河北
編輯｜sia
推理模型賽道，已經近乎肉搏。
一邊是 OpenAI o1 系列，主打「多想一步」的強化推理路線，用更長思考時間換更穩的結論。
一邊是 Anthropic 的 Claude Thinking，深耕研究與分析場景，強調長上下文下的審慎與可靠。
現在，谷歌也重兵壓上——Gemini 3 Deep Think 迎來重大升級。
不過真正吸睛的，早就不是又贏了幾個 benchmark，而是它的定位：「參與科研和工程決策」的實力。
業內一直流傳一套很經典的民間壓力測試，讓模型生成「一只騎自行車的鵜鶘」（A pelican riding a bicycle）的 SVG 代碼。
題目看起來像 meme，但懂的人都知道，它同時卡三件事：空間邏輯、結構正確性、細節遵從能力。
已有網友放出相當驚艷的版本，也是我見過最好的一張。
案例來自 https://simonwillison.net/
加碼難度，上硬核約束：
Generate an SVG of a California brown pelican riding a bicycle. The bicycle must have spokes and a correctly shaped bicycle frame. The pelican must have its characteristic large pouch, and there should be a clear indication of feathers. The pelican must be clearly pedaling the bicycle. The image should show the full breeding plumage of the California brown pelican.
難度瞬間從「會畫圖」，躍遷到「會建模 + 會生物 + 會物理」。
尤其是，畫出「加州褐鵜鶘繁殖羽」。這不是隨便涂個顏色就能糊弄的。繁殖期它的頭部會偏黃，頸部呈紅棕色，要求模型具備非常專業的生物知識。
「正在蹬踏」要求 AI 能正確處理肢體與機械的交互：動物的腳丫子，必須對準踏板。
結果，Gemini 3 Deep Think 還能穩定交出質量很高的 SVG。
案例來自 https://simonwillison.net/
這里釋放的信號其實很清晰：Gemini 3 Deep Think 追求的不是「更會想」，而是在科研級、工程級、多條件約束問題上，能更可靠地把事情做對。
從「紙上談兵」進化到「動手造物」，更明顯的用例，是它能把用戶的要求、草圖甚至照片，直接建模成可 3D 打印的實體文件
來自谷歌軟件工程師@rakyll
其實，谷歌也在推廣中主打Deep Think會分析圖紙，構建復雜的形狀，并生成文件，使用3D打印機創建實體對象。
要知道 AI 以前只是個畫家，你給它看一張鍋的照片，它能臨摹出一張一模一樣的畫，但那只是平面的影子。
現在， Gemini 3 Deep Think 看一眼照片，就能腦補全這張鍋在各個角度的長寬高、厚度甚至把手的弧度，直接變出一個立體實物原型。
換句話說，它不止要會空間推理（理解結構、體積、厚度、連接），還要考慮一個更現實的問題：這東西能不能被制造出來、能不能被真實使用。
答案是肯定的。
它甚至開始帶著審美與結構意圖去做生成設計。
這是它設計的一個花盆。
來自x網友@ytiskw，「請設計一個全新的時尚花盆，并使用 Python 輸出為 STL 文件。條件：可以排水……」
從不同角度看，「面」和「角」的視覺會發生變化，立體感和現代感都很強，不像是單純堆幾何體，更像是在做造型語言。
還有更硬核的玩法。
這位 MIT 教授先給它一張 3D 蜘蛛網圖片，要求生成交互式設計工具。
結果，它一步到位，直接產出了一整套完整的設計套件，涵蓋程序化控制、仿真與優化流程，并支持 STL 文件導出。
https://x.com/ProfBuehlerMIT/status/2022635227609268480
教授甚至用這套工具設計了全新的超材料結構，以及一款受蜘蛛網啟發的橋梁方案。
3D 打印后，還做了受力測試（用的是 nvidia DGX Spark ，大約 2 斤半重），確認結構在工程上也立得住。
想象一下，你在網上刷到一個造型奇特的設計。
過去你想 3D 打印一個相近的，得會 Blender、Fusion 360 這類軟件，拉曲面、調尺寸、做厚度，新手往往得學好幾周。
現在，截圖給 AI → 輸出 STL → 丟進 3D 打印機 → 幾小時后實物到手，等于把專業 3D 建模幾乎壓縮成了「一鍵生成」。
再看看另一個用例。用 Deep Think 把周圍的 WiFi 網絡空間化、可視化，用 3D 方式展示信號強度和可能的物理位置關系。
平時手機里的 WiFi 列表按信號強度（RSSI）排序，但在物理空間里，強度不等于距離。比如，離你 2 米、隔著承重墻的路由器，可能比 10 米外空曠區域的路由器還要弱。
這里， Deep Think 聰明地引入了統計關聯，如皮爾遜相關分析，去推斷哪些 AP在物理上更可能彼此接近。
此外，還有更典型的科研敘事。比如，Deep Think 能審閱高度專業的數學論文，指出同行評審漏掉的細微邏輯缺陷，也被用于優化半導體晶體生長流程。
換句話說，谷歌想證明的不是它更會「想」，而是它開始真的能「干活」。
它盯住的是科研與工程里的硬骨頭：沒有明確邊界、沒有唯一答案、數據又臟又亂的真實研究問題。
而且，不只是卷數學、編程，而是把觸角伸向化學、物理（包括理論物理）等多個科學領域，全面鋪開。
隨著通用對話能力快速商品化，那些真正能處理復雜財務模型、實驗數據與工程設計的深度推理能力，正在成為新的競爭高地。
谷歌正在試圖把大模型從信息助手，推向科研與工程體系里的「第二大腦」。如果后續真實采用率跟得上，這一步的分量，可能會比單純的性能提升更大。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
