Lo strumento di collaborazione Antigravity di Google permette agli agenti di risolvere insieme problemi matematici irrisolti
Un nuovo sistema in cui più agenti di intelligenza artificiale collaborano può dimostrare congetture di ricerca secolari — qualcosa che un tempo richiedeva anni di lavoro a squadre umane.

Un sistema software in cui diversi programmi AI lavorano insieme per ore o giorni per risolvere problemi di matematica e ingegneria molto difficili.
- Un lavoratore AI propone un'idea.
- Un altro lavoratore la controlla e la critica.
- Strumenti di verifica testano ogni soluzione candidata.
- Gli agenti affinano il lavoro finché la dimostrazione non è completa.
Risolvere problemi che avevano bloccato i ricercatori
Nelle ultime settimane, team di Google e università partner hanno utilizzato il sistema per risolvere domande aperte da anni 1. Il risultato più importante finora è la dimostrazione completa della congettura di Courtade–Kumar, un problema di teoria dell'informazione formulato per la prima volta nel 2013 .
La dimostrazione è stata formalizzata in Lean 4 e comprende 50 milioni di righe di codice 1. Conferma che quando dati casuali attraversano un canale rumoroso, comprimere l'input fino a un solo bit non può preservare più informazioni rispetto al semplice copiamento di un singolo bit originale . Un team dell'Università di Città del Giappone (CUHK), dell'Università della California del Sud (USC) e della Carnegie Mellon University (CMU) ha lavorato direttamente con il sistema AI per raggiungere il risultato .
Altri problemi aperti ormai risolti includono i limiti vicini all'ottimo per il campionamento nell'analisi dei dati adattiva (chiudendo una lacuna aperta dal 2014), le prime funzioni booleane note per cui servono strettamente più di n/2 query quantistiche a errore costante, e la Congettura dei Cicli di Knuth, verificata in Lean 2.
Come funziona il sistema
I soli modelli linguistici faticano talvolta con compiti lunghi perché perdono di vista alcuni dettagli e producono risposte imprevedibili 1. Lo strumento teamwork risolve entrambi i problemi eseguendo più agent specializzati in parallelo, ciascuno dei quali ha a disposizione solo i file e gli strumenti necessari per il proprio passo . I coordinatori passano il lavoro da un agente all'altro, mentre critici e auditor separati revisionano i risultati partendo da zero, senza vedere il ragionamento originale .
Strumenti di verifica dedicati come controllori di dimostrazioni, suite di test software, simulatori di esecuzione e contatori hardware mettono automaticamente alla prova ciascuna soluzione candidata 1. Il sistema impara dalle esecuzioni precedenti e instrada i nuovi prompt verso il modello di flusso di lavoro con maggiori probabilità di successo .
Nei test interni il framework ha ottenuto il 71% su TCSBench 2.
Come il sistema di lavoro di squadra collega le idee alle dimostrazioni
- Agenti specializzaticiascuno affronta il proprio passo
- Coordinatori e revisoriscambiano il lavoro e lo revisionano
- Verificatore di dimostrazioni Lean 4verifica la correttezza riga per riga
- Congettura di Courtade–Kumardimostrata — 50 milioni di linee formalizzate
- Simulatore del processore RISC‑Vavvia un sistema operativo completo da zero
- Correzioni open-sourcemerged in Eigen e ParlayHash
Dalla descrizione di Google del sistema Antigravity e dei suoi risultati
Dall'annuncio ufficialeSalita autonoma
Oltre la matematica pura
Lo stesso approccio ha prodotto anche successi pratici nell'ingegneria dei sistemi 2. Un team di agenti ha costruito un simulatore ciclico accurato di un processore RISC-V capace di avviarlo con un sistema operativo completo partendo da zero . Nel software open source, il sistema ha generato miglioramenti delle prestazioni accettati e inseriti direttamente nella libreria di matrici Eigen upstream e nella libreria di hashing ParlayHash .
Google afferma che gli strumenti verranno resi disponibili ai ricercatori e sviluppatori esterni attraverso Antigravity, insieme ad altri agent come /boost 1. L'accesso completo per tutti gli utenti esterni arriverà nelle prossime settimane . La compagnia ha notato che il lavoro combina nuove varianti del framework /teamwork con modelli Gemini 4, tra cui Gemini 4 Argon, Gemini 4 Carbon e Gemini 4 Hydrogen .
Correzioni e aggiornamenti
- Corretto il 14 novembre 2026. Una versione precedente di questa notizia includeva dettagli non supportati dalle fonti. Sono stati corretti o rimossi.
I fatti principali
- Risolto il Congettura Courtade–Kumar del 2013; la dimostrazione formalizzata in Lean 4 raggiunge 50 milioni di righe
- Risolto un quesito aperto del 2014 sui limiti ottimali di campionamento per query statistiche adattive
- Realizzato un simulatore CPU RISC-V in grado di avviare un sistema operativo da zero
- Ha ottenuto il 71% su TCSBench nei test interni
Fonti
Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste
Continua a leggere
App e prodottiGoogle lancia TorchTPU, un backend nativo per PyTorch su TPU nel cloudHerald of AIhttps://github.com/soumith, CC BY-SA 4.0, via Wikimedia Commons
Google lancia TorchTPU, un backend nativo per PyTorch su TPU nel cloud
Un nuovo stack open-source permette agli sviluppatori di far girare modelli PyTorch direttamente sui chip TPU di Google, sostituendo il vecchio sistema PyTorch/XLA.
App e prodottiGoogle presenta Playground, una piattaforma per creare giochi con l'intelligenza artificiale dove chiunque può realizzare videogiochiHerald of AI
Google presenta Playground, una piattaforma per creare giochi con l'intelligenza artificiale dove chiunque può realizzare videogiochi
La nuova piattaforma sperimentale di Google permette agli utenti di creare, giocare e condividere giochi con semplici prompt testuali: non serve saper programmare.
Aziende e regoleMirendil raccoglie 1 miliardo di dollari per usare agenti di AI nello sviluppo più veloce dei modelliHerald of AI
Mirendil raccoglie 1 miliardo di dollari per usare agenti di AI nello sviluppo più veloce dei modelli
Una nuova startup fondata da ricercatori ex Google DeepMind e Anthropic afferma che la sua piattaforma automatizzata permette a piccoli team di creare grandi modelli di AI rapidamente ed economicamente.