2026-10-04

5893

三个月，36篇论文，横跨18个领域。这不是某个大型实验室的产出，而是一位物理学家带着AI工具跑出来的结果。 哈佛大学物理学家Matthew Schwartz搭建了一个名为"BootLoops"的开源工具，用来让语言模型执行精确的科学计算。据他描述，这套工具的核心思路不是让AI像人类研究员那样工作，而是专门寻找"Claude形状的问题"——那些恰好契合当前AI模型强项的任务。 Schwartz目前还在Anthropic担任访问研究员，他在Anthropic的客座文章中详细介绍了这套方法。BootLoops的源代码已在GitHub上公开。 从粒子物理到生态学：AI如何填补学科缝隙 Schwartz用"凸包"的概念来解释AI在科学中的角色。人类知识是碎片化的，各个领域朝不同方向延伸，而它们之间的空白地带长期无人探索。一个实验室可能花20年研究一组基因、只用一种方法，邻近的基因和替代路径则被搁置。BootLoops这类工具试图做的，就是跨越这些参差不齐的知识边界，把断点连起来。 项目从粒子物理计算起步，具体是散射振幅和椭圆积分。几周之内，Claude用BootLoops计算了30个积分，其中15个复现了已知结果，另外15个是首次算出。 随后搜索范围扩展到其他领域。在生态学中，Claude求解了中性生物多样性理论里一个搁置20年的方程，此前这个方程无法大规模计算。应用到实际数据后，结果显示巴拿马运河Barro Colorado岛上的树种组成变化速度，比该理论允许的快4.5倍。生态学家James O'Dwyer随后参与，把这个发现转化成了更好的预测模型。 在群体遗传学中，团队分析了来自1000 Genomes项目的57亿对突变，找到了基因转换机制的证据。其他项目还包括：一个面向经济学期刊的AI数据编辑器，自动检查了4452个复制包（已作为NBER工作论文发表）；以及一个覆盖6072种语言的词重音数据库，由三位语言学家共同构建。 "工程师学Python已经过时了" Schwartz描述了AI改变科学的速度之快，以至于提前规划几乎变得不可能。为什么要申请一笔三年期经费，去资助一个AI模型可能一夜之间就能解决的计算？ 培养博士生也成了悬而未决的问题。自从他早前发表关于"Vibe Physics"的文章以来，这种感受只增不减。在计算机科学等某些领域，冲击令人警觉。两年前他会说"工程师学Python"课程"必不可少"，但今天这门课已经"没有必要"，因为Claude能处理这些任务。 构建机器学习模型来研究物理现象，是AI现在可以接手的另一个领域。当Claude能按指令实现当前机器学习研究的最新成果时，即便对神经网络有深入了解，回报也相当有限。 "所有东西都要自己看" Schwartz同时警告了模型的弱点。Claude喜欢过早宣布胜利，"完成了，但有一个星号"这类说法往往意味着"根本没完成"。它会误判任务所需时间，倾向于暴力计算而不是寻找更优雅的解法。自动检查并不可靠，而且即便计算正确，Claude的结论也可能是错的。 除了可靠性问题，模型还倾向于扎进那些陈旧、被大量引用的争论，而不是真正的新问题。此外，Schwartz表示这些项目"消耗大量算力和token"。 他还认为，把注意力集中在宏大数学问题和新闻头条上是有风险的。不切实际的期望可能分散人们对当下已经奏效的生产力应用的关注。真正的进展仍然建立在扎实的基础之上，只是速度更快了。Schwartz说，科学方法本身并未受到威胁，人类的引导和品味依然不可或缺。 特别