ג’מיני 3 Deep Think זו בינה מלאכותית שמתחילה לחשוב כמו חוקר

גוגל מציגה שדרוג משמעותי ל‑Gemini 3 Deep Think, מצב החשיבה המתקדם שלה, שמיועד להרחיב את יכולות הבינה המלאכותית מעבר לשיחה ולסיכום טקסטים. הגרסה החדשה מתמקדת בהתמודדות עם בעיות מורכבות במדע, הנדסה ומתמטיקה, ובעיקר עם מצבים שבהם אין פתרון יחיד ולעיתים אפילו אין הגדרה ברורה לבעיה. המטרה היא להפוך את Deep Think לכלי עבודה אמיתי עבור חוקרים ומהנדסים, ולא רק לעוזר טקסטואלי שמגיב לשאלות.

מדע אמיתי הוא מבולגן ו‑Deep Think נבנה בדיוק לזה 

בעולם המחקר, המציאות רחוקה מלהיות מסודרת. נתונים מגיעים באופן חלקי, הנחות אינן תמיד מוגדרות היטב ולעיתים אין תשובה אחת נכונה. מדענים ומהנדסים פועלים בתוך מרחב של אי ודאות, ניסוי וטעייה, והסקת מסקנות מתוך מידע לא מושלם. מודלי שפה רגילים מתקשים להתמודד עם מצבים כאלה, משום שהם מותאמים בעיקר למשימות סגורות וברורות.

כאן נכנס Deep Think. גוגל פיתחה את הגרסה החדשה בשיתוף פעולה הדוק עם חוקרים מתחומי המתמטיקה, הפיזיקה, הכימיה וההנדסה, במטרה ליצור מודל שמסוגל להתמודד עם בעיות שאין להן מסלול פתרון מוגדר. במקום להסתפק בשליפה מהירה של ידע, המודל מנתח בעיות מורכבות, מפרק אותן לשלבים לוגיים, מציע כיווני חקירה ומייצר פתרונות הניתנים לבדיקה.

הדוגמאות מהשטח ממחישות את זה מצוין – מתמטיקאית שהשתמשה בו כדי לחשוף כשל לוגי במאמר מדעי שעבר ביקורת עמיתים אנושית, ומעבדה באוניברסיטת דיוק נעזרה בו כדי לייצר מתכון לגידול גבישים, תהליך שבדרך כלל דורש זמן וניסויים רבים.

יכולת חדשה שמחברת בין רעיון למוצר

אחד החידושים הבולטים בשדרוג הנוכחי הוא היכולת להתחיל מסקיצה ידנית פשוטה ולהפוך אותה לקובץ תלת ממד מוכן להדפסה. המשתמש מצייר צורה בסיסית, והמודל מנתח אותה, משלים את הגאומטריה המורכבת וממיר אותה למודל הנדסי מלא.

זה יישום שמדגים היטב את יכולתו של Deep Think לגשר בין חשיבה תיאורטית לבין תוצר הנדסי ממשי, ומקרב אותו לתפקיד של עוזר תכנון ולא רק של מחולל טקסט.

איך זה עובד 

Deep Think אינו עוד מודל שפה. הוא משלב ידע מדעי רחב בתחומי הפיזיקה, הכימיה והמתמטיקה עם יכולת לבצע ניתוחים אלגוריתמיים מורכבים. הוא מבין טקסט, תמונות ושרטוטים, מסוגל לכתוב ולהריץ קוד, ואז לפרק בעיות לשלבים לוגיים.

במילים אחרות, הוא מתפקד יותר כמו עוזר מחקר מאשר כמו כלי טקסטואלי. היכולת להבין שרטוטים, להריץ סימולציות ולבנות מודלים פיזיקליים הופכת אותו לכלי שמסוגל לגשר בין תיאוריה ליישום, יכולת שחסרה ברוב המודלים עד היום.

ביצועים חסרי תקדים 

היכולות של Deep Think מגובות בנתונים מרשימים במיוחד. המודל מציג קפיצה משמעותית במבחני חשיבה אקדמיים ומוביל כמעט בכל קטגוריה. במבחני ARC‑AGI‑2, שנועדו לבדוק חשיבה מופשטת, הוא מגיע ל‑84.6 אחוז, תוצאה חסרת תקדים שאומתה על ידי ARC Prize Foundation. לשם השוואה, Claude Opus 4.6 מגיע ל‑68.8 אחוז, GPT‑5.2 ל‑52.9 אחוז ו‑Gemini 3 Pro Preview ל‑31.1 אחוז.

Credit: blog.google

ב‑Humanity’s Last Exam, מבחן שמעריך את יכולתם של מודלים להתמודד עם שאלות אקדמיות מורכבות, Deep Think מוביל עם 48.4 אחוז ללא כלים ו‑53.4 אחוז כאשר מופעלים חיפוש והרצת קוד. גם במדעי הטבע הוא מציג ביצועים ברמת מדליית זהב בגרסאות הכתובות של אולימפיאדות 2025: 81.5 אחוז במתמטיקה, 87.7 אחוז בפיזיקה, 82.8 אחוז בכימיה ו‑50.5 אחוז בתורת חומר מעובה, תחום שנחשב מאתגר במיוחד גם עבור חוקרים מנוסים.

Credit: blog.google

בתחום הקוד והאלגוריתמים, המודל מגיע לדירוג Elo של 3455 ב‑Codeforces, רמה שממקמת אותו בליגה של מתכנתים תחרותיים מהשורה הראשונה. הפערים בין המודלים ברורים – Deep Think מוביל כמעט בכל מבחן, ולעיתים בפער משמעותי.

מעבר מהפשטה ליישום

החידוש המרכזי ב‑Deep Think אינו מסתכם בציונים הגבוהים, אלא ביכולת לגשר בין תיאוריה ליישום מעשי. בעוד שמודלים קודמים הצטיינו בפתרון בעיות מוגדרות היטב, Deep Think מתוכנן להתמודד גם עם נתונים חלקיים, בעיות פתוחות וניסוח השערות. הוא מסוגל לבנות מודלים פיזיקליים, ליצור קוד סימולציה, לנתח שרטוטים הנדסיים ולתכנן תהליכים ניסיוניים. במובן זה, הוא אינו רק המודל החזק ביותר, אלא כזה שמנסה להיות הכלי השימושי ביותר עבור מי שעוסק במדע אמיתי.

מי יכול להשתמש בו כבר עכשיו

העדכון מתחיל להתגלגל כבר היום למנויי Google AI Ultra, שיכולים למצוא את מצב החשיבה החדש בתפריט הכלים של אפליקציית Gemini. במקביל, חוקרים ומהנדסים יכולים להירשם לגישה מוקדמת דרך ה‑API, במסגרת תוכנית שמטרתה להביא את Deep Think לסביבות שבהן הוא נדרש באמת, כלומר כחלק מתהליכי עבודה מדעיים.

תחילתו של עידן חדש במחקר מבוסס AI

למרות ההישגים המרשימים, גוגל אינה מציגה את Deep Think כתחליף למדענים. חלק מהדוגמאות שהוצגו הן ניסיוניות, ולא ברור עד כמה הן מייצגות שימוש יומיומי. יש תחומים שבהם המודל עדיין חלש יותר, כמו (CMT) תורת חומר מעובה, ענף בפיזיקה שחוקר את התנהגותם של חומרים מורכבים כמו מוליכי על ומבנים גבישיים, וכמו כל מערכת בינה מלאכותית הוא עלול לטעות. ובכל זאת, הכיוון הכללי ברור: AI הופך לכלי עבודה מדעי, לא רק לכלי מידע.

אם המגמה תימשך, ייתכן שנראה האצה משמעותית של ניסויים מדעיים, קיצור זמן פיתוח בהנדסה, יכולת לנתח מאמרים ולזהות כשלים לוגיים, ויצירה של מודלים פיזיקליים מורכבים בלחיצת כפתור. Deep Think מסמן את תחילתו של עידן שבו מודלים אינם רק עוזרי טקסט, אלא שותפים פעילים בתהליך החקירה המדעית.