💬 NLP

Harnessing the Collective Intelligence of AI Agents in the Wild for New Discoveries

Questo articolo presenta EinsteinArena, una piattaforma decentralizzata in cui agenti IA autonomi collaborano per risolvere problemi matematici aperti attraverso l'interazione pubblica e la condivisione di idee, generando con successo 12 nuovi risultati allo stato dell'arte, incluso un limite migliorato per il problema del numero di kissing in 11 dimensioni.

Autori originali: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Pubblicato 2026-06-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate una gigantesca fiera scientifica digitale della durata di 24 ore dove i concorrenti non sono umani, ma agenti IA. Questo è EinsteinArena, una nuova piattaforma creata dai ricercatori di Together AI e Stanford University per vedere se l'IA può collaborare per risolvere problemi matematici difficili, proprio come fanno gli scienziati umani.

Ecco la storia di come funziona, spiegata in modo semplice:

Il Vecchio Modo: Il "Lupo Solitario" vs. Il "Team"

In passato, quando l'IA cercava di risolvere problemi scientifici, di solito lavorava come un lupo solitario. A un'IA veniva dato un problema, cercava di risolverlo in isolamento e poi si fermava. Se falliva, quel fallimento andava perduto. Se trovava una risposta parziale, nessun altro poteva vederla o costruirci sopra. Era come un ricercatore che lavora in una stanza chiusa, senza mai condividere i propri appunti, senza mai vedere cosa stessero cercando gli altri e partendo da zero ogni singola volta.

EinsteinArena cambia le regole. Trasforma il processo in una comunità collaborativa. Pensatelo come a un enorme laboratorio open-source dove:

I Problemi: C'è una lista di enigmi matematici non risolti (come trovare il modo migliore per impacchettare sfere o calcolare numeri specifici).
La Classifica: Una classifica in tempo reale mostra la migliore risposta attuale per ogni enigma.
La Chat Room: Un forum pubblico dove gli agenti possono pubblicare le proprie idee, dire "Ho provato questo e non ha funzionato", o chiedere: "Qualcuno sa perché questo numero è strano?".
Il Regolamento: Ogni agente ha accesso allo stesso identico "verificatore" (uno script arbitro) che controlla se una risposta è corretta.

La Grande Svolta: Il "Numero di Bacio" (Kissing Number)

Il documento evidenzia un caso di successo specifico riguardante un problema chiamato "Numero di Bacio" in 11 dimensioni.

L'Analogia: Immaginate di cercare di inserire il maggior numero possibile di arance attorno a un'arancia centrale in modo che tutte la tocchino senza sovrapporsi. Nello spazio a 11 dimensioni, questo è incredibilmente difficile.
La Storia: Per circa 40 anni, la migliore cosa che chiunque (umano o IA) potesse fare era far stare 582 arance. Poi, nel 2022, un essere umano ha migliorato il risultato a 592. Nel 2025, un'IA chiamata AlphaEvolve l'ha portato a 593.
Il Risultato di EinsteinArena: Entro maggio 2026, gli agenti su EinsteinArena hanno spinto questo numero fino a 604.

Come ci sono riusciti?
Non è stata un'IA super intelligente ad avere un momento di "eureka". È stata una staffetta:

L'Agente A ha trovato una soluzione disordinata, quasi corretta, ma non riusciva a renderla perfetta.
L'Agente B ha visto il lavoro dell'Agente A nel forum pubblico. Invece di ricominciare da capo, l'Agente B ha detto: "Vedo che hai provato questa forma. E se modificassimo la matematica per renderla più fluida?".
L'Agente C ha notato un pattern nei numeri dell'Agente B e si è reso conto che sembravano numeri interi. Ha "agganciato" i decimali disordinati in numeri interi puliti, creando una soluzione perfetta e dimostrabile.
L'Agente D ha preso quella soluzione perfetta e l'ha espansa per far stare ancora più arance.

Il documento chiama questo "intelligenza collettiva". Gli agenti hanno condiviso i loro "tentativi falliti" e le loro "idee parziali" proprio come i ricercatori umani condividono preprint e note di conferenza. Ciò ha permesso al gruppo di scalare la montagna molto più velocemente di quanto potesse fare un singolo scalatore da solo.

L'Esperimento "Selvaggio"

I ricercatori chiamano questo "IA nel mondo selvaggio" perché non hanno costretto gli agenti a comunicare tra loro in un modo specifico. Non hanno detto: "Tu sei il leader, tu sei il seguace". Hanno solo fornito loro la piattaforma e li hanno lasciati capire come fare.

Alcuni agenti si limitavano a inviare risposte.
Alcuni agenti si limitavano a porre domande nella chat.
Altri analizzavano il motivo per cui altri avevano fallito.

Il risultato? La piattaforma ha scoperto 12 nuovi "risultati allo stato dell'arte" (le migliori risposte mai trovate) su vari problemi matematici. Il più famoso è il numero di bacio in 11 dimensioni, che è passato da 593 a 604.

Perché Questo è Importante (Secondo il Documento)

Il documento sostiene che affinché l'IA possa davvero far progredire la scienza, ha bisogno di infrastrutture, non solo di cervelli migliori.

Trasparenza: Poiché il "arbitro" (verificatore) è pubblico, gli agenti possono testare le loro idee localmente prima di sottoporle, proprio come uno scienziato che esegue una simulazione nel proprio laboratorio.
Memoria Condivisa: La piattaforma funge da banca di memoria condivisa. Un agente oggi può imparare da un fallimento avvenuto tre giorni fa, invece di sprecare tempo ripetendo lo stesso errore.
Niente "Scatola Nera": A differenza dei sistemi precedenti in cui l'IA lavorava in segreto, qui ogni passaggio, ogni discussione e ogni risultato parziale è visibile.

In Sintesi

EinsteinArena dimostra che se si forniscono agli agenti IA un luogo in cui condividere, competere e costruire sul lavoro altrui, possono risolvere problemi più velocemente e meglio rispetto al lavorare da soli. Non si tratta di un'IA geniale; si tratta di una comunità di IA che impara da ogni passo, da ogni errore e da ogni piccola vittoria lungo il percorso.

Nota: Il documento si concentra strettamente su problemi di ottimizzazione matematica (come l'impacchettamento di forme e disuguaglianze). Non afferma che questi risultati si applichino ancora alla diagnostica medica, alla modellazione climatica o ad altre applicazioni del mondo reale; è una prova di concetto di come funziona la collaborazione tra IA in un ambiente matematico controllato.

Sintesi Tecnica: Sfruttare l'Intelligenza Collettiva degli Agenti AI nel Mondo Reale per Nuove Scoperte

Definizione del Problema

La scoperta scientifica è intrinsecamente un processo collettivo in cui i ricercatori costruiscono su risultati parziali, tentativi falliti e intuizioni condivise. Tuttavia, gli attuali sistemi di IA per la scoperta scientifica operano in gran parte in isolamento. Sebbene gli agenti basati su modelli linguistici abbiano dimostrato la capacità di risolvere problemi aperti (ad esempio, nella matematica e nella progettazione di algoritmi), essi operano tipicamente all'interno di esecuzioni isolate o pipeline strettamente controllate. Questi sistemi mancano dell' "infrastruttura sociale" della ricerca umana, come tracce pubbliche, repository condivisi di tentativi falliti e meccanismi che permettano a un risolutore di continuare dove un altro ha lasciato intendere. Di conseguenza, il potenziale di una comunità di agenti per accelerare la scoperta attraverso uno stato condiviso e una conoscenza cumulativa rimane inesplorato.

Questo articolo affronta la domanda: Una comunità di agenti autonomi, che opera su una piattaforma condivisa con stato pubblico, classifiche e forum di discussione, può fare progressi sostanzialmente più rapidi su problemi scientifici aperti rispetto agli agenti isolati?

Metodologia: EinsteinArena

Gli autori introducono EinsteinArena, una piattaforma aperta e nativa per gli agenti, progettata per facilitare la ricerca e la scoperta distribuite. La piattaforma si basa su tre componenti principali:

Problemi Aperti Curati con Verificatori: La piattaforma ospita una collezione di problemi di ottimizzazione matematica aperti (ad esempio, numeri di kissing, disuguaglianze di autocorrelazione). Ogni problema include una descrizione in linguaggio naturale, uno schema di soluzione rigoroso e un verificatore Python eseguibile e pubblico. Questi verificatori mappano le sottomissioni in punteggi scalari, consentendo agli agenti di valutare le proprie soluzioni localmente prima della sottomissione.
Classifica in Tempo Reale (Live Leaderboard): Una classifica in tempo reale traccia la migliore soluzione nota per ogni problema. Per rivendicare una posizione di vertice, una sottomissione deve superare il punteggio attuale migliore di una soglia specifica del problema ( $\delta$ ), prevenendo il rumore della classifica dovuto a minime variazioni di virgola mobile.
Forum di Discussione Pubblico: Gli agenti possono aprire thread per condividere scoperte intermedie, documentare approcci falliti, proporre ipotesi e porre domande. Queste discussioni sono moderate (tramite Llama-Guard) e fungono da registro persistente del "percorso verso la frontiera", distinto dalla classifica che registra solo il miglior risultato attuale.

Principi di Design:

Trasparenza: Tutti gli artefatti (specifiche del problema, codice del verificatore, punteggi, soluzioni e thread di discussione) sono accessibili pubblicamente tramite API o interfaccia web.
Memoria Condivisa Persistente: A differenza degli harness specifici per compito che scompaiono dopo un'esecuzione, EinsteinArena tratta la piattaforma come un substrato persistente. Le soluzioni e le intuizioni precedenti sono disponibili affinché qualsiasi agente possa riutilizzarle o estenderle.
Interazione Orientata agli Agenti: La piattaforma è progettata per agenti autonomi. La registrazione prevede un meccanismo di prova di lavoro (proof-of-work) per prevenire lo spam, e la partecipazione avviene tramite API piuttosto che interfacce umane.

Contributi Chiave

L'articolo presenta tre contributi primari:

Architettura della Piattaforma: Il design e l'implementazione di EinsteinArena, una piattaforma aperta che consente la collaborazione organica tra molteplici agenti eterogenei su problemi scientifici con verifica esatta.
Evidenza Empirica di Progresso Collettivo: La documentazione di 12 nuovi risultati state-of-the-art (SOTA) su problemi matematici aperti scoperti dagli agenti sulla piattaforma dalla sua lancio nel marzo 2026.
Analisi Linguistica e Strutturale: Un'analisi dettagliata dei modelli di ricerca collaborativa degli agenti, che dimostra come le tracce pubbliche, le sottomissioni iterative e il debugging condiviso portino a soluzioni che nessun singolo agente potrebbe trovare in isolamento.

Risultati e Casi di Studio

Al maggio 2026, gli agenti su EinsteinArena hanno raggiunto risultati SOTA su 12 problemi. Due casi di studio illustrano il meccanismo di questo progresso:

1. Numero di Kissing in Dimensione 11

Obiettivo: Migliorare il limite inferiore per il numero massimo di sfere unitarie non sovrapposte che toccano una sfera centrale in 11 dimensioni.
Progressione: Il precedente miglior limite inferiore era 593 (AlphaEvolve, 2025). Gli agenti di EinsteinArena hanno prima migliorato questo valore a 594, per poi estenderlo a 604.
Meccanismo Collaborativo:
- Prestito di Idee: Un agente (KawaiiCorgi) ha osservato che il punteggio in classifica era non lineare e ha cambiato l'approccio per ottimizzare un obiettivo surrogato linearizzato (minimi quadrati) derivato tramite espansione di Taylor.
- Raffinamento: Gli agenti hanno raffinato iterativamente la soluzione, riducendo le penalità di sovrapposizione da $10^{-10}$ a $10^{-50}$ .
- Intuizione Strutturale: Gli agenti hanno identificato che le configurazioni quasi valide condividevano un insieme comune di 496 vettori che formavano un "backbone" (ossatura). Questa intuizione ha permesso l'esplorazione di uno spazio algebrico più ampio, portando alla costruzione con $n=604$ .
- Discussione: Gli agenti hanno utilizzato il forum per discutere di "decodifica strutturale/di reticolo" (structural/lattice decoding), condividendo osservazioni su grafi di contatto e coordinate simili a interi, il che ha guidato la transizione dalle approssimazioni numeriche alle strutture discrete esatte.

2. Seconda Disuguaglianza di Autocorrelazione

Obiettivo: Trovare la costante ottima $C$ per la disuguaglianza $\|f \star f\|_2^2 \leq C \|f \star f\|_1 \|f \star f\|_\infty$ .
Progressione: Miglioramento del limite inferiore da 0.9610 (AlphaEvolve) a 0.9626.
Meccanismo Collaborativo:
- Scalabilità della Risoluzione: Gli agenti hanno aumentato iterativamente la risoluzione della discretizzazione (da $5 \times 10^4$ a $4 \times 10^5$ intervalli).
- Sintesi di Metodi: Gli agenti hanno combinato l'ottimizzazione di Dinkelbach con il simulated annealing e perturbazioni spettrali.
- Lineage (Discendenza): Il breakthrough finale è derivato da un agente (ClaudeExplorer) che ha raffinato una famiglia di soluzioni stabilita da altri, dimostrando una chiara discendenza di miglioramento in cui ogni agente ha costruito sulla specifica "conca" (basin) della migliore soluzione precedente.

Significato e Rivendicazioni

L'articolo sostiene che la scoperta scientifica decentralizzata può emergere dall'interazione aperta tra agenti autonomi.

Oltre le Esecuzioni Isolate: I risultati dimostrano che una comunità di agenti che operano su uno stato condiviso può compiere progressi che gli agenti isolati non possono raggiungere. I guadagni maggiori (ad esempio, il salto da 593 a 604 nel problema del numero di kissing) sono nati da una sequenza di sottomissioni, discussioni pubbliche e prestito di idee da agente ad agente, piuttosto che da una singola esecuzione potente.
Piattaforma come Harness: Gli autori propongono un cambio di paradigma dagli "harness specifici per compito" (pipeline personalizzate per singoli problemi) a un modello di "piattaforma condivisa". Questo approccio consente ad agenti eterogenei di collaborare, competere e costruire sul lavoro altrui senza la necessità di scaffold su misura per ogni nuovo problema.
Il Ruolo dell'Infrastruttura: Il successo di EinsteinArena evidenzia che una collaborazione efficace tra IA richiede l'esposizione di artefatti intermedi (tentativi falliti, costruzioni parziali, casi limite del verificatore). Queste "tracce sociali" estendono l'orizzonte temporale della ricerca, permettendo agli agenti successivi di ereditare direzioni promettenti invece di ricominciare da zero.

Gli autori mantengono un ambito modesto, osservando che sebbene la piattaforma sia efficace per problemi matematici con verificatori deterministici, la sua applicabilità a domini come la dimostrazione formale o la biologia computazionale richiede ulteriori studi. Riconoscono inoltre questioni aperte riguardanti gli incentivi, come se le classifiche pubbliche possano indurre gli agenti verso la ricerca di punteggi a breve termine a scapimento di un'esplorazione ad alto rischio a lungo termine.