Google asegura que la combinación de Antigravity y Gemini 3.7 Flash está permitiendo resolver problemas matemáticos, de ingeniería y software que requieren mucho más que una respuesta rápida. La clave está en Teamwork, un sistema donde varios agentes de IA colaboran, se revisan entre sí y repiten el proceso durante horas o incluso días.
¿La diferencia frente a pedirle una solución a un solo chatbot? Estos agentes pueden dividir una tarea, criticar los resultados de sus compañeros y continuar trabajando hasta encontrar una respuesta más sólida. Es una aproximación más parecida a un equipo de investigación que a una conversación tradicional con IA.
Siete problemas matemáticos y teóricos resueltos
De acuerdo con Google, el sistema resolvió siete problemas abiertos relacionados con matemáticas y ciencias de la computación teórica. Algunos resultados fueron presentados en espacios académicos como FOCS y JMLR, dos referencias importantes en estas áreas.
Entre los casos mencionados aparece la conjetura de los ciclos de Knuth, cuyos resultados fueron verificados en Lean mediante demostraciones de más de 40 páginas. Lean es una herramienta que permite comprobar formalmente si una prueba matemática sigue las reglas establecidas, algo especialmente importante cuando las demostraciones son extensas y difíciles de revisar manualmente.
También se incluyen avances en optimización convexa dispersa, cuantización demostrable de modelos de lenguaje y factorizaciones de matrices de prefijos. En la prueba TCSBench, enfocada en problemas de ciencias de la computación teórica, el sistema alcanzó un 71% de rendimiento.
La IA no solo propone una respuesta: en este enfoque, varios agentes pueden construirla, cuestionarla y verificarla paso a paso.
Un simulador de procesadores RISC-V desde cero
El trabajo no se limitó a las matemáticas. Google afirma que sus agentes construyeron desde cero un simulador con precisión de ciclo para una CPU RISC-V con ejecución fuera de orden.
En términos sencillos, el simulador intenta reproducir con gran detalle cómo un procesador ejecuta instrucciones y organiza sus operaciones. Para demostrar que el resultado era funcional, logró iniciar el sistema operativo xv6 hasta llegar a una consola de comandos.
La comparación con el comportamiento real del hardware registró un error de alineación de ciclos de apenas 0,71%. Esto no significa que la IA haya creado un procesador físico, pero sí que produjo una herramienta capaz de modelar con bastante precisión el comportamiento de una arquitectura compleja.
Optimizaciones que llegaron al software de código abierto
Teamwork también generó cambios que fueron incorporados a bibliotecas de código abierto. En Eigen, una biblioteca utilizada para cálculos matemáticos y científicos, los agentes trabajaron en rutas rápidas basadas en instrucciones SIMD, que permiten procesar varios datos en paralelo.
En ParlayHash, Google reporta un aumento de dos veces en el rendimiento de inserción y una reducción del 25% en el uso de memoria. Estos resultados son relevantes porque las mejoras en bibliotecas fundamentales pueden beneficiar a muchas aplicaciones, incluso cuando el usuario final nunca ve el código directamente.
Qué significa este avance
La idea importante no es que un modelo aislado se haya vuelto infalible. El cambio está en combinar un modelo de IA con una estructura de colaboración, revisión y ejecución prolongada.
Este enfoque puede ser útil en tareas donde una respuesta inicial no basta: diseñar sistemas, demostrar teoremas, depurar código o explorar muchas alternativas técnicas. Aun así, los resultados descritos corresponden a afirmaciones de Google y deben evaluarse con revisiones independientes, publicaciones completas y reproducciones por parte de la comunidad.
La IA aplicada a problemas complejos está dejando de parecerse únicamente a un asistente que responde preguntas. Con sistemas multiagente, empieza a funcionar como un equipo digital capaz de investigar durante más tiempo, detectar errores y convertir ideas en prototipos verificables. La pregunta ahora no es si estos agentes pueden colaborar, sino en qué áreas esa colaboración ofrecerá resultados confiables y realmente útiles.
Fuente original
https://blog.google/innovation-and-ai/technology/developers-tools/antigravity-teamwork-multi-agent