Google 今（13）日发布了 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）拿到 68.8%，GPT-5.2（Thinking xhigh 模式）是 52.9%，而人类平均约 60%。
更惊人的是，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。
不只会考试，还会抓人类的错
跑分之外，Google 在公告中提到了一个细节：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品质控制机制，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准，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式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 的市占率已从巅峰时期的 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。
Google 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 和搜寻引擎中，这意味著即使在模型能力上与对手打平，Google 也能透过渠道优势赢得用户。
但分发优势是双面刃。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，天然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 丛集成本已经从 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 运算服务。
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 Google、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 训练的需求还有很长的路要走。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 的升级把 Google 又推回了 AI 竞赛的领跑位置，至少在推理和科学领域是如此。但如果你仔细看 Google 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」是一个比「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 Google 暗示的更远，毕竟基准测试有标准答案，科学没有。
