Google porta il ragionamento artificiale a un nuovo livello con l’aggiornamento di Gemini 3 Deep Think, un modello pensato per affrontare problemi complessi nel campo della scienza, della ricerca e dell’ingegneria. Il nuovo Deep Think si propone come strumento operativo per ricercatori e ingegneri, capace di individuare errori logici in articoli scientifici sottoposti a revisione paritaria e di trasformare uno schizzo a mano libera in un file pronto per la stampa 3D.
L’aggiornamento, annunciato il 12 febbraio, è disponibile per gli abbonati Google AI Ultra attraverso l’app Gemini e, per la prima volta, anche tramite le API Gemini per ricercatori, ingegneri e imprese selezionate. Google sottolinea di aver sviluppato la nuova versione in stretta collaborazione con la comunità scientifica, partendo da un presupposto realistico: i problemi di ricerca raramente hanno una sola soluzione corretta e i dati a disposizione sono spesso incompleti o disordinati. Deep Think è stato progettato per muoversi proprio in quel territorio, combinando conoscenza scientifica profonda con utilità ingegneristica concreta.
I risultati sui benchmark sono promettenti. Su Humanity’s Last Exam, un test concepito per mettere alle strette i modelli di frontiera, Deep Think raggiunge il 48,4 per cento senza l’ausilio di strumenti esterni. Su ARC-AGI-2, certificato dalla ARC Prize Foundation, il punteggio arriva all’84,6 per cento, nuovo stato dell’arte. Su Codeforces, la piattaforma di programmazione competitiva, il modello tocca un Elo di 3455, un livello che lo colloca al di sopra di quasi tutti i partecipanti umani. A tutto ciò si aggiungono prestazioni da medaglia d’oro alle Olimpiadi internazionali di matematica, fisica e chimica del 2025.
I casi d’uso già documentati offrono uno spaccato concreto delle potenzialità. Lisa Carbone, matematica alla Rutgers University, ha utilizzato Deep Think per revisionare un articolo altamente tecnico, e il modello ha identificato un difetto logico sottile sfuggito alla peer review. Alla Duke University, il Wang Lab lo ha impiegato per ottimizzare la crescita di cristalli semiconduttori, ottenendo pellicole sottili di dimensioni superiori ai 100 micrometri, un obiettivo che i metodi precedenti faticavano a centrare.
I modelli di ragionamento avanzato stanno smettendo di essere curiosità da laboratorio per diventare strumenti quotidiani nelle mani di chi fa ricerca e progettazione. La vera partita, tuttavia, non si gioca più solo sui benchmark, ma sulla capacità di questi sistemi di integrarsi nei flussi di lavoro reali senza generare una fiducia cieca nei risultati prodotti. Un modello che individua errori sfuggiti alla revisione umana è straordinariamente utile, a patto che chi lo utilizza mantenga la capacità critica di verificarne le conclusioni. Il rischio, altrimenti, è quello di sostituire un tipo di fallibilità con un altro.
Per approfondire: link all’articolo originale
