašai)
Nurodykite, kokios išvesties jums reikia (įrodymas, rekomendacija, klaidų analizė)
Paminėkite, kokius metodus jau išbandėte ir kodėl jie neveikė

Naudokite jį patvirtinimui, o ne tik generavimui

Viena stipriausių „Deep Think“ galimybių yra patikrinti esamą darbą, o ne kurti nuo nulio. Pateikite savo išvedžiojimus, kodą ar eksperimentinį dizainą ir paprašykite surasti trūkumų. Šis „priešingos peržiūros“ metodas dažnai iškelia problemas, kurių nepastebi visos kartos metodai.

Suporuokite jį su domenui būdingais įrankiais

Deep Think geriausiai veikia kaip didesnės darbo eigos dalis. Naudokite jį sudėtingoms samprotavimų dalims, bet suporuokite su specializuotais įrankiais konkrečioms srities užduotims atlikti. Pavyzdžiui, jei kartu su savo tyrimais optimizuojate turinį, kad būtų galima aptikti AI, mūsųLLMS.txt generatoriustvarko tą specifinį techninį reikalavimą, kad galėtumėte sutelkti dėmesį į „Deep Think“ į analitinius iššūkius.

Išnaudokite visas „Deep Think“ galimybes

Tiksliai apibrėžkite problemą

Įtraukite apribojimus, prielaidas ir tai, ką jau bandėte

Tinkamai nustatykite apgalvotą biudžetą

Didesnis sudėtingiems įrodymams, žemesnis paprastas analizei

Naudokite jį patvirtinimui

Peržiūrėkite ir patikrinkite esamus darbus, o ne tik generavimą

Derinkite su specializuotais įrankiais

Deep Think samprotavimams, domeno įrankiai visam kitam

Kur gilus mąstymas užtrunka

Joks įrankis nėra tobulas, o nuoširdumas dėl apribojimų yra naudingesnis nei ažiotažas. Štai kur Deep Think vis dar kovoja:

Latencija:Išplėstinis mąstymo režimas yra lėtas. Sudėtingų problemų sprendimas gali užtrukti 30–60 sekundžių, kartais ilgiau. Dėl to tai nepraktiška naudojant realaus laiko programas ar greitus pokalbius pirmyn ir atgal.
Kaina:Mąstymo žetonai įskaičiuojami į naudojimą, todėl viena sudėtinga užklausa gali sunaudoti daug daugiau žetonų nei standartinė Dvynių užklausa. Biudžeto turinčios komandos turi pasirinkti, kada įjungti gilaus mąstymo režimą.
Haliucinacijos naujose srityse:Nors motyvai yra griežtesni, modelis vis tiek gali užtikrintai duoti neteisingus rezultatus labai specializuotose srityse, kuriose mokymo duomenų yra nedaug. Visada patikrinkite svarbiausius rezultatus nepriklausomai.
Ribotas prieinamumas:API vis dar yra kontroliuojama išankstinė įmonių prieiga, o AI Ultra prenumerata nėra pigi. Daugeliui atskirų tyrėjų reikės institucinės paramos, kad galėtų jį reguliariai naudoti.

PagalMIT technologijų apžvalgos aprėptis, išplėstinis skaičiavimo metodas sukuria esminį kompromisą tarp samprotavimo kokybės ir praktinio naudojimo, kurį „Google“ ir kitos AI laboratorijos vis dar stengiasi optimizuoti.

Kaip tai palyginti su konkurencija

Deep Think patenka į augančią į samprotavimus orientuotų AI modelių sritį. „OpenAI“ o1 ir o3 modeliai naudoja panašų išplėstinio mąstymo metodą, o „Anthropic's Claude“ turi savo kelių žingsnių samprotavimo galimybes. „Deep Think“ išskiria ypatingą jo stiprybę mokslo ir matematikos srityse, greičiausiai atspindinčią gilų „Google DeepMind“ tyrimų paveldą šiose srityse.

Konkurencija yra naudinga mokslininkams, nes tai reiškia, kad priemonės sparčiai tobulėja. Jei „Deep Think“ netinka jūsų konkrečiam naudojimo atvejui, gali būti naudojamos alternatyvos. Kadangi API sąsajos yra panašios tarp tiekėjų, vis lengviau jas perjungti atliekant skirtingas užduotis.

Esmė

Gemini 3 Deep Think yra tikrai naudinga priemonė tyrėjams ir inžinieriams, dirbantiems su problemomis, kurioms reikalingas daugiapakopis analitinis samprotavimas. Medžiagų mokslo rezultatai, matematinio patikrinimo galimybės ir etaloninis našumas rodo tikrą „Google“ teiginių esmę.

Geriausi naudojimo atvejai yra šie: sudėtingų įrodymų tikrinimas, kelių kintamųjų eksperimentinių projektų optimizavimas, matematinių klaidų analizė ir problemų sprendimas, kai standartiniai AI modeliai pateikia paviršutiniškus atsakymus. Tai nepakeičia domeno patirties, tačiau tai yra galingas stiprintuvas žmonėms, kurie jau žino, kokius klausimus užduoti.

Jei turite prieigą prie API arba AI Ultra prenumeratos, pradėkite nuo problemos, kurią jau išsprendėte rankiniu būdu, tada palyginkite „Deep Think“ požiūrį su savo. Tai suteikia jums pagrįstą jausmą apie jo stipriąsias puses ir akląsias vietas, prieš patikėdami jai naujus darbus.