Ridefinire il futuro della ricerca scientifica: Google DeepMind | Intelligenza-Artificiale

Collaborando con esperti su 18 problemi di ricerca, una versione avanzata di Gemini Deep Think ha contribuito a risolvere i colli di bottiglia di lunga data tra algoritmi, ML e ottimizzazione combinatoria, teoria dell’informazione ed economia. Punti salienti del nostro Articolo “Accelerare la ricerca con Gemini”. includere (numeri di sezione corrispondenti nel documento):

1. Attraversare i confini matematici per i puzzle di rete: I progressi sui classici problemi dell’informatica come “Max-Cut” (divisione efficiente delle reti) e “Steiner Tree” (connessione di punti ad alta dimensione) erano rallentati. I Gemelli hanno sbloccato entrambe le situazioni di stallo pensando fuori dagli schemi. Ha risolto questi enigmi algoritmici discreti estraendo strumenti avanzati – come il teorema di Kirszbraun, la teoria della misura e il teorema di Stone-Weierstrass – da rami completamente indipendenti della matematica continua. Vedere Sezioni 4.1 e 4.2.
2. Risolvere una congettura vecchia di dieci anni sull’ottimizzazione submodulare online: UN Documento teorico del 2015 ha proposto una regola apparentemente ovvia per i flussi di dati: fare una copia di un elemento in arrivo ha sempre meno valore che semplicemente spostare l’originale. Gli esperti hanno lottato per un decennio per dimostrarlo. Gemini ha progettato un controesempio combinatorio di tre elementi altamente specifico, dimostrando rigorosamente che l’intuizione umana di lunga data è falsa. Vedere Sezione 3.1.
3. Ottimizzazione dell’apprendimento automatico: Addestrare l’intelligenza artificiale a filtrare il rumore di solito richiede agli ingegneri di mettere a punto manualmente una “penalità” matematica. I ricercatori hanno creato una nuova tecnica che lo faceva automaticamente, ma non riuscivano a spiegare matematicamente il perché. Gemini ha analizzato le equazioni e ha dimostrato che il metodo ha successo generando segretamente e al volo la propria “penalità adattativa”. Vedere Sezione 8.3.
4. Aggiornamento della teoria economica per l’intelligenza artificiale: Un recente “Principio di rivelazione” per la messa all’asta di token di generazione dell’intelligenza artificiale funzionava matematicamente solo quando le offerte erano limitate a numeri razionali. L’estensione del dominio ai numeri reali continui invalidava la dimostrazione originale. Gemini ha utilizzato la topologia avanzata e la teoria dell’ordine per estendere il teorema, adattandolo alle dinamiche d’asta continue del mondo reale. Vedere Sezione 8.4.
5. Fisica delle stringhe cosmiche: Per calcolare la radiazione gravitazionale delle stringhe cosmiche è necessario trovare soluzioni analitiche a integrali complicati contenenti “singolarità”. Gemini ha trovato una nuova soluzione utilizzando i polinomi di Gegenbauer. Questo naturalmente ha assorbito le singolarità, facendo collassare una serie infinita in una forma chiusa, somma finita. Vedere Sezione 6.1.

Spaziando in diversi campi, dalla teoria dell’informazione e della complessità alla crittografia e alla progettazione dei meccanismi, i risultati dimostrano come l’intelligenza artificiale stia cambiando radicalmente la ricerca. Per i dettagli, vedere il nostro giornale.

Considerato il flusso di pubblicazioni fluido e guidato dalle conferenze dell’informatica, descriviamo questi risultati secondo una traiettoria accademica piuttosto che attraverso una tassonomia rigida. Circa la metà si rivolge a conferenze importanti, inclusa l’accettazione dell’ICLR ’26, mentre la maggior parte dei risultati rimanenti formerà futuri contributi a riviste. Anche quando si corregge il campo identificando gli errori (Sezione 3.2) o confutare congetture (Sezione 3.1), questi risultati evidenziano il valore dell’intelligenza artificiale come collaboratore scientifico di alto livello.

Il futuro della collaborazione uomo-intelligenza artificiale

Basandosi sulle precedenti scoperte di Google (1, 2, 3, 4, 5), questo lavoro dimostra che i modelli di base generali, sfruttati con flussi di lavoro di ragionamento agentico, possono fungere da potente compagno scientifico.

Sotto la guida di esperti matematici, fisici e informatici, la modalità Gemini Deep Think sta dimostrando la sua utilità in campi in cui la matematica complessa, la logica e il ragionamento sono fondamentali.

Stiamo assistendo a un cambiamento fondamentale nel flusso di lavoro scientifico. Man mano che Gemini si evolve, agisce come un “moltiplicatore di forza” per l’intelletto umano, gestendo il recupero della conoscenza e la verifica rigorosa in modo che gli scienziati possano concentrarsi sulla profondità concettuale e sulla direzione creativa. Che si tratti di perfezionare dimostrazioni, cercare controesempi o collegare campi sconnessi, l’intelligenza artificiale sta diventando un prezioso collaboratore nel prossimo capitolo del progresso scientifico.

Ringraziamenti

Ringraziamo la comunità di esperti matematici, fisici e informatici per il loro supporto a questo progetto.

Questo progetto è stato una collaborazione su larga scala tra Google e il suo successo è dovuto agli sforzi congiunti di molti individui e team. Thang Luong e Vahab Mirrokni hanno guidato le direzioni generali della ricerca con le profonde competenze tecniche di Tony Feng e David Woodruff.

La risposta è “Coloro che significa Apict per l’Aikacastel in Ampire, Ampire, Galmar. Pastbathsah, Questa è la famiglia, Jonathan e Kamah, mi, Kami, Kwchah, Slai e Jeba,. Hathday, Korahgre, Dluvi. Un serpente su Wednes è confermato nella seguente fiducia e poesie. Jim: Il figlio di Vahthi ha contribuito al Couarite, Medu, il Levita, Mesuch, Cubel e i Mesaliti, Mepograpal, Salch, il padre levita

Gli autori del secondo articolo “Acchelerating Scientific Research with Gemini: Case Studies and common technologies” includevano David P. Woodruff, Vincent Cohen-Addad, Lalit Jain, Jieming Mao, Song zuo, Mohammadhossein Bateni, Cement of Branzei, Michael P. Brener, Lin chen, ying feng, looking fort, gang f, ziyi guan, zahra hadizadeh, MOHAMMAD T. Hajiaghayi, Mahdi Jafariraviz, Adel Javanmard, Karthik CS, Ken-chike Kawarabayashi, Ravio Lattanzi, Euiwog Lee, yi li, Ioans panageas, dimitris paparas, benjamin przybocki, bernardo subercaseaux, ola svensson, shayan tarijam, xan wu, xan yogev, morteza Zadimoghdam, Samson Zhou, Yosi Mathias, Jeff Dean, Vahab Mirrokni. Questo elenco include i ricercatori di Google che sviluppano il ragionamento agentico su Gemini e i nostri collaboratori esperti accademici che verificano e collaborano con Gemini. Abbiamo anche ringraziato Corner per la sua attenta revisione del documento.

Siamo grati per il supporto fondamentale del resto del team DeepThink: Anirudh Baddepudi, Michael Brenner, Irene Cai, Kristen Chiafullo, Paul Covington, Rumen Dangovski, Chenjie Gu, Huan Gui, Vihan Jain, Rajesh Jayaram, Melvin Johnson, Rosemary Ke, Maciej Kula, Nate Kushman, Jane Labanowski, Steve Li, Pol Moreno, Sidharth Mudgal, William Nelson, Ada Maksutaj Oflazer, Sahitya Potluri, Navneet. Potti, Shubha Raghvendra, Siamak Shakeri, Archit Sharma, Xinying Song, Mukund Sundararajan, Qijun Tan, Zak Tsai, Theophane Weber, Winnie Xu, Zicheng Xu, Junwen Yao, Shunyu Yao, Adams Yu, Lijun Yu e Honglei Zhuang.

Abbiamo ringraziato Quoc Le, Koray Kavukcuoglu, Demis Hassabs, James Manyika, Yossi Mattias e Jeff Dean per aver sponsorizzato questo progetto.

Ultimo ma non meno importante, ringraziamo Divy Thakkar, Adam Brown, Vinay Ramasesh, Alex Davies, Thomas Hubert, Eugénie Rives, Pushmeet Kohli, Benoit Schillings per il feedback e il supporto al progetto.