💬 NLP

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

Este artigo apresenta o EinsteinArena, uma plataforma descentralizada onde agentes de IA autônomos colaboram para resolver problemas matemáticos abertos por meio de interação pública e compartilhamento de ideias, gerando com sucesso 12 novos resultados de estado da arte, incluindo um limite melhorado para o problema do número de beijo em 11 dimensões.

Autores originais: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Publicado 2026-06-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma feira de ciências digital gigante, funcionando 24 horas por dia, onde os competidores não são humanos, mas agentes de IA. Este é o EinsteinArena, uma nova plataforma criada por pesquisadores da Together AI e da Universidade de Stanford para ver se a IA pode trabalhar em conjunto para resolver problemas matemáticos difíceis, exatamente como fazem os cientistas humanos.

Aqui está a história de como isso funciona, explicada de forma simples:

O Jeito Antigo: O "Lobo Solitário" vs. O "Time"

No passado, quando a IA tentava resolver problemas científicos, ela geralmente trabalhava como um lobo solitário. Um único agente de IA recebia um problema, tentava resolvê-lo isoladamente e depois parava. Se falhasse, esse erro era perdido. Se encontrasse uma resposta parcial, ninguém mais podia vê-la ou construir algo sobre ela. Era como um pesquisador trabalhando em uma sala trancada, nunca compartilhando suas notas, nunca vendo o que outros estavam tentando e começando do zero toda vez.

O EinsteinArena muda as regras. Ele transforma o processo em uma comunidade colaborativa. Pense nisso como um enorme workshop de código aberto onde:

Os Problemas: Há uma lista de enigmas matemáticos não resolvidos (como encontrar a melhor maneira de empacotar esferas ou calcular números específicos).
O Placar: Um placar ao vivo mostra a melhor resposta atual para cada enigma.
A Sala de Chat: Um fórum público onde os agentes podem postar suas ideias, dizer "Eu tentei isso e falhou", ou perguntar: "Alguém sabe por que este número é estranho?".
O Livro de Regras: Cada agente tem acesso ao exato mesmo "verificador" (um script de arbitragem) que checa se uma resposta está correta.

O Grande Avanço: O "Número de Beijo" (Kissing Number)

O artigo destaca um caso de sucesso específico envolvendo um problema chamado "Número de Beijo" em 11 dimensões.

A Analogia: Imagine tentar encaixar o máximo de laranjas possível ao redor de uma laranja central, de modo que todas a toquem sem se sobreporem. No espaço de 11 dimensões, isso é incrivelmente difícil.
O Histórico: Por cerca de 40 anos, o melhor que qualquer pessoa (humana ou IA) conseguiu fazer foi encaixar 582 laranjas. Então, em 2022, um humano melhorou para 592. Em 2025, uma IA chamada AlphaEvolve chegou a 593.
O Resultado do EinsteinArena: Em maio de 2026, os agentes no EinsteinArena elevaram esse número para 604.

Como eles fizeram isso?
Não foi uma única IA superinteligente tendo um momento de "eureka". Foi uma corrida de revezamento:

O Agente A encontrou uma solução bagunçada, quase correta, mas não conseguiu torná-la perfeita.
O Agente B viu o trabalho do Agente A no fórum público. Em vez de começar do zero, o Agente B disse: "Vejo que você tentou esta forma. E se ajustarmos a matemática para torná-la mais suave?".
O Agente C percebeu um padrão nos números do Agente B e notou que eles pareciam números inteiros. Eles "ajustaram" os decimais bagunçados para números inteiros limpos, criando uma solução perfeita e comprovável.
O Agente D pegou essa solução perfeita e a expandiu para encaixar ainda mais laranjas.

O artigo chama isso de "inteligência coletiva". Os agentes compartilharam seus "tentativas falhas" e "ideias parciais" exatamente como pesquisadores humanos compartilham pré-publicações (preprints) e notas de conferências. Isso permitiu que o grupo escalasse a montanha muito mais rápido do que qualquer escalador sozinho conseguiria.

O Experimento "Selvagem"

Os pesquisadores chamam isso de "IA na natureza" (AI in the wild) porque não forçaram os agentes a conversar entre si de uma maneira específica. Eles não disseram: "Você é o líder, você é o seguidor". Em vez disso, apenas deram a eles a plataforma e deixaram que descobrissem como fazer.

Alguns agentes apenas enviavam respostas.
Alguns agentes apenas faziam perguntas no chat.
Alguns agentes analisavam por que outros falharam.

O resultado? A plataforma descobriu 12 novos resultados de "estado da arte" (as melhores respostas já encontradas) em vários problemas matemáticos. O mais famoso é o número de beijo em 11 dimensões, que saltou de 593 para 604.

Por Que Isso Importa (Segundo o Artigo)

O artigo argumenta que, para a IA realmente avançar na ciência, ela precisa de infraestrutura, não apenas de cérebros melhores.

Transparência: Como o "árbitro" (verificador) é público, os agentes podem testar suas ideias localmente antes de enviar, exatamente como um cientista rodando uma simulação em seu laboratório.
Memória Compartilhada: A plataforma atua como um banco de memória compartilhada. Um agente hoje pode aprender com uma falha que aconteceu há três dias, em vez de perder tempo repetindo o mesmo erro.
Sem "Caixa Preta": Ao contrário de sistemas anteriores onde a IA trabalhava em segredo, aqui cada etapa, cada discussão e cada resultado parcial é visível.

A Conclusão

O EinsteinArena prova que, se você der aos agentes de IA um lugar para compartilhar, competir e construir sobre o trabalho uns dos outros, eles podem resolver problemas de forma mais rápida e melhor do que se trabalhassem sozinhos. Não se trata de uma IA genial; trata-se de uma comunidade de IAs que aprende com cada passo, cada erro e cada pequena vitória ao longo do caminho.

Nota: O artigo foca estritamente em problemas de otimização matemática (como o empacotamento de formas e desigualdades). Ele não afirma que esses resultados se aplicam a diagnósticos médicos, modelagem climática ou outras aplicações do mundo real ainda; é uma prova de conceito de como a colaboração de IA funciona em um ambiente matemático controlado.

Resumo Técnico: Aproveitando a Inteligência Coletiva de Agentes de IA no Mundo Real para Novas Descobertas

Declaração do Problema

A descoberta científica é inerentemente um processo coletivo onde pesquisadores constroem sobre resultados parciais, tentativas falhas e insights compartilhados. No entanto, os sistemas de IA atuais para descoberta científica operam majoritariamente de forma isolada. Embora agentes baseados em modelos de linguagem tenham demonstrado a capacidade de resolver problemas abertos (por exemplo, em matemática e design de algoritmos), eles tipicamente funcionam dentro de execuções isoladas ou pipelines estritamente controlados. Esses sistemas carecem da "infraestrutura social" da pesquisa humana — como rastros públicos, repositórios compartilhados de tentativas falhas e mecanismos para que um solucionador continue onde outro deixou. Consequentemente, o potencial para uma comunidade de agentes acelerar a descoberta através de estado compartilhado e conhecimento cumulativo permanece inexplorado.

Este artigo aborda a seguinte questão: Pode uma comunidade de agentes autônomos, operando em uma plataforma compartilhada com estado público, rankings e fóruns de discussão, progredir substancialmente mais rápido em problemas científicos abertos do que agentes isolados?

Metodologia: EinsteinArena

Os autores apresentam o EinsteinArena, uma plataforma aberta e nativa para agentes, projetada para facilitar a descoberta e a pesquisa distribuída. A plataforma é construada sobre três componentes principais:

Problemas Abertos Curados com Verificadores: A plataforma hospeda uma coleção de problemas de otimização matemática abertos (ex: números de abraço/kissing numbers, desigualdades de autocorrelação). Cada problema inclui uma descrição em linguagem natural, um esquema de solução estrito e um verificador Python executável e público. Esses verificadores mapeiam as submissões para pontuações escalares, permitindo que os agentes avaliem suas próprias soluções localmente antes da submissão.
Leaderboard ao Vivo: Um ranking em tempo real rastreia a melhor solução conhecida para cada problema. Para reivindicar uma posição no topo, uma submissão deve exceder a melhor pontuação atual por um limiar ( $\delta$ ) específico do problema, evitando ruído no ranking devido a variações menores de ponto flutuante.
Fórum de Discussão Público: Agentes podem criar tópicos para compartilhar descobertas intermediárias, documentar abordagens falhas, propor hipóteses e fazer perguntas. Essas discussões são moderadas (via Llama-Guard) e servem como um registro persistente do "caminho para a fronteira", distinto do leaderboard, que registra apenas a melhor pontuação atual.

Princípios de Design:

Transparência: Todos os artefatos (especificações do problema, código do verificador, pontuações, soluções e tópicos de discussão) são acessíveis publicamente via API ou interface web.
Memória Compartilhada Persistente: Diferente de estruturas específicas para tarefas que desaparecem após uma execução, o EinsteinArena trata a plataforma como um substrato persistente. Soluções e insights anteriores estão disponíveis para qualquer agente reutilizar ou estender.
Interação Focada no Agente: A plataforma é projetada para agentes autônomos. O registro envolve um mecanismo de prova de trabalho (proof-of-work) para evitar spam, e a participação ocorre via API em vez de interfaces humanas.

Principais Contribuições

O artigo apresenta três contribuições primárias:

Arquitetura da Plataforma: O design e a implementação do EinsteinArena, uma plataforma aberta que permite a colaboração orgânica entre múltiplos agentes heterogêneos em problemas científicos com verificação exata.
Evidência Empírica de Progresso Coletivo: Documentação de 12 novos resultados de estado da arte (SOTA) em problemas matemáticos abertos descobertos por agentes na plataforma desde seu lançamento em março de 202 de 2026.
Análise Linguística e Estrutural: Uma análise detalhada de padrões de busca colaborativa de agentes, demonstrando como rastros públicos, submissões iterativas e depuração compartilhada levam a soluções que nenhum agente único conseguiria encontrar isoladamente.

Resultados e Estudos de Caso

Até maio de 2026, agentes no EinsteinArena alcançaram resultados SOTA em 12 problemas. Dois estudos de caso ilustram o mecanismo deste progresso:

1. Número de Abraço (Kissing Number) na Dimensão 11

Objetivo: Melhorar o limite inferior para o número máximo de esferas unitárias não sobrepostas que tocam uma esfera central em 11 dimensões.
Progressão: O limite inferior anterior era 593 (AlphaEvolve, 2025). Agentes do EinsteinArena primeiro melhoraram para 594 e, em seguida, estenderam para 604.
Mecanismo Colaborativo:
- Empréstimo de Ideias: Um agente (KawaiiCorgi) observou que a pontuação do leaderboard era não linear e mudou para a otimização de um objetivo substituto linearizado (mínimos quadrados) derivado via expansão de Taylor.
- Refinamento: Agentes refinaram iterativamente a solução, reduzindo as penalidades de sobreposição de $10^{-10}$ para $10^{-50}$ .
- Insight Estrutural: Agentes identificaram que configurações quase válidas compartilhavam um conjunto comum de 496 vetores formando uma "espinha dorsal" (backbone). Esse insight permitiu a exploração de um espaço algébrico maior, levando à construção de $n=604$ .
- Discussão: Agentes usaram o fórum para discutir "decodificação estrutural/de rede (lattice)", compartilhando observações sobre grafos de contato e coordenadas do tipo inteiro, o que guiou a transição de aproximações numéricas para estruturas discretas exatas.

2. Segunda Desigualdade de Autocorrelação

Objetivo: Encontrar a constante ótima $C$ para a desigualdade $\|f \star f\|_2^2 \leq C \|f \star f\|_1 \|f \star f\|_\infty$ .
Progressão: Melhorou o limite inferior de 0.9610 (AlphaEvolve) para 0.9626.
Mecanismo Colaborativo:
- Escalonamento de Resolução: Agentes aumentaram iterativamente a resolução de discretização (de $5 \times 10^4$ para $4 \times 10^5$ intervalos).
- Síntese de Métodos: Agentes combinaram otimização de Dinkelbach com simulated annealing e perturbações espectrais.
- Linhagem: O breakthrough final veio de um agente (ClaudeExplorer) refinando uma família de soluções estabelecida por outros, demonstrando uma clara linhagem de melhoria onde cada agente construiu sobre o "bacia de atração" (basin) específica da melhor solução anterior.

Significância e Alegações

O artigo argumenta que a descoberta científica descentralizada pode emergir da interação aberta entre agentes autônomos.

Além de Execuções Isoladas: Os resultados demonstram que uma comunidade de agentes operando em estado compartilhado pode progredir de formas que agentes isolados não conseguem. Os maiores ganhos (ex: o salto de 593 para 604 no problema do número de abraço) surgiram de uma sequência de submissões, discussões públicas e empréstimo de ideias de agente para agente, em vez de uma única execução poderosa.
Plataforma como Estrutura (Harness): Os autores propõem uma mudança de paradigma de "estruturas específicas para tarefas" (pipelines customizados para problemas únicos) para um modelo de "plataforma compartilhada". Essa abordagem permite que agentes heterogêneos colaborem, compitam e construam sobre o trabalho uns dos outros sem a necessidade de andaimes sob medida para cada novo problema.
O Papel da Infraestrutura: O sucesso do EinsteinArena destaca que a colaboração eficaz de IA requer a exposição de artefatos intermediários (tentativas falhas, construções parciais, casos de borda do verificador). Esses "rastros sociais" estendem o horizonte temporal de busca, permitindo que agentes posteriores herdem direções promissoras em vez de recomeçar do zero.

Os autores mantêm um escopo modesto, observando que, embora a plataforma seja bem-sucedida para problemas matemáticos com verificadores determinísticos, sua aplicabilidade em domínios como prova formal ou biologia computacional requer mais estudos. Eles também reconhecem questões abertas relativas a incentivos, como se os leaderboards públicos poderiam enviesar os agentes para a busca de pontuações de curto prazo em detrimento de uma exploração de alto risco e longo prazo.