Colaborando com especialistas em 18 problemas de pesquisa, uma versão avançada do Gemini Deep Think ajudou a resolver gargalos de longa data em algoritmos, ML e otimização combinatória, teoria da informação e economia. Destaques do nosso Artigo “Acelerando a Pesquisa com Gemini” incluir (números de seção correspondentes no papel):

1. Cruzando fronteiras matemáticas para quebra-cabeças de rede: O progresso em problemas clássicos da ciência da computação, como “Max-Cut” (dividir redes com eficiência) e “Steiner Tree” (conectar pontos de alta dimensão) desacelerou. Gêmeos quebrou os dois impasses pensando fora da caixa. Ele resolveu esses quebra-cabeças algorítmicos discretos extraindo ferramentas avançadas – como o teorema de Kirszbraun, a teoria da medida e o teorema de Stone-Weierstrass – de ramos totalmente não relacionados da matemática contínua. Ver Seções 4.1 e 4.2.
2. Resolvendo uma conjectura de uma década sobre otimização submodular online: Um Artigo teórico de 2015 propuseram uma regra aparentemente óbvia para fluxos de dados: fazer uma cópia de um item que chega é sempre menos valioso do que simplesmente mover o original. Os especialistas lutaram durante uma década para provar isso. Gêmeos projetou um contra-exemplo combinatório altamente específico de três itens, provando rigorosamente que a intuição humana de longa data era falsa. Ver Seção 3.1.
3. Otimização de aprendizado de máquina: Treinar a IA para filtrar ruídos geralmente exige que os engenheiros ajustem manualmente uma “penalidade” matemática. Os pesquisadores criaram uma nova técnica que fazia isso automaticamente, mas não conseguiam explicar matematicamente o porquê. Gemini analisou as equações e provou que o método é bem-sucedido, gerando secretamente sua própria “penalidade adaptativa” em tempo real. Ver Seção 8.3.
4. Atualizando a teoria econômica para IA: Um recente “Princípio da Revelação” para leiloar tokens de geração de IA só funcionou matematicamente quando os lances eram restritos a números racionais. Estender o domínio para números reais contínuos invalidou a prova original. Gemini empregou topologia avançada e teoria de ordem para estender o teorema, acomodando a dinâmica de leilão contínua do mundo real. Ver Seção 8.4.
5. Física das cordas cósmicas: Calcular a radiação gravitacional de cordas cósmicas requer encontrar soluções analíticas para integrais complicadas contendo “singularidades”. Gemini encontrou uma nova solução usando polinômios de Gegenbauer. Isso absorveu naturalmente as singularidades, colapsando uma série infinita em uma forma fechada, soma finita. Ver Seção 6.1.

Abrangendo diversos campos – desde a teoria da informação e da complexidade até à criptografia e à concepção de mecanismos – os resultados demonstram como a IA está a mudar fundamentalmente a investigação. Para obter detalhes, consulte nosso jornal.

Dado o fluxo de publicações fluido e orientado por conferências da ciência da computação, descrevemos esses resultados pela trajetória acadêmica, em vez de uma taxonomia rígida. Cerca de metade tem como alvo conferências fortes – incluindo uma aceitação do ICLR ’26 – enquanto a maioria das descobertas restantes formarão futuras submissões de periódicos. Mesmo ao corrigir o curso do campo identificando erros (Seção 3.2) ou refutando conjecturas (Seção 3.1), estes resultados destacam o valor da IA ​​como colaboradora científica de alto nível.

O futuro da colaboração humano-IA

Com base nas inovações anteriores do Google (1, 2, 3, 4, 5), este trabalho demonstra que modelos básicos gerais – alavancados com fluxos de trabalho de raciocínio de agente – podem atuar como um companheiro científico poderoso.

Sob a direção de matemáticos, físicos e cientistas da computação especialistas, o modo Gemini Deep Think está provando sua utilidade em campos onde matemática, lógica e raciocínio complexos são essenciais.

Estamos testemunhando uma mudança fundamental no fluxo de trabalho científico. À medida que o Gemini evolui, ele atua como “multiplicador de força” para o intelecto humano, lidando com a recuperação de conhecimento e a verificação rigorosa para que os cientistas possam se concentrar na profundidade conceitual e na direção criativa. Seja refinando provas, procurando contra-exemplos ou ligando campos desconectados, a IA está a tornar-se um colaborador valioso no próximo capítulo do progresso científico.

Agradecimentos

Agradecemos à comunidade de matemáticos, físicos e cientistas da computação especialistas pelo apoio a este projeto.

Este projeto foi uma colaboração em larga escala entre o Google e seu sucesso se deve aos esforços combinados de muitos indivíduos e equipes. Thang Luong e Vahab Mirrokni lideraram as direções gerais da pesquisa com profundo conhecimento técnico de Tony Feng e David Woodruff.

Os autores do primeiro artigo “Towards Autonomous Mathematics Research” incluem: Tony Feng, Trieu H. Trinh, Garrett Bingham, Dawsen Hwang, Yuri Chervonyi, Junehyuk Jung, Joonkyung Lee, Carlo Pagano, Sang-hyun Kim, Federico Pasqualotto, Sergei Gukov, Jonathan N. Lee, Junsu Kim, Kaiying Hou, Golnaz Ghiasi, Yi Tay, Yaguang Li, Chenkai Kuang, Yuan Liu, Hanzhao (Maggie) Lin, Evan Zheran Liu, Nigamaa Nayakanti, Xiaomeng Yang, Heng-tze Hassabis, Koray Kavukcuoglu, Quoc V. Le, Thang Luong. Agradecemos aos seguintes especialistas pelos comentários e discussões sobre o trabalho:   Jarod Alper, Kevin Barreto, Thomas Bloom, Sourav Chatterjee, Otis Chodosh, Michael Harris, Michael Hutchings, Seongbin Jeon, Youngbeom Jin, Aiden Yuchan Jung, Jiwon Kang, Jimin Kim, Vjekoslav Kovač, Daniel Litt, Ciprian Manolescu, Mona Merling, Agustin Moreno, Carl Schildkraut, Johannes Schmitt, Insuk Seo, Jaehyeon Seo, Cheng-Chiang Tsai, Ravi Vakil, Zhiwei Yun, Shengtong Zhang, Wei Zhang, Yufei Zhao

Os autores do segundo artigo “Acelerando a Pesquisa Científica com Gêmeos: Estudos de Caso e Técnicas Comuns” incluem David P. Woodruff, Vincent Cohen-Addad, Lalit Jain, Jieming Mao, Song Zuo, MohammadHossein Bateni, Simina Branzei, Michael P. Brenner, Lin Chen, Ying Feng, Lance Fortnow, Gang Fu, Ziyi Guan, Zahra Hadizadeh, Mohammad T. Hajiaghayi, Mahdi JafariRaviz, Adel Javanmard, Karthik CS, Ken-ichi Kawarabayashi, Ravi Kumar, Silvio Lattanzi, Euiwoong Lee, Yi Li, Ioannis Panageas, Dimitris Paparas, Benjamin Przybocki, Bernardo Subercaseaux, Ola Svensson, Shayan Taherijam, Xuan Wu, Eylon Yogev, Morteza Zadimoghaddam, Samson Zhou, Yossi Matias, Jeff Dean, James Manyika, Vahab Mirrokni. Esta lista inclui pesquisadores do Google que constroem o raciocínio agente com base no Gemini e nossos colaboradores especialistas acadêmicos que verificam e colaboram com o Gemini. Agradecemos também a Corinna Cortes pela cuidadosa revisão do artigo.

Somos gratos pelo apoio fundamental do restante da equipe 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.

Agradecemos a Quoc Le, Koray Kavukcuoglu, Demis Hassabis, James Manyika, Yossi Matias e Jeff Dean por patrocinarem este projeto.

Por último, mas não menos importante, agradecemos a Divy Thakkar, Adam Brown, Vinay Ramasesh, Alex Davies, Thomas Hubert, Eugénie Rives, Pushmeet Kohli e Benoit Schillings pelo feedback e apoio ao projeto.