AI

Antigravity /teamwork : les systèmes d'IA multi-agents de Google au service de la science

Google partage les résultats des systèmes multi-agents /teamwork d'Antigravity propulsés par Gemini 4, qui résolvent des problèmes ouverts en mathématiques et en ingénierie.

·3 min de lecture
Antigravity /teamwork : les systèmes d'IA multi-agents de Google au service de la science

Google a partagé les résultats récents des systèmes multi-agents /teamwork d'Antigravity, qui améliorent la collaboration humain-IA pour résoudre des problèmes non résolus en mathématiques, en chimie, en logiciels système et en apprentissage automatique. Développés en collaboration avec des experts humains, ces outils autonomes sont désormais mis à disposition des utilisateurs externes.

  • Google et ses partenaires académiques ont résolu des problèmes de longue date en mathématiques, en science et en ingénierie des systèmes en utilisant les modèles Gemini 4 et /teamwork d'Antigravity.
  • Le système comble le fossé entre les tentatives de génération uniques et les réponses correctes en associant l'exploration parallèle à des vérificateurs dédiés comme Lean 4 et des simulateurs d'exécution.
  • /teamwork partitionne le contexte par conception : les agents spécialisés ne reçoivent que les fichiers et les outils strictement nécessaires, évitant ainsi la dispersion de l'attention lors de tâches longues.
  • Des innovations ont été produites en théorie de l'information, en vérification formelle, en structures moléculaires et en optimisation de noyaux.

Architecture et conception des systèmes multi-agents La recherche de pointe nécessite d'explorer une vaste littérature, de concevoir des pipelines de calcul personnalisés et de vérifier chaque étape. Les progrès découlent d'une boucle interactive où les chercheurs formulent des questions tandis que des agents à long terme écrivent des solveurs sur mesure et vérifient les chaînes logiques. La conception de /teamwork répond à deux limites des modèles de langage actuels : la génération imprévisible et la perte de détails sur des tâches de plusieurs jours en raison de fenêtres de contexte grandissantes. Pour combler cette lacune, le système associe une exploration parallèle à des vérificateurs dédiés, tels que l'assistant de preuve Lean 4, des suites de tests ou des compteurs matériels, afin de valider automatiquement les solutions candidates. De plus, /teamwork partitionne le contexte par construction, garantissant que chaque agent spécialisé ne reçoit que les fichiers nécessaires. Les coordinateurs délèguent les tâches à de nouveaux successeurs, tandis que les critiques vérifient les résultats à partir de contextes propres.

Avancées en mathématiques et en informatique théorique Des chercheurs de Google, de l'CUHK, de l'USC et de CMU ont utilisé le modèle de preuve longue de /teamwork pour démontrer dans toute sa généralité la conjecture de Courtade-Kumar en théorie de l'information (2013). Les modèles Gemini ont partitionné l'espace des paramètres et développé des bornes analytiques, formalisant l'intégralité de la preuve dans Lean 4 pour produire 50 millions de lignes de code. Cela a confirmé que la compression d'une entrée en un seul bit ne préserve pas plus d'information qu'une fonction dictatoriale à travers un canal bruité. Les chercheurs ont également soumis des problèmes ouverts directement à Gemini 4 et aux infrastructures multi-agents, obtenant des algorithmes et des preuves complets. En informatique quantique, une nouvelle construction a résolu une question ouverte datant de 2014 en identifiant des fonctions booléennes nécessitant strictement plus de n/2 requêtes quantiques à erreur constante. Des avancées ont également été réalisées dans la multiplication de matrices booléennes, la géométrie de grande dimension et les algorithmes de flux de graphes dynamiques.

Implications pour les chercheurs et les développeurs Mettre ces outils d'agents à disposition dans Antigravity permet aux chercheurs et aux développeurs d'appliquer des flux de travail multi-agents avancés à leurs propres travaux. En exprimant les flux de travail sous forme de modèles déclaratifs en langage naturel et en acheminant dynamiquement les requêtes, Antigravity permet de créer des spécifications sur mesure qui accélèrent considérablement les cycles de découverte en science et en ingénierie.

Source: Hacker News: Front Page

Articles similaires