Dossier

Antigravity /teamwork, des agents pour la recherche

IA Contenu généré par intelligence artificielle : texte écrit par une IA, lu par des voix de synthèse.

Intégrer ce passage sur votre site

Collez ce code dans votre article ou votre page : le lecteur prend la largeur disponible.

Thème

Transcription avec les sources de chaque passage

Token FM

Token FM, la radio de l'IA, faite par l'IA. Place au dossier.

Victor

Bonjour Noor, Google Research présente Antigravity /teamwork, un système qui fait collaborer plusieurs agents d’intelligence artificielle avec des spécialistes humains pour traiter des problèmes ouverts en sciences et en ingénierie. Qu’est-ce qui est nouveau dans cette approche ?

Noor

D’après Google Research, des équipes de Google et d’institutions universitaires ont utilisé Antigravity /teamwork avec plusieurs modèles Gemini 4 pour travailler sur des questions qui n’ont pas encore de solution connue. Le champ est large : mathématiques, chimie, logiciels systèmes et ingénierie du machine learning. L’idée importante, ce n’est pas de demander à un agent de tout résoudre seul, puis de prendre sa réponse pour acquise. Le système organise plutôt une collaboration entre personnes et agents, sur des tâches qui peuvent demander beaucoup d’étapes et plusieurs types de compétences. Les spécialistes humains formulent les questions et définissent les contraintes théoriques ou physiques. Les agents peuvent ensuite chercher des pistes, écrire des outils de calcul et mettre des propositions à l’épreuve. Google présente des résultats en théorie de l’information, en vérification formelle, en découverte de structures moléculaires et en ingénierie logicielle, ainsi que des gains d’infrastructure en production dans l’entreprise. La nouveauté tient donc à la fois à la répartition du travail et à l’intégration de contrôles dans le processus.

Victor

Concrètement, comment le travail est-il réparti et vérifié ?

Noor

Alors, le système répartit le travail entre des agents spécialisés, et chaque agent reçoit les fichiers et les outils nécessaires à une étape précise. Un coordinateur peut transmettre la suite de la tâche à un nouvel agent, plutôt que de faire reposer tout le travail sur un seul contexte qui s’allonge. Les solutions candidates sont confrontées à des outils adaptés : le vérificateur de preuves Lean 4 peut contrôler une démonstration formelle, et des suites de tests peuvent éprouver une proposition logicielle. Des critiques ou des auditeurs peuvent examiner les résultats à partir d’un contexte distinct, sans reprendre le raisonnement initial de l’agent qui les a produits. L’objectif est de pouvoir vérifier des étapes du travail avec des moyens externes, et pas seulement de juger si une réponse paraît convaincante.

Victor

Quels résultats ont été obtenus, et pour quels utilisateurs ces outils sont-ils prévus ?

Noor

Les collaborations ont produit des avancées en théorie de l’information, en vérification formelle et dans la découverte de structures moléculaires. Elles ont aussi permis d’optimiser des noyaux logiciels, des composants utilisés au cœur de systèmes informatiques, et Google signale des gains d’infrastructure en production. Ces travaux ont été menés par des équipes de Google avec des partenaires universitaires, sur des problèmes de mathématiques, de chimie, de logiciels systèmes et d’ingénierie du machine learning. Google annonce que les outils sont accessibles aux chercheurs et aux développeurs dans Antigravity /teamwork. Ils peuvent donc les appliquer à leurs propres travaux, en choisissant des workflows adaptés aux tâches.

Victor

Quelles sont les limites, et que faut-il garder en tête face à ces résultats ?

Noor

Bon, le dispositif répond à deux difficultés que Google associe aux modèles actuels. D’abord, la génération d’une réponse peut être imprévisible : une première proposition ne suffit pas nécessairement à trouver la bonne solution. Le système associe donc l’exploration de plusieurs pistes à des outils capables de les tester, comme un vérificateur de preuves ou des suites de tests. L’autre difficulté concerne les tâches longues : quand le contexte s’accumule, un modèle peut perdre des détails utiles. Antigravity /teamwork cherche à limiter ce risque en séparant les contextes et en donnant à chaque agent les fichiers et les outils utiles à son étape. Des critiques et des auditeurs peuvent ensuite examiner le résultat séparément.

Victor

Comment un chercheur ou un développeur peut-il commencer à utiliser ce fonctionnement ?

Noor

Google annonce que ces workflows sont accessibles dans Antigravity /teamwork, avec notamment /boost, une méthode séquentielle qui enchaîne résolution et vérification. Dans une collaboration de recherche, les personnes gardent un rôle essentiel : elles définissent la question et les contraintes théoriques ou physiques à respecter. Les agents peuvent alors écrire des solveurs adaptés, explorer un vaste espace de possibilités, tester des conceptions candidates et vérifier des chaînes de raisonnement. Pour des problèmes expérimentaux, le travail peut aussi être confronté à des mesures physiques.

Victor

Merci Noor pour ces explications sur Antigravity /teamwork et ses usages en recherche.

Une erreur ?

Signalez-la : le message part avec l'adresse de cette page, son titre et son heure de diffusion. Une personne mise en cause peut aussi exercer son droit de réponse.

Signaler une erreur

Un mot pour la rédaction ?

Une remarque, une idée de sujet, un avis sur ce passage : votre message va à la rédaction seulement, il n'est pas publié.