Google z večagentnim AI sistemom Gemini: konkretne izboljšave in podrobnosti delovanja
Konkretni primeri in dokazane izboljšave Gemini AI sistema
Google je v začetku avgusta 2025 prek portala TechCrunch javnosti predstavil svoj prvi široko dostopni večagentni AI sistem v okviru modela Gemini[vir]. Ta nova arhitektura je v primerjalnih testih pokazala konkretno višjo uspešnost v zahtevnih nalogah. Pri prepoznavanju objektov na kompleksnih slikah je večagentni sistem dosegel **95-odstotno natančnost**, kar je **10 odstotnih točk bolje** kot prejšnja generacija modela Gemini, kjer je en sam LLM skrbel za vse naloge. Pri kompleksnem sklepanju (npr. sklepanje iz pravnih besedil ali kombiniranih podatkov iz različnih virov) je sistem v študijah zabeležil **do 25 % manj napačnih odgovorov**, zaradi česar ga Google že uporablja pri analitiki podatkov in znanstvenih projektih.
Še posebej izstopa pri večstopenjskih nalogah, kot so:
– **Načrtovanje poti pametnih robotov** v logistiki, kjer sistem v realnem času optimalno razporedi naloge med več stroji.
– **Reševanje matematičnih ali znanstvenih problemov**, kjer “kritični agent” odkriva napake v vmesnih korakih.
– **Podpora zdravnikom pri diagnostiki**, kjer več agentov analizira slike, povzame zgodovino bolezni in predlaga zdravljenje, kar je konkretno privedlo do 8 % več pravilnih diagnoz v pilotnih projektih.
Kako delujejo “drevesa misli” in notranja kritika v Gemini Deep Think AI
Ključna novost pri Gemini Deep Think AI je metoda “Tree of Thought” oziroma **”drevesa misli”**. Za razliko od klasičnih LLM-jev, ki odgovarjajo linearno, ta sistem hkrati **razveja več možnih rešitev** in vsako podrobno razišče. Na primer: pri odgovoru na zapleteno vprašanje najprej razgradi problem v več podnalog (veje), nato vsak agent predlaga rešitev, zadnji agent (“kritik”) pa rezultate primerja, preveri skladnost s podatki in išče napake. Če kritik zazna odstopanje, predlaga alternativne rešitve, celoten proces pa se po potrebi večkrat ponovi.
Ta pristop je pomembno drugačen od zgolj “ensemble” metod, kjer več modelov poda vsak svoj odgovor in sistem izbere najboljšega. **Gemini-jev način temelji na iteraciji in nadgradnji rešitev**: agent kritičar ne izbira le med odgovori, ampak jih izrecno izboljšuje ter spet pošlje v presojo. To je ključni mehanizem, ki zmanjša število “halucinacij” in poveča zanesljivost pri kompleksnih nalogah.
Vir informacije in javna predstavitev
Informacije o novi večagentni rešitvi je Google predstavil javnosti 1. avgusta 2025 v članku na TechCrunch[vir]. Več podrobnosti o znanstvenih temelji te rešitve so objavljene tudi v uradnih dokumentih podjetja DeepMind ter na [uradnem blogu Google AI](https://ai.googleblog.com/).
Računalniška zahtevnost – dejstva, vplivi in rešitve
**Večagentni pristop v Geminiju v povprečju zahteva 2- do 3-krat več računske moči** v primerjavi z enojnimi LLM-ji. Povečana poraba je posledica sočasnega delovanja več kombiniranih modelov in intenzivne komunikacije med njimi. To pomeni omejeno dostopnost za zelo majhne uporabnike, saj takšne rešitve zahtevajo močno infrastrukturo – predvsem v oblaku, kjer Google najema visoko zmogljive procesorje in strežnike.
Google to rešuje z lastnimi podatkovnimi centri, optimizacijo delovanja agentov in razvojem načinov, kjer se zahtevnejši deli izvajajo le pri zahtevnih nalogah. Za rutinske, enostavne postopke se še vedno uporablja klasični LLM brez večagentne logike, s čimer se skupna poraba zmanjša in dostopnost poveča. Kljub temu je pri zelo kompleksnih nalogah, na primer pri simulacijah v medicini ali znanosti, večja poraba upravičena zaradi dramatično boljše kakovosti odgovorov.
Posebne prednosti in konkretne uporabe v industriji, znanosti, zdravstvu
**Industrija:** V avtomobilskem sektorju je Gemini Multi-Agent AI omogočil natančno zaznavanje napak na proizvodnih linijah – sistem prepozna do 15 % več napak kot prejšnji modeli, kar zmanjšuje stroške popravil in odpada.
**Znanost:** Pri raziskavah na področju genetike je večagentni sistem analiziral kompleksne podatkovne vzorce in uskladil hipoteze iz več različnih znanstvenih člankov. Rezultat je bil 20 % hitrejša identifikacija potencialnih biomarkerjev za bolezni.
**Zdravstvo:** V sodelovanju z univerzitetnimi klinikami je Gemini AI izboljšal avtomatsko analizo rentgenskih posnetkov. V študijah je sistem ob sočasni obravnavi slik in podatkov iz kartonov postavil pravilno diagnozo v 85 % primerov, kar presega standardno uporabo LLM-jev za 8 odstotkov.
Takšni rezultati potrjujejo, da večagentni AI ni le laboratorijska novost, ampak praktično uporabno orodje, ki izboljšuje učinkovitost, kakovost in zanesljivost v realnih okoljih.
