Google Lanza Gemini 3 Deep Think para Resolver Problemas Científicos y de Ingeniería

El 12 de febrero de 2026, Google implementó una actualización significativa en su inteligencia artificial con el despliegue de Gemini 3 Deep Think, una modalidad de razonamiento especializada. Esta versión se enfoca en abordar desafíos complejos dentro de la ciencia, la investigación y la ingeniería, con el objetivo de traducir el análisis abstracto en resultados aplicables. El desarrollo de esta iteración se realizó en colaboración con una comunidad de científicos e investigadores, y está diseñada para operar en entornos con datos ambiguos o incompletos, donde las soluciones no están claramente delimitadas.

La disponibilidad de la herramienta se ha estructurado en fases. Los suscriptores de Google AI Ultra en la aplicación Gemini ya tienen acceso, y de manera paralela, se ha extendido el acceso a un grupo selecto de usuarios externos a través de la Interfaz de Programación de Aplicaciones (API). Esta apertura mediante API sugiere la intención de integrar capacidades avanzadas de razonamiento directamente en flujos de trabajo industriales y proyectos de Investigación y Desarrollo (I+D). La funcionalidad central de Deep Think incluye la capacidad de modelar sistemas físicos mediante la generación de código, interpretar grandes conjuntos de datos y convertir un diseño preliminar en un archivo listo para la fabricación aditiva, como la impresión tridimensional.

El rendimiento de Gemini 3 Deep Think ha sido validado en una serie de evaluaciones especializadas, estableciendo nuevos puntos de referencia en el sector. En el benchmark ARC-AGI-2, verificado por la ARC Prize Foundation, el modelo alcanzó una puntuación del 84,6%. En el área de las matemáticas, logró resultados comparables a la medalla de oro en la Olimpiada Internacional de Matemática 2025 y obtuvo una calificación Elo de 3455 en la plataforma Codeforces. Adicionalmente, en la exigente evaluación GPQA Diamond, diseñada para medir el conocimiento a nivel de posgrado en ciencias, el modelo obtuvo un 93,8%.

La utilidad práctica de esta mejora se ha manifestado en contextos académicos. Investigadores del Wang Lab en la Universidad de Duke, dirigidos por Haozhe “Harry” Wang, emplearon el modelo para optimizar métodos de crecimiento de cristales semiconductores. Un ejemplo destacado de su razonamiento profundo fue la detección de una sutil inconsistencia lógica en un artículo matemático de alta complejidad, un error que había pasado desapercibido en la revisión por pares humana, según confirmó la matemática Lisa Carbone de la Universidad de Rutgers. Este nivel de intervención sustantiva en el proceso de investigación posiciona a Deep Think como un catalizador para la comunidad científica.

El mecanismo operativo de Deep Think implica una modificación arquitectónica hacia el razonamiento de "Sistema 2", donde el modelo explora múltiples hipótesis de manera simultánea y evalúa rutas lógicas antes de formular una respuesta definitiva. Este proceso requiere un mayor tiempo de inferencia en comparación con los modelos reactivos convencionales. Este enfoque deliberado, que prioriza la exactitud sobre la inmediatez, permite al modelo abordar problemas que exigen rigor y creatividad analítica. La disponibilidad de esta tecnología subraya el enfoque de Google en la inteligencia artificial especializada y de alto rendimiento, diferenciándola de los modelos de propósito general.