Google 的 Gemini 3 Deep Think 大升级：推理能力碾压 Opus 4.6、GPT-5.2，旨在成为“最擅长科研的 AI”

谷歌发布 Gemini 3 Deep Think 重大更新，在 ARC-AGI-2 测试中以 84.6% 大幅超越 Claude Opus 4.6（68.8%）和 GPT-5.2（52.9%），同时在 Codeforces 达到“传奇宗师”等级。
（前情提要：ChatGPT 学习模式问世：家教的黄昏，还是黄金教育时代的黎明？）
（背景补充：Google 正式推出“Gemini 3”！登顶全球最聪明 AI 模型，有什么亮点？）

本文目录

• 不只会考试，还会抓人类的错
• 市场份额的地壳变动
• 对加密产业的涟漪效应
• 科学决胜局才刚开始

今天（13日）谷歌发布了 Gemini 3 Deep Think 的重大升级。在 ARC-AGI-2（一个专门防止 AI 背题库的推理测试，不考你知道多少，考你能不能从几个范例中自己归纳出规则）测试中，Gemini 3 Deep Think 拿下了 84.6%。

作为参照，Claude Opus 4.6（Thinking Max 模式）获得 68.8%，GPT-5.2（Thinking xhigh 模式）为 52.9%，而人类平均约 60%。

更令人惊讶的是，在原版 ARC-AGI-1 上，Deep Think 拿到 96%，基本上把这个曾被视为“AI 最难考试之一”的基准测试考到了天花板。

Deep Think 目前开放给 Google AI Ultra 订阅用户，API 则面向企业开放早期访问。

不只会考试，还会抓人类的错

跑分之外，谷歌在公告中提到一个细节：Deep Think 在审阅一篇经过人类同行评审的数学论文时，成功找出了一个之前所有审稿人都没发现的逻辑漏洞。这篇论文由罗格斯大学（Rutgers University）的数学家确认。

这个案例的重要性在于，它不是模型在标准化测试中的表现，而是在真实的、开放式的科学场景中展现的能力。同行评审是学术界最核心的质量控制机制，如果 AI 能稳定地在这个环节提供有价值的辅助，它对科学研究的加速效应将远超任何跑分所能衡量。

Deep Think 同时在 2025 年国际物理奥林匹克和化学奥林匹克的笔试部分达到金牌水平，在 Codeforces 上的 Elo 评分为 3,455，对应“传奇宗师”等级，全球仅极少数人类程序设计师能达到这个层级。

而在“人类最后的考试”（Humanity’s Last Exam）这个由各领域专家设计、刻意让 AI 难以作答的基准上，Deep Think 拿到 48.4%（不使用工具），也创下新纪录。

市场份额的地壳变动

AI 三巨头的技术竞赛正在改变市场版图。ChatGPT 的市场份额已从巅峰时期的 87% 降至约 68%，而 Gemini 从不到 5% 飙升至超过 18%、Anthropic 的 Claude 则稳步蚕食企业级市场。

谷歌在这场竞赛中的独特优势是分发能力。Gemini 内建在 Android 系统、Chrome 浏览器、Google Workspace 和搜索引擎中，这意味着即使在模型能力上与对手打平，谷歌也能通过渠道优势赢得用户。

但分发优势是双刃剑。如果 Gemini 的体验不够好，它可能会比任何竞品更快地失去用户信任，因为用户是“被动接触”而非“主动选择”。OpenAI 的用户是主动付费的，天生有更高的容忍度和黏性。

对加密产业的涟漪效应

AI 军备竞赛的每一次升级，都在推高对运算基础设施的需求。训练一个前沿模型所需的 GPU 叢集成本已经从 2024 年的数亿美元级别，膨胀到 2026 年的数十亿美元级别。这也直接影响了两件事。

**第一，比特币矿工的转型路径。**当挖矿利润被压缩（摩根大通本周估算 BTC 生产成本降至 7.7 万美元，而币价在 6.6 万附近），拥有大规模算力基础设施的矿工正加速转向 AI 计算服务。

高成本矿企不是“退出”，而是“转业”，从挖比特币变成提供 AI 算力的合约收入。

**第二，AI 代币的叙事。**每当谷歌、OpenAI 或 Anthropic 发布重大升级，链上 AI 相关代币（如去中心化运算协议）通常会出现短期炒作。

但这些代币的基本面问题始终没变：去中心化运算在延迟和吞吐量上，距离企业级 AI 训练的需求还很长一段路要走。叙事可以跑得很快，但基础设施还追不上叙事的速度。

科学决胜局才刚开始

Deep Think 的升级让谷歌再次回到 AI 竞赛的领跑位置，至少在推理和科学领域如此。但如果你仔细看谷歌的公告措辞，会发现一个微妙的定位转变：它不再强调“最聪明的通用 AI”，而是反复提及“为科学而生”。

当通用 AI 的基准测试越来越拥挤、差异化越来越难，“我的 AI 能帮你做科学研究”成为一个比“我的 AI 跑分最高”更有说服力的价值主张。如果 Deep Think 真的能稳定地辅助同行评审、加速药物发现、或在物理模拟中找到人类遗漏的解，这比任何跑分榜单都更有意义。

问题是，从“能在基准测试上拿高分”到“能在真实科学场景中可靠地辅助人类”，中间的距离可能比谷歌暗示的更远，毕竟基准测试有标准答案，科学没有。