En colaboración con expertos en 18 problemas de investigación, una versión avanzada de Gemini Deep Think ayudó a resolver cuellos de botella de larga data en algoritmos, aprendizaje automático y optimización combinatoria, teoría de la información y economía. Los aspectos más destacados de nuestro artículo “Acelerando la investigación con Gemini” incluyen (números de sección correspondientes en el artículo):
Cruzar fronteras matemáticas para acertijos de redes: el progreso en problemas clásicos de la informática como “Max-Cut” (dividir redes de manera eficiente) y el “árbol Steiner” (conectar puntos de alta dimensión) se había ralentizado. Géminis rompió ambos puntos muertos pensando fuera de lo común. Resolvió estos acertijos algorítmicos discretos extrayendo herramientas avanzadas (como el teorema de Kirszbraun, la teoría de la medida y el teorema de Stone-Weierstrass) de ramas de la matemática continua que no tienen ninguna relación. Véanse las secciones 4.1 y 4.2. Resolviendo una conjetura de hace una década sobre la optimización submodular en línea: un artículo teórico de 2015 propuso una regla aparentemente obvia para los flujos de datos: hacer una copia de un elemento entrante siempre es menos valioso que simplemente mover el original. Los expertos lucharon durante una década para demostrarlo. Géminis diseñó un contraejemplo combinatorio de tres elementos muy específico, demostrando rigurosamente que la intuición humana de larga data era falsa. Consulte la Sección 3.1. Optimización del aprendizaje automático: entrenar a la IA para filtrar el ruido generalmente requiere que los ingenieros ajusten manualmente una “penalización” matemática. Los investigadores crearon una nueva técnica que hacía esto automáticamente, pero no podían explicar matemáticamente por qué. Gemini analizó las ecuaciones y demostró que el método tiene éxito al generar secretamente su propia “penalización adaptativa” sobre la marcha. Consulte la Sección 8.3. Actualización de la teoría económica para la IA: un ‘principio de revelación’ reciente para subastar tokens de generación de IA solo funcionó matemáticamente cuando las ofertas se restringieron a números racionales. Ampliar el dominio a números reales continuos invalidó la prueba original. Gemini empleó topología avanzada y teoría del orden para ampliar el teorema, acomodándose a la dinámica de subasta continua del mundo real. Consulte la Sección 8.4. Física de cuerdas cósmicas: calcular la radiación gravitacional de cuerdas cósmicas requiere encontrar soluciones analíticas para integrales complicadas que contienen “singularidades”. Gemini encontró una solución novedosa utilizando polinomios de Gegenbauer. Esto absorbió naturalmente las singularidades, colapsando una serie infinita en una forma cerrada, una suma finita. Consulte la Sección 6.1.
Los resultados, que abarcan diversos campos (desde la teoría de la información y la complejidad hasta la criptografía y el diseño de mecanismos), demuestran cómo la IA está cambiando fundamentalmente la investigación. Para más detalles, consulte nuestro artículo.
Dada la fluida cartera de publicaciones de la ciencia informática impulsada por conferencias, describimos estos resultados por trayectoria académica en lugar de una taxonomía rígida. Aproximadamente la mitad tiene como objetivo conferencias sólidas, incluida la aceptación de ICLR ’26, mientras que la mayoría de los hallazgos restantes se formarán en futuras presentaciones de revistas. Incluso cuando se corrige el rumbo del campo identificando errores (Sección 3.2) o refutando conjeturas (Sección 3.1), estos resultados resaltan el valor de la IA como colaborador científico de alto nivel.
El futuro de la colaboración entre humanos y IA
Sobre la base de los avances anteriores de Google (1, 2, 3, 4, 5), este trabajo demuestra que los modelos básicos generales, aprovechados con flujos de trabajo de razonamiento agente, pueden actuar como un poderoso compañero científico.
Bajo la dirección de expertos matemáticos, físicos e informáticos, el modo Gemini Deep Think está demostrando su utilidad en campos donde las matemáticas, la lógica y el razonamiento complejos son fundamentales.
Estamos siendo testigos de un cambio fundamental en el flujo de trabajo científico. A medida que Géminis evoluciona, actúa como “multiplicador de fuerza” para el intelecto humano, manejando la recuperación de conocimientos y la verificación rigurosa para que los científicos puedan centrarse en la profundidad conceptual y la dirección creativa. Ya sea refinando pruebas, buscando contraejemplos o vinculando campos desconectados, la IA se está convirtiendo en un valioso colaborador en el próximo capítulo del progreso científico.
Expresiones de gratitud
Agradecemos a la comunidad de expertos matemáticos, físicos e informáticos por su apoyo a este proyecto.
Este proyecto fue una colaboración a gran escala entre Google y su éxito se debe a los esfuerzos combinados de muchas personas y equipos. Thang Luong y Vahab Mirrokni dirigieron las direcciones generales de la investigación con la profunda experiencia técnica de Tony Feng y David Woodruff.
Los autores del primer artículo “Hacia la investigación autónoma en matemáticas” incluyen: 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 Cheng, Demis Hassabis, Koray Kavukcuoglu, Quoc V. Le, Thang Luong. Agradecemos a los siguientes expertos por sus comentarios y debates sobre el trabajo: 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
Los autores del segundo artículo, “Acelerar la investigación científica con Géminis: estudios de casos y técnicas comunes”, incluyen a 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 Matías, Jeff Dean, James Manyika, Vahab Mirrokni. Esta lista incluye a los investigadores de Google que construyen el razonamiento agente sobre Gemini y a nuestros colaboradores académicos expertos que verifican y colaboran con Gemini. También agradecemos a Corinna Cortés por su cuidadosa revisión del artículo.
Agradecemos el apoyo fundamental del resto del equipo de 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 y Honglei Zhuang.
Agradecemos a Quoc Le, Koray Kavukcuoglu, Demis Hassabis, James Manyika, Yossi Matias y Jeff Dean por patrocinar este proyecto.
Por último, pero no menos importante, agradecemos a Divy Thakkar, Adam Brown, Vinay Ramasesh, Alex Davies, Thomas Hubert, Eugénie Rives, Pushmeet Kohli y Benoit Schillings por sus comentarios y apoyo al proyecto.