Co-Matematico AI di Google: il workbench matematico agentico di DeepMind

Nel maggio 2026, i ricercatori di Google DeepMind hanno pubblicato un preprint su arXiv intitolato "AI co-mathematician: Accelerating mathematicians with agentic AI", che descrive un workbench di AI agentica in grado di orchestrare l’intero ciclo di lavoro matematico, inclusi ideazione, ricerca bibliografica, calcolo, tentativi di dimostrazione e costruzione teorica.

Il co-matematico AI, attualmente in rilascio limitato a un gruppo selezionato di ricercatori, non è in sé un risolutore o una chatbot, ma uno spazio di lavoro stateful che orchestra il workflow matematico non lineare e disordinato. Gestisce thread di ricerca in parallelo, tiene traccia dell’incertezza e conserva i tentativi falliti per riferimento futuro. Gli output sono in LaTeX, il formato standard usato nella ricerca in matematica e fisica.

È costruito su Gemini 3.1. Al momento utilizza Gemini Deep Think internamente per i tentativi di dimostrazione e si integra con l’esecuzione Python per l’esplorazione computazionale. Non incorpora ancora i motori matematici specializzati di DeepMind (AlphaProof, AlphaEvolve, Aletheia) come componenti interni, ma è progettato per farlo in futuro.

Perché il co-matematico AI è importante?

I matematici usano gli LLM per vari compiti:

• Revisione della letteratura
• Abbozzo informale di dimostrazioni
• LaTeX di routine
• Codice esplorativo

Usano strumenti di AI, come gli assistenti di dimostrazione formale, per verificare le prove in modo meccanico. 

Sebbene ciascuno strumento sia forte in una parte del workflow complessivo, il matematico deve assemblarne i risultati in modo ad hoc. Finora non c’era uno strumento infrastrutturale per orchestrare il processo non lineare che i matematici usano.

Come funziona il co-matematico AI

Il modello di workflow è liberamente adattato dagli strumenti di coding AI, come Claude Code o Codex. Tuttavia, questo flusso non si può trasferire direttamente. Il software ha una specifica e una suite di test. La ricerca matematica è non lineare. L’obiettivo può essere vago o indefinito all’inizio, e i risultati lungo il percorso possono ridefinire del tutto la domanda.

Il workflow del co-matematico è alimentato da un sistema multi‑agente e funziona così:

1. Esplorazione iniziale. Invece di richiedere un prompt perfetto one-shot, il ricercatore ha un dialogo interattivo con il sistema per affinare gli obiettivi di alto livello e formalizzare la domanda di ricerca. Questo rende esplicita l’intenzione di ricerca prima che il lavoro inizi.
2. Revisione della letteratura. Il co-matematico esegue una revisione bibliografica, identifica gli articoli chiave ed estrae dimostrazioni e tecniche matematiche rilevanti.
3. Framework computazionale. Il co-matematico crea una libreria Python computazionale, con casi dimostrativi e test associati.
4. Esecuzione della ricerca. Dopo aver creato il framework computazionale, la libreria personalizzata viene importata e scala la ricerca su un cluster cloud. Fornisce al ricercatore report di avanzamento ad alto livello senza sommergerlo in log di basso livello.
5. Output finale. L’output finale è una relazione in LaTeX compilata. Questo report spiega il processo di scoperta, non solo il risultato, e usa annotazioni a margine per collegare le affermazioni a riferimenti specifici o output di codice. Un report è contrassegnato come finalizzato solo dopo l’approvazione di tutti gli agenti revisori. I report che non superano la revisione sono comunque mostrati al ricercatore, segnalati come irrisolti: è così che la dimostrazione difettosa è arrivata a Lackenby.

Architettura dei flussi di lavoro del co-matematico AI

L’architettura del co-matematico AI è un sistema multi‑agente con un agente coordinatore del progetto di livello superiore e sottoagenti specializzati.

Coordinamento del workflow

Prima di intraprendere qualsiasi lavoro sul problema, il coordinatore del progetto apre un dialogo con il ricercatore per affinare l’obiettivo tramite domande chiarificatrici. Per esempio, un ricercatore che chiede limiti superiori per il "problema del divano", una questione aperta in geometria computazionale, potrebbe doversi focalizzare su una variante o sull’altra, o su entrambe. L’obiettivo preciso e concordato definisce l’ambito del problema prima di inviare gli agenti.

Una volta stabilito l’obiettivo, il coordinatore assegna il lavoro ad agenti e sottoagenti, che operano in parallelo salvo dipendenze. Un agente esegue la revisione bibliografica, un altro costruisce il framework computazionale e un altro ancora effettua la ricerca. C’è però una dipendenza: la ricerca non può essere eseguita finché non esiste la libreria personalizzata del framework computazionale.

Evitare le allucinazioni

Gli agenti standard spesso trovano scorciatoie invalide, inventano lemmi o dichiarano vittoria prematuramente. Il co-matematico AI impiega meccanismi per evitare queste carenze, inclusi agenti revisori. 

Per esempio, se lo spazio di ricerca esplode durante l’esplorazione computazionale, il sottoagente di coding non può contrassegnare il codice come finito finché tutti i test non passano e l’agente revisore non ne accetta i risultati, bloccando di fatto il workflow. Questa esplorazione fallita viene registrata e inviata al coordinatore del progetto, che quindi avvisa il ricercatore nella chat. Il ricercatore può così suggerire un altro approccio.

Questi vicoli ciechi non sono solo registrati; sono trattati come informazione. Sono tracciati per versione e conservati come parte del registro di ricerca. In matematica, un approccio fallito spesso rivela un vincolo o indica un percorso diverso.

Durante tutto il processo, il coordinatore filtra per impostazione predefinita il rumore di basso livello, ma il ricercatore può approfondire qualsiasi flusso di lavoro e modificarlo se necessario.

Primi casi d’uso e modalità di collaborazione

Alcuni casi iniziali riflettono diverse modalità di collaborazione: una dimostrazione difettosa che ha sbloccato un’intuizione umana, un commento a margine che ha riformulato una domanda e un rapido rilevamento di un vicolo cieco che ha evitato una settimana di lavoro mal indirizzato.

Riparare una dimostrazione che il sistema ha segnalato come errata

Marc Lackenby, professore di matematica all’Università di Oxford, ha applicato il sistema a un problema del Kourovka notebook (un compendio di problemi di ricerca aperti in teoria dei gruppi). L’AI ha tentato una dimostrazione, un agente revisore ha individuato un difetto nella prova e lo ha segnalato a Lackenby. Lui sapeva come colmare la lacuna.

Questo passaggio di consegne è il punto. Un umano ha colto ciò che la macchina ha mancato, e la macchina ha svolto il grosso del lavoro attorno a questo. 

Seguire un commento a margine verso una nuova intuizione

Un altro professore di matematica, Gergely Bérczi, ha studiato un problema riguardante congetture sui coefficienti di Stirling. Per la revisione iniziale, ha fornito al co-matematico AI l’argomento, il contesto, i metodi attualmente noti e una possibile direzione suggerita da esperimenti con AlphaEvolve. 

Il co-matematico AI ha prodotto dimostrazioni (attualmente in revisione matematica umana) per due delle congetture, insieme a evidenze computazionali dettagliate a supporto delle affermazioni. Bérczi ha riferito che il sistema lo ha aiutato con un commento a margine nel documento finale che lo ha messo in guardia su un’intuizione chiave, che ha poi approfondito nell’interfaccia di chat.

Individuare un vicolo cieco prima che costasse una settimana

Infine, Semon Rezchikov ha posto un problema tecnico sui diffeomorfismi hamiltoniani. Lui e il coordinatore del progetto hanno discusso il problema finché non hanno concordato una definizione precisa del compito. La relazione prodotta dall’AI includeva un lemma chiave con dimostrazione (poi verificata) che ha sostanzialmente risolto la questione. 

Nel frattempo, è stato esplorato un approccio che però è arrivato a un vicolo cieco. L’AI è arrivata al vicolo cieco molto più in fretta del solito, evitando così di sprecare una settimana a inseguire una strada chiusa. Il sistema ha compresso una settimana di sforzi sprecati in poche ore.

Risultati del benchmark FrontierMath

Il co-matematico AI è uno strumento di workflow, non uno strumento di risoluzione di problemi matematici in sé. Tuttavia, per gli autori è importante mostrare benchmark elevati per vari motivi:

• Per mostrare che il motore matematico sottostante è abbastanza capace da essere un collaboratore utile nella matematica di frontiera.
• Per dimostrare che i benchmark forniscono un ambiente controllato per misurare quanto aggiunge il livello di orchestrazione.
• Per fornire un sostituto della misura di efficacia collaborativa, dato che al momento non esiste uno standard.

I risultati: il co-matematico AI ha ottenuto il 48% su FrontierMath Tier 4, un benchmark a livello di ricerca. Questo è il punteggio più alto riportato, incluso il Gemini 3.1 Pro di Google, che ha ottenuto il 19% sullo stesso test, stesso tier. Epoch AI ha rilevato errori in circa un terzo dei problemi di FrontierMath (tra i Tier 1–4) e sta conducendo una revisione umana.

Il co-matematico AI ha ottenuto l’87% in un benchmark interno di Google composto da 100 problemi di matematica a livello di ricerca non trapelati, con risposte verificabili tramite codice e forniti da matematici professionisti, mentre Gemini 3.1 Pro ha ottenuto il 57% e Gemini 3.1 Deep Think il 70%.

Limitazioni note del co-matematico AI

L’articolo è trasparente su limitazioni strutturali:

• Il controllo qualità principale proviene da agenti revisori e agenti di dimostrazione. Il ciclo di revisione avversariale può mostrare un bias compiacente verso il revisore, in cui gli agenti convergono su argomentazioni che soddisfano l’agente revisore più che essere corrette. Questa è una vera vulnerabilità strutturale.
• L’output LaTeX rifinito può creare un falso senso di rigore. Un documento ben formattato sembra finito, a prescindere che la matematica sottostante sia corretta o meno.
• Il sistema funziona bene solo quando il ricercatore è veramente un esperto del dominio. C’è il rischio che un non esperto affidi un problema vago al sistema e ne accetti ciecamente l’output.
• Le dimostrazioni dell’AI richiedono ancora verifica umana. Le dimostrazioni di Bérczi, per esempio, erano ancora in revisione umana al momento della pubblicazione.

Considerazioni finali

Il co-matematico AI segna un passaggio dal chiedere all’AI di risolvere un problema al lavorare con l’AI nel processo iterativo e disordinato della ricerca matematica. Il vero collo di bottiglia è l’infrastruttura di workflow che rispecchia il modo in cui i matematici lavorano davvero.

Se vuoi costruire tu stesso sistemi agentici come questo, i percorsi di DataCamp Associate AI Engineer for Developers e Associate AI Engineer for Data Scientists sono un buon punto di partenza.