Google Research 发布了 /teamwork,这是一个多智能体框架,旨在处理复杂的、跨越数天的发现循环,而这些问题在历史上往往会悬而未决数年。通过将 Gemini 4 模型与专门的工作流相结合,该系统可以解决信息论、分子化学和系统工程领域的难题,有效地成为人类研究人员的力量倍增器。

包含文字 Accelerating discovery with Antigravity's /teamwork 的图形
Google Research 的 /teamwork 框架旨在通过协调多个专门的 AI 智能体来加速科学发现。research.google

这张图片是 /teamwork 框架的主要视觉展示,说明了其在加速复杂发现循环中的作用。

克服上下文和推理限制

标准的语言模型通常难以处理“长程”推理,即在多日任务中,注意力会随着不断增长的上下文窗口而分散。为了解决这个问题,/teamwork 通过构造来划分上下文,确保每个专门的智能体仅接收到其特定角色所需的精确数据。

该系统利用协调员将任务移交给全新的继任者。它还采用了“评论家”和“审计员”,他们在干净的上下文中挑战并验证结果,独立于原始生产者的推理,以确保复杂逻辑链中的准确性。

“该系统通过将并行探索与专门的证伪者(例如 Lean 4 证明检查器、未修改的软件测试套件、执行模拟器、网络搜索或硬件计数器)相结合,来自动验证哪些候选解决方案可行。”

— Advancing science & engineering with Antigravity’s /teamwork

形式化验证与数学突破

通过将 Gemini 4 模型与 Lean 4 证明检查器相结合,/teamwork 框架可以将非正式的数学证明转换为机器检查的代码。这被用于证明信息论中的 2013 年 Courtade–Kumar 猜想,其中 AI 在没有人类干预的情况下划分参数空间并开发了解析界限。

该系统还独立重现了 3D Navier–Stokes 方程和自 1927 年以来就悬而未决的 Birkhoff 猜想的形式化表达。这些结果展示了该系统在导航庞大文献并验证证明中的每一个逻辑步骤方面的能力。

化学与工程领域的应用

除了纯数学,/teamwork 还支持实验实验室科学。在化学领域,该系统将 30 个专门智能体组织到一个包含物理信息光谱模拟器的循环中,以识别分子结构,性能几乎是单智能体模型的两倍。

在系统工程中,该框架被用于开发在线逆线性优化的确定性算法,将运行时间从指数级降低到多项式级。它还产生了一种新的 O(n log n) 整数乘法算法,与 GNU 多精度算术库 (GMP) 的位对位一致。

人机协作与权衡

虽然 /teamwork 自动化了大规模搜索空间的探索和自定义求解器的编写,但它仍依赖人类专家来构建初始问题并定义理论或物理约束。该系统是研究人员的力量倍增器,而不是完全取代人类监督的自主系统。

一个显著的局限性仍在于多智能体过程的透明度;虽然系统可以为单个证明生成 5000 万行代码,但运行数十个并行智能体和评论循环的具体计算成本和延迟开销尚未完全详述。