Google's Gemini 3 Deep Think lớn nhất từ trước đến nay: khả năng suy luận vượt xa Opus 4.6, GPT-5.2, hướng tới trở thành "AI nghiên cứu khoa học xuất sắc nhất"

Google đã phát hành một bản cập nhật lớn cho Gemini 3 Deep Think, vượt qua đáng kể Claude Opus 4.6 (68.8%) và GPT-5.2 (52.9%) trong bài kiểm tra ARC-AGI-2 84.6%, đồng thời đạt được thứ hạng “Đại kiện tướng huyền thoại” trong Codeforces.
(Tóm tắt: Mô hình học tập ChatGPT được giới thiệu: hoàng hôn của dạy kèm, hay bình minh của thời kỳ hoàng kim của giáo dục? ）
(Bổ sung nền tảng: Google chính thức ra mắt “Gemini 3”!) Điểm nổi bật khi vươn lên top mô hình AI thông minh nhất thế giới là gì? ）

Mục lục của bài viết này

• Không chỉ kiểm tra, mà còn phát hiện sai lầm của con người
• Thay đổi lớp vỏ trong thị phần
• Hiệu ứng gợn sóng đối với ngành công nghiệp tiền điện tử
• Khoa học chỉ mới bắt đầu

Google hôm nay (thứ 13) đã phát hành một bản nâng cấp lớn cho Gemini 3 Deep Think. Trong bài kiểm tra ARC-AGI-2 (một bài kiểm tra lý luận đặc biệt để ngăn AI ghi nhớ các ngân hàng câu hỏi, nó không kiểm tra xem bạn biết bao nhiêu và liệu bạn có thể tự tóm tắt các quy tắc từ một số ví dụ hay không), Gemini 3 Deep Think đạt 84,6%.

Để tham khảo, Claude Opus 4.6 (Chế độ Thinking Max) đạt 68,8%, GPT-5.2 (Chế độ Thinking xhigh) đạt 52,9% và điểm trung bình của con người là khoảng 60%.

Điều đáng kinh ngạc hơn nữa là trên ARC-AGI-1 gốc, Deep Think đạt 96%, về cơ bản đẩy điểm chuẩn này, từng được coi là “một trong những kỳ thi khó nhất trong AI”, lên mức trần.

Deep Think hiện có sẵn cho người đăng ký Google AI Ultra và API dành cho các doanh nghiệp có quyền truy cập sớm.

Không chỉ kỳ thi, mà còn cả sai lầm của con người

Ngoài điểm số đang chạy, Google đã đề cập đến một chi tiết trong thông báo: Deep Think đã xác định thành công một lỗ hổng logic mà trước đây không có nhà phê bình nào phát hiện ra khi xem xét một bài báo toán học đã được con người bình duyệt. Bài báo này đã được xác nhận bởi các nhà toán học tại Đại học Rutgers.

Tầm quan trọng của trường hợp này không nằm ở hiệu suất của mô hình trong các thử nghiệm tiêu chuẩn, mà ở khả năng chứng minh trong các tình huống khoa học thực tế, kết thúc mở. Đánh giá ngang hàng là cơ chế kiểm soát chất lượng cốt lõi trong giới học thuật và nếu AI có thể liên tục cung cấp sự hỗ trợ có giá trị trong quá trình này, hiệu quả tăng tốc của nó đối với nghiên cứu khoa học sẽ vượt xa những gì có thể đo lường bằng bất kỳ điểm chuẩn nào.

Deep Think cũng đã đạt được mức huy chương vàng trong phần thi viết của Olympic Vật lý và Hóa học Quốc tế 2025, với điểm Elo là 3.455 trên Codeforces, tương ứng với cấp độ “Đại kiện tướng huyền thoại”, chỉ là một số ít lập trình viên con người trên thế giới có thể đạt được cấp độ này.

Trong “Kỳ thi cuối cùng của nhân loại”, một điểm chuẩn được thiết kế bởi các chuyên gia trong nhiều lĩnh vực khác nhau và cố tình gây khó khăn cho AI trả lời, Deep Think đạt 48,4% điểm (không sử dụng công cụ), cũng lập kỷ lục mới.

Thay đổi lớp vỏ trong thị phần

Cuộc đua công nghệ của AI Big Three đang thay đổi bối cảnh thị trường. Thị phần của ChatGPT đã giảm từ 87% ở mức đỉnh xuống còn khoảng 68%, trong khi Gemini đã tăng vọt từ dưới 5% lên hơn 18% và Claude của Anthropic đã dần dần làm xói mòn thị trường cấp doanh nghiệp.

Lợi thế độc đáo của Google trong cuộc đua này là khả năng phân phối. Gemini được tích hợp vào Android, trình duyệt Chrome, Google Workspace và các công cụ tìm kiếm, có nghĩa là ngay cả khi nó bị ràng buộc với các đối thủ cạnh tranh về khả năng mô hình, Google vẫn có thể giành được người dùng thông qua lợi thế của kênh.

Nhưng lợi thế phân phối là con dao hai lưỡi. Nếu trải nghiệm của Gemini không đủ tốt, nó có thể mất niềm tin của người dùng nhanh hơn bất kỳ đối thủ cạnh tranh nào vì người dùng “tham gia thụ động” thay vì “chủ động lựa chọn”. Người dùng OpenAI đang tích cực trả tiền và đương nhiên có khả năng chịu đựng và gắn bó cao hơn.

Hiệu ứng gợn sóng đối với ngành công nghiệp tiền điện tử

Mọi nâng cấp trong cuộc chạy đua vũ trang AI đang thúc đẩy nhu cầu về cơ sở hạ tầng máy tính. Chi phí của các cụm GPU cần thiết để đào tạo một mô hình tiên tiến đã tăng từ hàng trăm triệu đô la vào năm 2024 lên hàng tỷ đô la vào năm 2026. Điều này cũng ảnh hưởng trực tiếp đến hai điều.

**Đầu tiên, con đường chuyển đổi của các thợ đào Bitcoin.**Khi lợi nhuận khai thác bị nén (JPMorgan Chase & Co. ước tính rằng chi phí sản xuất BTC giảm xuống còn 7,7 triệu đô la trong tuần này, trong khi giá tiền tệ là khoảng 6,6 triệu), các thợ đào với cơ sở hạ tầng điện toán quy mô lớn đang đẩy nhanh quá trình chuyển đổi sang các dịch vụ điện toán AI.

Các công ty khai thác chi phí cao không “thoát” mà “thay đổi nghề nghiệp”, từ khai thác Bitcoin đến thu nhập hợp đồng cung cấp sức mạnh tính toán AI.

**Thứ hai, câu chuyện về mã thông báo AI.**Bất cứ khi nào Google, OpenAI hoặc Anthropic phát hành bản nâng cấp lớn, các token liên quan đến AI trên chuỗi như các giao thức điện toán phi tập trung thường bị thổi phồng trong ngắn hạn.

Nhưng vấn đề cơ bản của các token này vẫn không thay đổi: điện toán phi tập trung vẫn còn một chặng đường dài so với nhu cầu đào tạo AI cấp doanh nghiệp về độ trễ và thông lượng. Câu chuyện có thể chạy nhanh, nhưng cơ sở hạ tầng không thể theo kịp tốc độ của câu chuyện.

Khoa học chỉ mới bắt đầu

Việc nâng cấp lên Deep Think đẩy Google trở lại vị trí dẫn đầu trong cuộc đua AI, ít nhất là trong lĩnh vực lý luận và khoa học. Nhưng nếu bạn nhìn kỹ vào từ ngữ trong thông báo của Google, bạn sẽ nhận thấy một sự thay đổi tinh tế trong định vị: thay vì nhấn mạnh “AI đa năng thông minh nhất”, nó liên tục đề cập đến “được tạo ra cho khoa học”.

Khi các điểm chuẩn AI có mục đích chung trở nên đông đúc hơn và khó phân biệt, “AI của tôi có thể giúp bạn thực hiện nghiên cứu khoa học” là một đề xuất giá trị thuyết phục hơn so với “AI của tôi có điểm số cao nhất”. Nếu Deep Think thực sự có thể hỗ trợ đáng tin cậy trong việc đánh giá ngang hàng, đẩy nhanh quá trình khám phá thuốc hoặc tìm ra các giải pháp mà con người bỏ lỡ trong các mô phỏng vật lý, nó sẽ có ý nghĩa hơn bất kỳ danh sách điểm chuẩn nào.

Vấn đề là khoảng cách giữa “có thể đạt điểm cao về điểm chuẩn” đến “có thể hỗ trợ con người một cách đáng tin cậy trong các kịch bản khoa học thực tế” có thể xa hơn Google gợi ý, xét cho cùng, điểm chuẩn có câu trả lời tiêu chuẩn, khoa học thì không.