Google utiliza agentes de IA para demostrar teoremas matemáticos y reescribir código

Rene Fraga
9 minutos de lectura

Principales destacados

  • Matemáticas verificadas por IA: los agentes de Google formalizaron las conjeturas de Weil en una demostración con 1,8 millones de líneas de código Lean.
  • C++ está dando paso a Rust: el sistema reescribió importantes componentes del ecosistema de Google, con mejoras de rendimiento de hasta un 30%.
  • Investigación abierta a científicos: Google habilitó el acceso a /teamwork y ofrecerá seis meses de uso gratuito a 10.000 investigadores académicos.

Google está llevando los agentes de inteligencia artificial a un territorio que, hasta hace poco, parecía reservado a matemáticos especializados y equipos de ingeniería altamente cualificados.

Google Research presentó resultados impresionantes de /teamwork, la función multiagente de su plataforma Antigravity. Entre ellos se encuentran la formalización de importantes demostraciones matemáticas, la migración de grandes bases de código de C++ a Rust y avances en investigaciones científicas.

El detalle más interesante es que no estamos hablando simplemente de una IA que escribe código o responde preguntas. Son grupos de agentes especializados que trabajan en conjunto, dividen tareas y someten los resultados a una verificación independiente.

Una demostración matemática que tardó décadas en completarse 🔬

Uno de los resultados más ambiciosos está relacionado con las conjeturas de Weil, un conjunto de problemas fundamentales de las matemáticas relacionados con el recuento de soluciones de ecuaciones polinómicas sobre cuerpos finitos.

La demostración definitiva fue completada por el matemático Pierre Deligne en 1974, un trabajo que le valió la Medalla Fields en 1978.

Ahora, Google afirma que su framework /teamwork-LEAP, desarrollado con Google Cloud AI, consiguió producir una formalización completa de esta demostración, verificada automáticamente por una máquina.

Las cifras impresionan:

  • 1,8 millones de líneas de código Lean.
  • 28.800 invocaciones de subagentes.
  • Formalización completa, de principio a fin, de la demostración matemática.

Lean es un lenguaje de programación y asistente de demostraciones matemáticas que permite transformar pruebas en estructuras verificables por ordenador.

💡 La diferencia es importante: no basta con que una IA presente una respuesta matemáticamente convincente. El objetivo es producir una demostración formal que pueda ser comprobada por un sistema independiente.

No fue el único problema matemático abordado

Google también presentó otros resultados relacionados con la formalización matemática.

Uno de ellos produjo más de 919.000 líneas de código Lean para formalizar una demostración reciente del décimo problema de Hilbert sobre anillos de enteros generales.

Otro resultado estuvo relacionado con las ecuaciones de Navier-Stokes en tres dimensiones, vinculadas a uno de los Problemas del Milenio.

El sistema reprodujo la formalización de una demostración de existencia de explosión en tiempo finito (finite-time blowup).

La investigación matemática también contó con la participación de investigadores de Google, la Universidad China de Hong Kong (CUHK), la Universidad del Sur de California (USC) y la Universidad Carnegie Mellon (CMU).

Juntos, utilizaron el sistema para demostrar, en toda su generalidad, la conjetura de Courtade-Kumar, presentada en 2013 en el campo de la teoría de la información.

Esta formalización en Lean 4 alcanzó aproximadamente 50 millones de líneas de código.

El siguiente paso: sustituir C++ por Rust con ayuda de agentes 🚀

Si las matemáticas ya llaman la atención, los resultados en ingeniería de software también merecen destacarse.

En una campaña de dos semanas, /teamwork reescribió el código C++ restante del microkernel Zircon, añadiendo aproximadamente 800.000 líneas de Rust seguro.

Zircon es el núcleo del sistema operativo utilizado por Fuchsia, el proyecto de Google.

El nuevo código superó todas las pruebas unitarias del kernel y consiguió arrancar en hardware con arquitectura ARM64.

Y también hubo un desafío relacionado con el vídeo:

El sistema portó libgav1, el decodificador de vídeo AV1 de Google, a aproximadamente 170.000 líneas de Rust.

Inicialmente, el código convertido era unas cuatro veces más lento que la implementación original en C++.

Sin embargo, los agentes recibieron herramientas de profiling, capaces de identificar cuellos de botella de rendimiento, y comenzaron a optimizar el resultado.

El rendimiento final fue entre un 20% y un 30% superior al del código C++ original y al del ensamblador optimizado manualmente, en las arquitecturas x86_64 y ARM.

Lo más interesante no es simplemente convertir un lenguaje de programación en otro, sino permitir que los agentes identifiquen problemas, prueben soluciones y optimicen su propio trabajo.

Los agentes también están entrando en la química 🧪

Google presentó además un flujo de trabajo científico con 30 agentes de IA para identificar estructuras moleculares a partir de datos de resonancia magnética nuclear (RMN).

El sistema alcanzó un 95% de precisión en la primera opción con moléculas de referencia.

Es un ejemplo de cómo la arquitectura multiagente puede ir más allá del desarrollo de software y participar en investigaciones que requieren interpretación de datos, experimentación y validación.

Otro resultado llegó de la infraestructura interna de Google.

La empresa informó de una reducción del 24% en la interrupción preventiva de cargas de trabajo de TPU en determinados tipos de hardware dentro de Borg, su sistema de gestión y planificación de recursos computacionales.

¿Por qué varios agentes pueden funcionar mejor que un único modelo?

La arquitectura de /teamwork fue desarrollada para afrontar un problema recurrente en los sistemas de inteligencia artificial: los errores que se acumulan en tareas muy largas.

En lugar de asignar un proyecto completo a un único agente, Google distribuye el trabajo entre especialistas.

Cada agente recibe únicamente los archivos, herramientas e información necesarios para ejecutar su parte.

Además, críticos y auditores independientes verifican los resultados sin tener acceso al razonamiento del agente original.

Esta separación ayuda a reducir errores y evita que un fallo inicial contamine todas las etapas siguientes.

En la práctica, es un enfoque que recuerda a un equipo de desarrollo tradicional, con profesionales responsables de diferentes partes de un proyecto, revisión de código y pruebas independientes.

La diferencia es que buena parte de este equipo ahora está formada por agentes de IA.

Google abre /teamwork a investigadores y desarrolladores 🌎

El anuncio también tiene una dimensión estratégica.

Google informó de que los usuarios externos ya pueden utilizar los modelos Gemini 4 con /teamwork, /boost y Deep Review dentro de Antigravity.

La empresa también abrió las inscripciones para ofrecer seis meses de acceso gratuito al nivel más alto de uso a un máximo de 10.000 investigadores académicos.

Otras novedades llegarán posteriormente:

  • El estándar de formalización de demostraciones matemáticas estará disponible en Antigravity.
  • El estándar de reescritura de código en Rust también se incorporará a la plataforma.
  • Los tutoriales y materiales de orientación están previstos para las próximas semanas.

El movimiento merece atención.

Durante mucho tiempo, la evolución de la IA se ha medido principalmente por la capacidad de producir textos, imágenes, código y respuestas cada vez mejores.

Ahora, Google intenta demostrar algo diferente: sistemas capaces de organizar equipos de agentes, ejecutar proyectos complejos durante largos periodos y producir resultados que pueden verificarse de forma independiente.

Si este enfoque continúa avanzando, Antigravity podría representar un cambio importante en la manera en que trabajan investigadores e ingenieros.

Y quizá la próxima gran competencia entre los laboratorios de IA no consista únicamente en determinar qué modelo responde mejor, sino en descubrir cuál es capaz de coordinar el equipo más eficiente de agentes autónomos.

Seguir:
Renê Fraga es fundador de Google Discovery y editor en jefe de Eurisko, un ecosistema editorial independiente dedicado a la tecnología, la ciencia y la innovación. Profesional del marketing digital, con posgrado por la ESPM, sigue de cerca a Google desde la década de 2000 y escribe desde hace más de 20 años sobre tecnología, productos digitales e inteligencia artificial. Fundó Google Discovery en 2006, convirtiéndolo en uno de los principales sitios especializados en Google en Brasil, y fue columnista de TechTudo (Globo.com).
No hay comentarios