借助 Antigravity 的 /teamwork 推进科学与工程研究
过去几周,Google 内部多个团队与学术合作机构借助 Gemini 4 Argon、Gemini 4 Carbon、Gemini 4 Hydrogen,以及 Antigravity 的 /teamwork 等基于多种 Gemini 模型构建的多智能体工作流,攻克了一批多年悬而未决的数学、科学和复杂系统工程难题。这些合作在信息论、形式化验证、分子结构发现和内核优化等领域产出了新的创新成果,也为 Google 带来了多项生产基础设施的改进。现在,我们把这些智能体工具开放到 Antigravity 的 /teamwork 中(与 /boost 及其他 agent 并列),供研究者和开发者用在自己的工作中。
前沿研究和系统工程往往需要翻阅海量文献、搭建定制的计算流水线、对照物理测量结果做测试,并逐步验证每个环节。真正的进展来自一个交互式的发现循环:研究者提出问题、设定理论或物理约束,而具备长时程能力的 agent 则负责编写定制求解器、探索庞大的搜索空间、测试候选方案、核查冗长的逻辑链条。
扩展长时程推理
当前语言模型的两个局限促成了 /teamwork 的设计。其一,模型的输出难以预测,一次尝试与找到正确答案之间往往存在差距。/teamwork 通过并行探索搭配专门的证伪工具(例如 Lean 4 证明检查器、未经修改的软件测试套件、执行模拟器、网络搜索或硬件计数器)来自动验证哪些候选方案可行,从而弥合这一差距。
其次,AI 模型在跨天的任务中往往会因注意力分散在日益增长的上下文窗口而丢失细节。为防止这种情况,/teamwork 在设计上对上下文进行了分区:每个专用智能体仅接收执行特定步骤所需的文件和工具。协调者将任务移交给全新的继任者,而批评者和审计者则在干净的上下文中对结果进行质疑和验证,不复述原始生成者的推理过程。
Teamwork 将这些工作流表达为声明式的、自我改进的自然语言模式,并将用户的每个提示动态路由到最适合该任务的模式。这些模式涵盖分布式编码和迭代式问题求解(以独立形式打包为 /boost,即基于先前轨迹提炼的串行求解与验证循环),到专用研究工作流(如长证明和文档审查),目前均已在 Antigravity 中可用。这使得团队能够基于过往运行记录设计自定义规范,在不同框架模式间进行路由,并动态改进智能体框架。虽然 Antigravity 已具备许多这些功能,我们将在未来几周内向 Antigravity 的外部用户全面推送这些特性。继我们此前关于 Antigravity /teamwork 的文章之后,我们基于 /teamwork 的新变体和 Gemini 4 模型,开放针对未解难题的新成果。
数学与理论计算机科学
在数学和理论计算机科学领域,研究者借助 Gemini 4 和 /teamwork 框架开展协作,完成大规模证明,并直接根据开放问题陈述生成完整的算法和证明。以下展示几个示例。
证明与验证 Courtade–Kumar 猜想
来自 Google、香港中文大学(CUHK)、南加州大学(USC)和卡内基梅隆大学(CMU)的研究人员,利用 /teamwork 的 Long Proof 模式(在 Antigravity 中实现为 Stellar Colosseum),完整证明了信息论领域的 2013 年 Courtade–Kumar 猜想。该结果确认:当随机比特串通过噪声信道时,任何将输入压缩为单个比特的方式,其保留的信息量都不会超过一个只复制单个输入比特的"独裁函数"(dictator function)。Gemini 首先为 CUHK 团队早期论文中猜想的推广形式找到了反例;随后 CUHK 团队提出一个新的候选函数,把猜想归约为一个 14 变量的优化问题,并给出了关键的分析下界。接着,Gemini 4 Argon 及更早的 Gemini 模型对参数空间进行划分,推导出大部分新的分析下界和区间算术证明,还无需人工干预地把证明从均衡函数扩展到了非均衡函数。团队最终用 Lean 4 将整个证明形式化,产出了 5000 万行代码。攻克优化、统计、量子计算与算法领域的开放问题
研究者还将开放性问题直接交给 Gemini 4 以及 Stellar Colosseum 和 /teamwork 等多智能体框架,获得了端到端的算法与证明(通常附带 Lean 4 形式化验证),作者随后对这些结果进行了验证、简化和润色以供发表。在自适应数据分析领域,基于 Gemini 4 Argon 运行的多智能体框架独立证明并通过了 Lean 验证,得出了针对根据先前答案自适应选出的统计查询的近乎最优样本界,填补了自 2014 年以来一直未解的空白。这些界界为同时包含插入和删除操作的数据流提供了首个近乎空间最优的算法,能在面对自适应对抗者时保持精确度。在量子计算方面,一项新的构造解决了一个 2014 年的开放问题,找到了首个在恒定误差下需要严格多于 n/2 次量子查询的 n 位布尔函数,并确定了各类对称函数的精确查询开销。
几项成果突破了大规模矩阵与图处理和压缩领域长期存在的技术壁垒。在 STOC 2024 之前的五十年里,布尔矩阵乘法与三角形检测的组合算法(避开快速矩阵乘法的代数消项)相比立方时间只能节省对数级别的因子。新的确定性算法解决了 STOC 2024 留下的主要公开问题,实现了其目标中的超立方加速。在高维几何领域,一项新的下界解决了稀疏网络上的一个公开问题:即使允许添加额外的 Steiner 点和任意多的跳数,要在任意常数因子内近似 n 个点之间的所有两两距离,也可能需要远多于 n 条边(多项式级别的增量)。在随机线性代数领域,堆叠稀疏草图解决了 2025 年的一个公开问题,突破了将矩阵压缩到线性维度时保持经典稀疏性的障碍——在不丢失 r 维子空间任何方向的前提下,每行只需 √log r 个非零元素(比保留所有长度所需的 log r 少一个平方级),并几乎达到一项新下界。对于支持动态边权增删的加权图,Stellar Colosseum 解决了 FOCS 2022 留下的公开问题,首次开发出面向割稀疏化的单遍流式算法,同时在内存、更新时间和重建时间上均接近最优。
我们的成果还涵盖了优化、算术、数据结构和统计学。在优化领域,通过解决关于 在线逆线性优化(即从随时间的决策中推断专家隐藏目标)的一个 悬而未决的问题,该方法提出了一种确定性算法,在实现最优遗憾界的同时,将运行时从随维度呈指数级增长降低至多项式时间。在 n 位 整数乘法方面,多智能体协同工作将图灵机的理论复杂度上限降至 n log n 以下;另一项独立研究则在同一二维网格上给出了新的 O(n log n) 算法,其 C 语言实现与 GNU 高精度算术库(GMP)在高达十亿位范围内实现了逐位一致。在数据结构领域,另一项成果显著推进了 Tarjan 在 1985 年提出的 双端队列猜想(关于自调整伸展树能否以均摊常数时间处理两端的插入和删除操作),证明了一个新的每次操作开销 上界,该上界优于所有有限次迭代的 逆 Ackermann 函数,且已在 Lean 4 中完成验证。最后,在高维统计学领域,该方法 证明了 近似留一法交叉验证(其优势在于无需从头重新拟合模型)对于如 弹性网络 等不具备平滑性的稀疏惩罚项依然保持准确性。
扩展形式化验证与手稿审查
人工核查计算机辅助撰写的论文,会给同行评审带来沉重负担,而细微的漏洞可能藏在冗长的推导中。用 Lean 4 将数学形式化,可以把证明变成代码,由计算机内核逐行检查。只要人类数学家确认形式化的定理陈述与原问题一致,那么只有当每一步逻辑都成立时,证明才能编译通过。
数学中许多最深刻的未解问题,涉及物理波的传播方式、动力系统的演化过程,以及多项式方程是否存在整数解。基于非形式化证明直接开展工作,我们与 Google Cloud AI 的同事合作开发、并与 Argon 配套的多智能体框架 LEAP,在这些核心领域取得了进展。
值得一提的是,/teamwork-LEAP 全自主地完成了Weil 猜想的端到端机器验证形式化。Weil 猜想是关于有限域上多项式方程解的计数的里程碑式成果,最终由 Pierre Deligne 在 1974 年证明。这次形式化涵盖约 180 万行 Lean 代码,通过 28,800 次子智能体调用完成。该系统还合成了超过 91.9 万行 Lean 代码,首次完成了对一般整数环上 Hilbert 第十问题近期证明的形式化。它还独立复现了带光滑外力的 三维 Navier–Stokes 方程有限时间爆破证明的端到端形式化——这是七大千禧年大奖难题之一的相关部分,已悬置约 90 年。
除此之外,它还首次对Birkhoff 猜想进行了形式化。这是一个自 1927 年起悬而未决的动力学系统问题。此外,它首次形式化了三维 Bochner–Riesz 猜想,这是调和分析领域中一个持续超过 50 年的核心难题;在此过程中,它还发现并修正了近期发表的一个非正式证明中的漏洞。其他经机器验证的重大突破包括:解决了三维及更高维空间中无穷调和函数的 C¹ 正则性问题(该问题悬而未决约 20 年);形式化了 Killip 和 Vişan 关于KdV 水波方程在 H⁻¹ 空间中的适定性定理;并验证了 UCLA 团队针对 40 年前提出的 Jamison Caterpillar 猜想、Ağırseven-Ollis 猜想以及 Erdős 问题 #1063 的改进上界所提出的非正式证明。
最后,我们面向另一 CS 会议的作者提供了Deep Review 服务:在STOC 2027 会议前,578 位作者(占总投稿量的三分之一以上)选择使用该工具获取稿件的 Deep Review 反馈。一项进行中的作者调查(样本量 N = 70)显示,90% 的受访者认为反馈内容基本或全部属实,且 90% 表示愿意再次使用该工具。超过 30% 的受访者称 Deep Review 发现了实质性的证明错误或具有数学意义的笔误,14% 的受访者称其发现了耗时超过一小时才能修复的技术漏洞。受访作者表示,“这类工具有助于更快地产出更干净、更精确的研究成果”,并指出 Deep Review 为科学发现提供了安心保障。我们为每位用户提供两次免费的 Deep Review 服务(每周可用)。Deep Review 也已实现为 /teamwork 的文档审查模式,并集成在 Antigravity 中。关于 Deep Review 的更多详情,请参见我们的最新博客文章。
分子化学发现
除了形式化证明之外,把专门的生成 agent 与独立的验证 agent 搭配起来,还能在实验科学中实现自动化发现流程。
从实验核磁共振数据推断分子结构,是化学界最难的谜题之一。比如在HIV 蛋白酶抑制剂中,一个化学键放错位置,就把药物变成了看似相同却毫无活性的化合物。我们用 /teamwork 把 30 个专门 agent 组织成一个自我纠错的循环,并配合基于物理的谱图模拟器,在复杂的基准分子上取得了 95% 的 top-1 精确匹配率和 100% 的 top-3 准确率,几乎是单 agent 表现的两倍。这不仅让 Gemini 学会了对结构进行推理,也为后续的 3D 蛋白质及复杂结构动力学研究打下了基础。
除了这个例子,Gemini 4 博客文章中报道的核聚变应用和量子算法等科学问题,也都从 /teamwork 和 Argon 模型中受益。
生成因果推断基准
我们还把类似的多轮审计工作流用于构建实证基准。从五条人工设定的验收标准(如数据匿名化)出发,29 个运行在 Argon 上的 agent 用时 11.5 小时,把 13 张公开数据表变成了一个包含 50 个任务的因果推断基准。在这些任务中,模型需要判断一个因果效应是否可被识别,并对照已知答案进行估计。在初始检查之后,独立的审阅和审计 agent 会发现取巧的做法、标记题目描述中的暗示、否决凭空编造的脚本,并把每道题转化为永久性的测试。把这种高度依赖人工的任务生成自动化,为帮助 Gemini 回答反事实的"如果……会怎样"类问题提供了所需的难题。
编程与系统工程
当配有网络基准、游戏引擎、未修改的测试套件、硬件计时器等客观评估手段时,/teamwork 战役可以执行持续多天的软硬件工程项目。
分布式系统
借助 /teamwork 和 Argon,我们构建了FarArray,这是一种基于SNAP 微内核的低延迟、绕过内核的分片全局地址空间(Partitioned Global Address Space)。基于 FarArray 的应用包括无锁Connected Components,在 1000 万条边的图上实现了 60 到 90 倍的吞吐量提升和 40 到 180 倍的加速,且内存占用仅为 TCP 键值存储的 1/6。类似地,InstantEmbedding(个性化 PageRank)相比加速版 MapReduce 实现,峰值 DRAM 降低最高达 14 倍,运行时间缩短 11 到 27 倍。团队还利用 /teamwork 和 Argon 为图神经网络创建了自定义 TPU 内核,在正向和反向传播中实现了最高 185 倍的高带宽内存减少和 8 到 15 倍的加速。更多详情见我们最近的 Antigravity 博客文章。
自主爬坡优化
为了测试长期自主优化,Argon 上的爬坡团队从零开始训练了一个 9x9 围棋引擎,起点是一个基础的AlphaZero 实现。研究人员设定了芯片分配和评估配置,而框架则运行自主活动,以实现更快的自我对弈(达到 2300 倍加速)和更快的Elo 评分更新,并严格通过锁定记录上的统计检验来晋升冠军。在不到八天内,该引擎提升了约 2600 个 Elo 等级,达到 1885 Elo,水平介于每步 16 次和 32 次访问的KataGo 之间。
播放无声循环视频 暂停无声循环视频 取消静音 静音这是本文章中最终冠军(黑方)与 Elo 爬坡起点网络(白方)之间的一局棋。最终冠军以 22.5 目(围目计分法,贴目 7.5)获胜。这是本文章中唯一展示的一局棋。
内存安全的 Rust 重写、/boost 与 TPU 内核优化
大规模代码迁移之所以失败,往往是因为 agent 为了让出问题的移植代码通过测试,而把依赖项挖空或篡改测试。一个新的 /teamwork 重写模式(即将在 Antigravity 中推出)解决了这个问题:它确保每个模块只有在其依赖项编译通过后才会被调度,并且每个叶子模块都要链接原始、未经修改的测试套件。在最初移植 Zircon 微内核 25% 代码的基础上,一场为期两周的 Argon 战役重写了剩余的 C++ 代码,新增约 80 万行安全 Rust 代码——这些代码通过了全部内核单元测试,并能在 arm64 硬件上启动。/teamwork 还把 Google 的 AV1 视频解码器 libgav1 从 C++ 重写为约 17 万行 Rust,在广泛的符合性测试套件中实现了 100% 的比特级一致。起初移植版本比原 C++ 代码慢约 4 倍,但在让 /teamwork 使用性能分析工具、并要求它最大化样例视频片段的运行速度之后,这个 Rust 移植版在 x86_64 和 ARM 上都比原来的 C++ 和手工优化的汇编代码快了 20-30%。
对于日常编码任务,Antigravity 的 /boost 命令封装了 /teamwork 的迭代编码模式。一场长时间运行的 /teamwork 战役分析了过往的运行轨迹,发现紧耦合的代码最好通过顺序的实施和修订阶段来处理,而不是并行拆分,从而提升了 /boost 在编码任务上的表现。这也是一个 harness 为提升 token 效率而优化另一个 harness 的实例。
对于机器学习系统而言,对定制 JAX 和 Pallas TPU kernel 进行完整的硬件评估需要 7 到 32 分钟,这限制了先前优化智能体能够探索的候选方案数量。借助 Argon 上 /teamwork 的 DuoDiscover 模式,四个并行智能体识别了性能瓶颈,并构建了名为 yardsticks 的快速代理评估器,其运行时间仅为 23 秒。这些 yardsticks 生成的候选排序会通过 Kendall 等级相关系数与定期的完整硬件运行结果持续进行验证。在 17 个 JAXBench kernel 上,DuoDiscover 相比参考实现实现了 4.09 倍的几何平均加速比;在针对前沿开放权重模型的 7 个手工优化的 vLLM TPU-Inference Pallas kernel 上,其几何平均加速比达到了 2.99 倍。
Google 基础设施应用
我们还将 /teamwork 和 /boost 应用于 Google 内部众多生产环境基础设施和硬件建模问题。具体案例包括:
- 全集群内存优化:在 Argon 早期内存优化工作的基础上,我们分析了全集群指标以及过往内部内存节省的成功案例,并创建了可复用的 /teamwork 工作流,从而发现了内存节省机会,其成效超越了我们最初 1 PiB 的节省预期。我们还部署了人在环(Human-in-the-loop)内存效率监控智能体,通过结构填充消除、标量窄化、悬崖跳跃(cliff jumping)、函数外提(outlining)和带标签指针等技术,实现了额外的内存节省。
- Borg 智能体调度:基于 /teamwork 和 /boost 构建,Borg 用于调度优化的智能体工作流已成功发布了 2 项变更,在某些硬件类型上使 TPU 工作负载抢占率降低了 24%,同时保住了工作负载的服务级别目标(SLO)和集群利用率。