Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
Ultime scoperte AI

/teamwork in Antigravity: Google apre ai ricercatori gli agenti per la matematica

Google apre /teamwork in Antigravity: agenti con falsificatori formalizzano in Lean le congetture di Weil e la decima questione di Hilbert.

Daniele Della Corte
Novembre 15, 2026
Lettura: 6 min
Lavagna con equazioni matematiche scritte a mano
fonte: unsplash photo-1509228468518

Google ha reso disponibile all’esterno /teamwork, la funzione multi-agente di Antigravity pensata per attaccare problemi aperti di matematica, chimica, software di sistema e machine learning. L’annuncio è arrivato il 13 novembre 2026 sul blog di Google Research, firmato da Vahab Mirrokni, e racconta qualcosa di più di una nuova funzione per sviluppatori: descrive un modo diverso di far lavorare insieme molti agenti e persone.

I risultati citati fanno rumore. Il sistema ha prodotto una formalizzazione in Lean delle congetture di Weil e una della decima questione di Hilbert, con centinaia di migliaia di righe di codice verificato da una macchina. Vediamo che cosa è successo davvero e che cosa cambia per te.

Che cos’è /teamwork in Antigravity

Antigravity è l’ambiente di sviluppo agentico di Google, già legato alla famiglia di modelli che abbiamo raccontato nell’articolo su Gemini 4 Hydrogen. Il comando /teamwork aggiunge a questo ambiente un sistema multi-agente: tu inquadri la domanda e definisci i vincoli, mentre gli agenti costruiscono risolutori, esplorano alternative, mettono alla prova i candidati e controllano la logica.

Secondo Google, il lavoro si affianca al comando /boost e ad altri agenti già presenti. Ricercatori e sviluppatori esterni possono usarlo da subito con i modelli Gemini 4.

Esplorazione parallela e falsificatori

Il cuore dell’approccio è l’unione tra esplorazione in parallelo e verifica. Gli agenti generano molte soluzioni candidate, ma ognuna viene sottoposta a quelli che il post chiama falsificatori: il verificatore di dimostrazioni Lean 4, le suite di test non modificate, i simulatori di esecuzione, la ricerca web e i contatori hardware.

Il punto è semplice. Un agente può sbagliare con grande sicurezza, mentre un controllo meccanico non si lascia convincere. Più il verdetto arriva da uno strumento esterno, meno devi fidarti del racconto che il modello fa di se stesso.

Contesti separati e successori freschi

Ogni agente specializzato riceve soltanto i file e gli strumenti che servono al suo passaggio. I coordinatori passano il testimone a successori con un contesto pulito, e gli agenti critici o revisori valutano i risultati senza vedere il ragionamento di chi li ha prodotti.

Questa separazione riduce un problema noto delle sessioni lunghe, cioè la deriva del contesto, e limita l’effetto per cui il revisore si lascia trascinare dagli stessi errori del produttore.

Schemi dichiarativi che si migliorano da soli

I flussi di lavoro sono scritti come schemi in linguaggio naturale, e ogni richiesta viene instradata verso quello più adatto: dimostrazioni lunghe, programmazione iterativa con /boost, revisione di documenti con Deep Review, riscrittura di codice. I team possono anche ricavare specifiche dalle trascrizioni delle esecuzioni passate e usarle per migliorare l’infrastruttura stessa.

Una delle lezioni citate è pratica: per il codice fortemente accoppiato funzionano meglio fasi sequenziali che suddivisioni parallele, e questo ha migliorato /boost.

I risultati dichiarati da Google

Il numero che colpisce di più riguarda la matematica. Il framework /teamwork-LEAP, costruito con colleghi di Google Cloud AI e basato su Gemini 4 Argon, ha prodotto in autonomia una formalizzazione end-to-end delle congetture di Weil, verificata dalla macchina, di circa 1,8 milioni di righe di Lean e 28.800 invocazioni di subagenti.

Un secondo lavoro ha sintetizzato oltre 919.000 righe di Lean per la prima formalizzazione di una dimostrazione recente della decima questione di Hilbert sugli anelli di interi generali. Il post cita anche la congettura di Courtade-Kumar, dimostrata in piena generalità con una formalizzazione Lean di circa 50 milioni di righe.

Se ti interessa il filone della verifica formale, trovi un precedente utile nel nostro approfondimento su AlphaProof Code di DeepMind.

Chimica, codice e chip

Fuori dalla matematica i numeri sono ugualmente concreti. In chimica, 30 agenti con un simulatore spettrale basato sulla fisica hanno raggiunto il 95% di corrispondenza esatta al primo tentativo e il 100% nei primi tre su molecole complesse di un benchmark NMR, quasi il doppio di un singolo agente.

Sul fronte del software, Google parla di circa 800.000 righe di Rust sicuro aggiunte al microkernel Zircon e di un porting in Rust di libgav1, lungo 170.000 righe, con conformità bit-exact del 100% e prestazioni più alte del 20-30% rispetto all’originale in C++. Sui kernel per TPU, il pattern DuoDiscover ha ottenuto un miglioramento medio geometrico di 4,09 volte su 17 kernel di JAXBench.

Anche l’infrastruttura interna beneficia del sistema: modifiche allo scheduling di Borg hanno ridotto del 24% la prelazione dei carichi TPU su alcuni tipi di hardware, e gli interventi sulla memoria hanno superato la stima iniziale di 1 PiB di risparmio.

Deep Review e la peer review

Deep Review è la parte che tocca più da vicino chi pubblica ricerca. Hanno aderito 578 articoli inviati a STOC 2027, e in un sondaggio su 70 autori il 90% ha giudicato il riscontro in gran parte o quasi del tutto fattuale.

Il campione è piccolo e autoselezionato, come ammette lo stesso post, quindi va letto come un segnale e non come una prova definitiva.

Limiti e cautele da non ignorare

Il post è onesto su alcuni punti che conviene tenere a mente. Le persone continuano a stabilire l’inquadratura del problema e i vincoli, e nei lavori formali i matematici devono confermare che l’enunciato in Lean corrisponda davvero al problema originale. Una dimostrazione verificata di un enunciato sbagliato resta una dimostrazione inutile.

Gli autori hanno poi verificato, semplificato e rivisto gli esiti dei problemi aperti prima della pubblicazione. Il risultato sul motore di Go, circa 2.600 punti Elo guadagnati in meno di otto giorni fino a 1.885, deriva da una singola partita dimostrativa, e le scelte su chip e valutazione sono state fatte da ricercatori umani.

Aggiungo una considerazione personale: sono numeri dichiarati da chi ha sviluppato lo strumento, e finché terze parti non li riproducono su problemi propri è prudente trattarli come un’ottima dimostrazione di fattibilità. Non come un risultato indipendente.

Disponibilità e accesso

I modelli Gemini 4 con /teamwork, /boost e Deep Review sono disponibili ora per gli utenti esterni in Antigravity. I ricercatori possono candidarsi per sei mesi di accesso gratuito al livello di utilizzo più alto, e il post parla di 10.000 ricercatori accademici a cui verrà offerta questa possibilità. Deep Review prevede due chiamate gratuite a settimana.

Arriveranno presto anche lo schema per le dimostrazioni formali, uno per le riscritture sicure in memoria e altri flussi specializzati, con tutorial sul blog di Antigravity. Alcune funzioni non sono ancora disponibili all’esterno.

Perché conta per chi lavora con l’AI

Per chi si occupa di SEO, marketing o sviluppo, la lezione non sta nella congettura di Weil. Sta nel metodo: agenti con contesti separati, revisori che non vedono il ragionamento del produttore e verifiche affidate a strumenti deterministici. È lo stesso principio che puoi applicare a un flusso editoriale o a una pipeline di automazione, dove ogni passaggio generato da un modello viene controllato da un test o da una fonte esterna.

Il quadro competitivo si muove nella stessa direzione. Anche Anthropic punta sulla ricerca scientifica assistita, come abbiamo visto con le venti collaborazioni del programma AI for Science, e la gara si sposta dal singolo modello al sistema che lo circonda.

Un secondo effetto riguarda i costi di accesso. Offrire mesi di utilizzo gratuito a migliaia di accademici significa generare casi d’uso, articoli e feedback che Google potrà riportare nel prodotto, un meccanismo già visto in altre fasi del mercato.

Conclusioni

/teamwork mostra che il valore degli agenti cresce quando sono organizzati con ruoli, contesti separati e controlli indipendenti, più che quando si limitano a chiacchierare in parallelo. I risultati su Weil e Hilbert sono impressionanti, ma restano da replicare e richiedono sempre un umano che confermi la correttezza dell’enunciato.

Se fai ricerca o sviluppi software, vale la pena candidarti all’accesso gratuito e provare Deep Review sui tuoi testi. Se invece lavori sui contenuti, prendi spunto dall’architettura e costruisci i tuoi falsificatori. Seguici per i prossimi aggiornamenti: ti racconteremo come evolvono gli strumenti multi-agente. Fonte primaria: il post di Google Research su /teamwork in Antigravity.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza