La herramienta de trabajo en equipo de Google permite a los agentes de IA resolver problemas matemáticos sin resolverlos juntos
Una nueva plataforma donde varios trabajadores de inteligencia artificial colaboran puede demostrar conjeturas centenarias —algo que solía llevar años a los equipos humanos.

Un sistema de software en el que varios programas de inteligencia artificial trabajan juntos durante horas o días para resolver problemas muy complicados de matemáticas e ingeniería.
- Una IA propone una idea.
- Otra la revisa y le busca defectos.
- Herramientas de verificación prueban cada solución posible.
- Los agentes van puliendo el trabajo hasta que la demostración está lista.
Resolver problemas que desconcertaron a investigadores
En las últimas semanas, equipos de Google y universidades socias han usado el sistema para resolver preguntas que llevaban años abiertas 1. El mayor resultado hasta ahora es una demostración completa de la conjetura Courtade-Kumar, un problema de teoría de la información planteado por primera vez en 2013 .
La demostración fue formalizada en Lean 4 y tiene 50 millones de líneas de código 1. Confirma que cuando datos aleatorios atraviesan un canal ruidoso, comprimir la entrada a un solo bit no puede conservar más información que simplemente copiar un único bit original . Un equipo de CUHK, USC y CMU trabajó directamente con el sistema de inteligencia artificial para alcanzar el resultado .
Otros problemas abiertos ya resueltos incluyen cotas de muestras casi óptimas en análisis de datos adaptativo (cerrando una brecha abierta desde 2014), las primeras funciones booleanas conocidas que necesitan estrictamente más de n/2 consultas cuánticas con error constante, y la Conjetura de los Ciclos de Knuth, verificada en Lean 2.
Cómo funciona el sistema
Los modelos de lenguaje por sí solos pueden tener dificultades con tareas largas porque a veces pierden el rastro de los detalles y producen respuestas impredecibles 1. La herramienta de trabajo en equipo resuelve ambos problemas ejecutando varios agentes especializados en paralelo, cada uno con solo los archivos y herramientas que necesita para su propia etapa . Los coordinadores pasan el trabajo de un agente a otro, mientras que críticos y auditores separados revisan los resultados desde puntos de partida limpios sin ver el razonamiento original .
Herramientas de verificación dedicadas, como comprobadores de demostraciones, suites de pruebas de software, simuladores de ejecución y contadores de hardware, prueban automáticamente cada solución candidata 1. El sistema aprende de ejecuciones anteriores y enruta nuevas indicaciones al patrón de flujo de trabajo más propenso al éxito .
En pruebas internas, el marco obtuvo un 71 % en TCSBench 2.
Cómo el sistema de trabajo en equipo conecta ideas con pruebas
- Agentes especializadoscada uno aborda su propia etapa
- Coordinadores y críticospasan el trabajo y lo revisan
- Verificador de pruebas Lean 4verifica la corrección línea por línea
- Conjetura de Courtade–Kumardemostrada — 50 millones de líneas formalizadas
- Simulador de procesador RISC‑Vinicia un sistema operativo completo desde cero
- Correcciones de código abiertofusionadas en Eigen y ParlayHash
De la descripción de Google del sistema Antigravity y sus resultados
Del anuncio oficialAscenso autónomo
Más allá de las matemáticas puras
El mismo enfoque también produjo éxitos prácticos en ingeniería de sistemas 2. Un equipo de agentes construyó un simulador preciso en ciclos de un procesador RISC-V capaz de arrancar un sistema operativo completo desde cero . En software de código abierto, el sistema generó mejoras de rendimiento que fueron aceptadas e integradas directamente en la biblioteca matricial Eigen en la rama principal y en la biblioteca de hash ParlayHash .
Google dijo que las herramientas se están poniendo a disposición de investigadores y desarrolladores externos a través de Antigravity junto con otros agentes, como /boost 1. El acceso completo para todos los usuarios externos llegará en las próximas semanas . La compañía señaló que el trabajo combina nuevas variantes del arnés /teamwork con modelos Gemini 4, incluidos Gemini 4 Argon, Gemini 4 Carbon y Gemini 4 Hydrogen .
Correcciones y actualizaciones
- Corregido el 14 de noviembre de 2026. Una versión anterior de esta nota incluía detalles que sus fuentes no respaldan. Se han corregido o eliminado.
Los datos clave
- Resolvió la conjetura Courtade-Kumar de 2013; la demostración formalizada en Lean 4 alcanza 50 millones de líneas
- Cerró una pregunta abierta de 2014 sobre cotas de muestra óptimas para consultas estadísticas adaptativas
- Construyó un simulador de CPU RISC-V capaz de arrancar un sistema operativo desde cero
- Obtuvo un 71 % en TCSBench en pruebas internas
Fuentes
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Apps y productosGoogle abre TorchTPU, un backend nativo de PyTorch para TPUs en la nubeHerald of AIhttps://github.com/soumith, CC BY-SA 4.0, via Wikimedia Commons
Google abre TorchTPU, un backend nativo de PyTorch para TPUs en la nube
Una nueva pila de código abierto permite a los desarrolladores ejecutar modelos de PyTorch directamente en los chips TPU de Google, reemplazando el antiguo sistema PyTorch/XLA.
Apps y productosGoogle presenta Playground, una plataforma de juegos impulsada por IA donde cualquiera puede crear videojuegosHerald of AI
Google presenta Playground, una plataforma de juegos impulsada por IA donde cualquiera puede crear videojuegos
La nueva plataforma experimental de Google permite a los usuarios crear, jugar y compartir juegos con sencillas instrucciones de texto, sin necesidad de programar.
Empresas y reglasMirendil recauda 1.000 millones de dólares para desarrollar modelos de IA con mayor rapidezHerald of AI
Mirendil recauda 1.000 millones de dólares para desarrollar modelos de IA con mayor rapidez
Una nueva startup fundada por antiguos investigadores de Google DeepMind y Anthropic dice que su plataforma automatizada permite a equipos pequeños construir grandes modelos de IA con rapidez y bajo coste.