Наука в форме Claude: как BootLoops помогает находить задачи для современных языковых моделей

Полный перевод исследования Anthropic на русский. Оригинал — по ссылке.

Краткое содержание: В этой гостевой статье профессор Мэтью Шварц возвращается, чтобы описать новый подход к науке, ускоренной искусственным интеллектом. В Vibe Physics Шварц обсудил сходство в способностях между Claude и аспирантом-физиком. Здесь он описывает, что произошло, когда он перестал бороться с Claude и позволил Claude находить «задачи в стиле Claude»: те, которые лучше всего соответствуют возможностям текущего поколения инструментов на основе больших языковых моделей. Это привело его к созданию BootLoops, набора инструментов для точных вычислений в количественной науке. Поскольку подобные вычисления часто встречаются в весьма разных областях науки, Claude обнаружил связи с экологией, популяционной генетикой и дюжиной других областей. Поначалу эти связи часто были технически верными, но научно непримечательными, поэтому Шварц работал с экспертами в соответствующих областях, чтобы направить BootLoops к вопросам, которые важны для этих областей. Ниже мы подробнее рассказываем об этих проектах и о том, как появился BootLoops.

Агентный искусственный интеллект быстро совершенствуется. Все замечают, что модели кажутся умнее: они знают больше, совершают меньше ошибок и предлагают более удачные идеи. Если следить за линиями тренда, легко уверенно говорить о потенциале искусственного интеллекта совершить революцию в науке. Однако учёные-исследователи, пытающиеся сегодня использовать модели в собственной работе, часто ощущают разрыв. Модели могут решать сложные и давние проблемы, но до сих пор это в основном были чётко ограниченные применения существующих методов. Многие заголовки, по-видимому, относятся к математике — единственной области науки, где проблему можно полностью сформулировать, а ответ абсолютно проверить. Но большая часть науки устроена иначе. И для многих из нас — исследователей и студентов — расстояние между этими заголовками и тем, что происходит, когда мы используем эти модели, может вызывать разочарование и тревогу.

Основной конфликт, как я его вижу, заключается в том, что, хотя эти модели блестящи, работа как учёного-человека — не то, что современные большие языковые модели делают лучше всего. Claude и GPT хороши в науке, но они не учёные: да, они умны, но может потребоваться много руководства, чтобы заставить их создать что-либо, имеющее научную ценность. Физики назвали бы это «несоответствием импедансов»: две системы, каждая из которых сама по себе работает нормально, но они плохо согласованы, поэтому большая часть того, что одна передаёт, никогда не доходит до другой. Здесь несоответствие заключается в разнице между тем, чего хотят учёные, и тем, что искусственный интеллект делает хорошо.

Итак, как мы можем это исправить?

Я начал искать примеры, где несоответствия импедансов менее остры. Я начал с того, что попросил Claude создать доступный набор инструментов для математической физики. Вскоре эти инструменты нашли применение и для других задач. Этот итеративный процесс породил набор программных и научных протоколов, который я называю BootLoops. BootLoops функционирует как своего рода каркас для LLM, подобно тому как Claude Code или Claude Science является каркасом для Claude, а Codex — каркасом для GPT. Я обнаружил, что BootLoops особенно хорошо подходит для класса количественных задач в науке. Кроме того, это программное обеспечение с открытым исходным кодом, поэтому его можно использовать с любой моделью, которая Вам нравится.

Как только у Claude появились BootLoops, он начал постоянно замечать одну и ту же закономерность: во многих областях есть проблемы, которые метод из математики, физики или информатики решил бы напрямую, если бы кто-нибудь знал о его существовании. Я начал называть их проблемами «в форме Claude» и проследил их за пределами физики высоких энергий — моей родной области — в геологию, биологию, экономику и лингвистику. В этих других областях я не мог полагаться на собственную экспертизу, чтобы понять, было ли то, что находил Claude, интересным. Поэтому я нашёл несколько экспертов и спросил их. С их помощью BootLoops смог добиться существенного прогресса во многих областях исследований.

Ниже я рассказываю, как возник BootLoops, описываю некоторые ранние результаты в областях, где я его применял, и делюсь своими размышлениями о том, как устранить несоответствие между учёными-людьми и учёными с искусственным интеллектом сегодня.

Claude, берите управление на себя!

В прошлом декабре я попробовал использовать Claude в качестве исследовательского ассистента и обнаружил, что Claude Opus 4.5 работал как сильный аспирант, но в 20 раз быстрее. Несмотря на то что в конце эксперимента Claude подготовил высококачественную статью, путь к этому был изнурительным. Мне приходилось исправлять каждое написанное им предложение, уводить его от несущественных направлений и возвращать из тупиков.

Этим летом я попробовал сделать нечто иное: вместо того чтобы относиться к Claude как к соавтору, каким я хотел бы его видеть, я начал относиться к нему как к соавтору, которым он на самом деле является. Для этого требовалось искать задачи, соответствующие его сильным сторонам. Сейчас Claude просто не способен помочь мне с глубокими концептуальными вопросами — однако он обладает практически неограниченной широтой знаний во всех областях, выдающимися навыками программирования, передовыми знаниями математики и статистики, а также способностью анализировать статьи, приложения и данные с машинной скоростью.

Естественным местом для начала поиска задач, подходящих для Claude, были области, где программирование могло бы помочь. Когда Anthropic выпустила Claude Fable 5 летом 2026 года, я хотел проверить, смогут ли его кибервозможности найти применение в научных вычислениях. Поэтому я решил протестировать его, поручив ему переносить, реализовывать в коде и улучшать различные методы из нескольких моих статей и смежной литературы по амплитудам рассеяния.

Амплитуды рассеяния — это то, как мы интерпретируем данные с Большого адронного коллайдера: сталкиваем два протона при энергии 13 триллионов электронвольт, и амплитуда становится теоретическим мостом между обломками и любой новой частицей — бозоном Хиггса или чем-то неизвестным, — которую породило столкновение. В их основе лежат диаграммы Фейнмана, многомерные интегралы определённой формы. Те, с которыми мы сейчас пытаемся справиться, могут по отдельности стать темой докторской диссертации или занимать целую группу годами.

За последние 20 лет выросла альтернатива: бутстрэп S-матрицы. В бутстрэп-подходе вместо того, чтобы кропотливо вычислять интеграл, Вы накладываете физические ограничения, пока не останется возможен только один ответ. Знание того, где амплитуда бесконечна — её «сингулярностей», — может сузить выбор до 20 2000 вариантов; симметрия сокращает его до 500; и так далее, пока не останется один. Традиционный бутстрэп является чисто аналитическим и продвинулся дальше всего в наиболее симметричных теориях, где ограничения доходят до единственного варианта (примером является девятипетлевая амплитуда в N=4 супер-Янге—Миллсе). Ближе к реальному миру ограничения часто исчерпываются до конца. Более новый поворот, получисленный бутстрэп, устраняет этот разрыв, когда Вы также можете вычислить амплитуду в нескольких точках с абсурдной точностью (иногда до 1 2000 знаков): если остаётся достаточно мало вариантов, эти числа точно определяют оставшиеся коэффициенты.

Получисленный бутстреп казался идеальным для агентного искусственного интеллекта. Он опирается на математику, физику и информатику, которыми ни один человек не овладел полностью; он требует большого объёма программирования и разработки алгоритмов; и он проверяем, поскольку та же численная методика позволяет любому человеку, эксперту или нет, проверить окончательный ответ по интегралу с любым желаемым числом знаков, запустив два скрипта. Экспертиза сообщества также распределена неравномерно: хорошие идеи находятся в Wolfram Language, C++, Python или Julia, а гораздо большее их число — в статьях вообще без кода. Поэтому моим первым заданием для Fable 5 было перенести всё это в общую среду и написать код, которого статьи так и не предоставили.

Claude сделал это без усилий. Я был удивлён, когда он воспроизвёл результаты из моей статьи примерно за 20 минут, тогда как код, который я написал для этого, занял у меня недели. Однако я не был удивлён, когда он сообщил мне, что я делаю нечто очень неэффективно и что существует лучший алгоритм, о котором я не знал. 

Затем я попросил Claude найти нерешённые амплитуды, которые он мог бы вычислить. Оказывается, задачи, достаточно простые для бутстрепа S-матрицы, также достаточно просты для решения людьми — и, действительно, большинство из них уже решено. Тем не менее он нашёл несколько нерешённых задач. После некоторого обсуждения с моделью стало ясно, что Claude ограничивал себя амплитудами с самым простым семейством функций: логарифмами. Поэтому я спросил, может ли он сделать то же самое для следующего по сложности семейства — эллиптических функций?

Эллиптические интегралы действительно очень сложны, даже для таких людей, как я, которые тратят много времени на вычисление интегралов. Когда-либо было вычислено лишь несколько эллиптических интегралов Фейнмана, и ни один — полностью методом бутстрепа, по крайней мере, насколько известно мне или Claude. Проблема не в том, что методы не сработали бы, а скорее в том, что никто не пытался, поскольку необходимая для этого экспертиза распределена между многими людьми. Claude же, напротив, легко обобщил весь аппарат, который он перенёс и построил для логарифмического случая, на эти другие классы интегралов. На этот раз он сам написал большую часть программного обеспечения или заимствовал его из математики, а не из физики. По мере роста набора инструментов он начал получать один интеграл за другим. Вскоре у нас было 30 интегралов, полностью обработанных BootLoops от начала до конца, включая 15 воспроизведений известных результатов этим новым методом и 15, которые никогда ранее не были вычислены.

Всё это произошло всего за несколько недель. Поначалу я думал, что буду доволен, просто подготовив об этом описание, но у меня было слишком сильное искушение посмотреть, что ещё могли бы сделать мы — то есть я и Claude с BootLoops.

«Я знаю кунг-фу»

Счастливая особенность науки состоит в том, что одни и те же уравнения часто снова и снова появляются в разных контекстах. Например, в физике уравнение диффузии, уравнение Фоккера — Планка и уравнение Шрёдингера имеют одну и ту же математическую форму, поэтому, если Вы разработаете метод решения одной задачи, Вы часто сможете применить его ко многим другим. Я знал, что вычисления, в которых BootLoops был хорош, были актуальны и в других областях — например, в космологии и теории струн. Чего я не знал, но о чём Клод с радостью мне рассказал, так это того, что эти интегралы также могут соответствовать интегралам байесовского свидетельства в популяционной генетике или что методы конечных полей, используемые для редукции интегралов Фейнмана, также могут применяться к задачам эволюционной биологии.

Это положило начало особенно плодотворному периоду поиска и решения задач, подходящих для Claude (и, более узко, для BootLoops). Некоторые идеи сразу же были очевидны как отличные области применения. Например, наука филогенетика изучает, как организовать виды в генеалогические деревья с использованием ДНК; соответствующее вычисление представляет собой байесовский интеграл свидетельств, результатом которого является одно число, показывающее, насколько хорошо дерево-кандидат объясняет наблюдаемую ДНК, — интеграл того же типа, для вычисления которого изначально был создан BootLoops. По мере появления идей я настаивал, чтобы Claude одновременно использовал старые инструменты и создавал новые, чтобы оснастка развивалась. Каждый инструмент, даже из неудачного проекта, открывал новые двери. Claude становился всё более и более способным. Это было похоже на Нео в Матрице после пробуждения от загрузки кунг-фу.

Однако по мере того, как проекты уходили всё дальше от моей профессиональной зоны комфорта, я начал беспокоиться. Когда Claude утверждает, что сделанное им в моей области просто великолепно, я могу оценить, правда это или нет (зачастую это не так). Но когда он утверждает, что сделанное им в другой области просто великолепно, я ловлю себя на том, что соглашаюсь. Мои подозрения усилились, и я понял, что для уверенности мне нужно привлечь нескольких экспертов. И действительно, я обнаружил, что почти во всех случаях Claude был технически прав, но результат был не особенно интересным, пока эксперт не помог направить нас.

Одним из таких проектов была нейтральная теория биоразнообразия в экологии. В любой экосистеме одни виды процветают, а другие вымирают. Нейтральная теория задаётся вопросом, какая доля этой жизненной истории обусловлена случайностью. Основываясь на более ранних работах, в 2001 году эколог Стивен Хаббелл предположил, провокационно, что, возможно, всё это случайно. В 2005 году эколог Рампал Этьен сформулировал уравнение для теории Хаббелла, позволившее проверить её — по крайней мере в принципе — точным способом. К сожалению, на протяжении 20 лет никто не мог решить это уравнение в масштабном виде. Клод распознал, что уравнение Этьена имеет форму BootLoops, и решил его. Применив вычисления к данным, мы установили, что в наиболее изученном лесу на Земле в экологии — на острове Барро-Колорадо в Панамском канале — состав видов деревьев меняется в 4,5 раза быстрее, чем допускает нейтральная теория.

Воодушевлённый этим результатом, я показал его Джеймсу О’Дуайеру, профессору биологии растений и специалисту по нейтральной теории. Джеймс терпеливо отнёсся ко мне. Хотя техническое достижение произвело на него впечатление, он сказал, что результаты, вероятно, «многие экологи встретят пожатием плеч». Экологи уже наблюдали, хотя и более качественно, что нейтральная теория не может угнаться за реальными лесами. Но у Джеймса была идея получше: вычесть нейтральный прогноз и изучить остаток. Это позволило бы нам лучше понять, какие изменения были обусловлены естественным отбором, конкуренцией и различиями между видами.

Мы с Джеймсом приступили к интенсивной работе с Claude над созданием модели-преемника. У Джеймса физическое образование, поэтому языковой барьер между дисциплинами было легче преодолеть, однако, как и многие учёные, он ещё не до конца осознавал мощь агентного искусственного интеллекта. По мере развития сотрудничества я стал своего рода куратором Claude: переводил Джеймсу речь Claude и удерживал модель в нужном русле, в то время как Джеймс побуждал модель создавать нечто, что могло бы быть ценно для экологов. Итоговый результат — то, чем все мы трое гордимся: минимальная предсказательная модель жизненных стратегий, превосходно согласующаяся с данными. Сейчас мы расширяем модель с Панамы на другие лесные участки по всему миру, используя наборы данных, которые Claude помог подготовить.

Другой проект был связан с точными вычислениями в популяционной генетике — области, изучающей, как гены различаются внутри популяции и почему. Сначала Claude использовал методы, заимствованные из математической физики, чтобы решить 30-летнее интегральное выражение, описывающее, как естественный отбор формирует редкие мутации. Мы применили его к gnomAD, крупнейшему общедоступному каталогу генетической изменчивости человека. Claude был очень воодушевлён этим результатом, но я не был в этом так уверен. Мне пришлось написать трём разным биологам для проверки, прежде чем один из них ответил, но в конце концов мне удалось привлечь моего коллегу Майкла Десаи, который работает в этой области, хотя и не над этой конкретной проблемой. Как и Джеймс, Майкл был впечатлён техническим результатом, но не был убеждён научной значимостью.

Майкл, однако, отметил, что более значимые результаты могут быть получены при изучении корреляций между парами мутаций на одной хромосоме с использованием той же или аналогичной методологии. В рамках этой задачи Claude нашёл и создал новые инструменты, такие как сертификаты неравенств, используемые для компьютерной поддержки доказательств в математике, и добавил их в набор BootLoops. Затем мы проанализировали 5,7 миллиарда пар близлежащих мутаций в геномах из проекта «1000 геномов» и обнаружили свидетельства механизма, называемого генной конверсией. Это важное открытие, потому что почти каждый анализ, использующий сцепленную генетическую изменчивость, от истории популяций до картирования заболеваний, игнорирует генную конверсию. Более общий вывод состоит в том, что ИИ может помочь обнаружить биологические закономерности, скрытые в огромных геномных наборах данных, тысячи которых находятся в публичных архивах.

У других проектов была похожая траектория: Claude выдвигает первоначальный вывод, который кажется мне убедительным. Я представляю его эксперту, который остаётся равнодушным, но видит потенциал, и вместе мы превращаем его в значимую науку. Интересно, что некоторые из них перешли от количественных расчётов в стиле BootLoops к более общей работе в стиле Claude. Например:

• Экономика. Экономические журналы теперь просят авторов предоставлять пакет для воспроизведения результатов, и редактору часто поручают его проверку. Это тщательная ручная работа. Работая с двумя экономистами, мы создали редактора данных на основе искусственного интеллекта: он перенёс пакеты 400 статей из пяти ведущих журналов с MATLAB, Stata и других коммерческих инструментов в код с открытым исходным кодом (около 3000 процедур) и проверил практически каждое число, поддающееся проверке, по опубликованным таблицам. Результаты представлены в рабочем документе NBER.
• Лингвистика. Каталоги словесного ударения обычно составляются вручную и охватывают несколько сотен языков, с эффектами отбора и человеческими предпочтениями. Claude изучил все открыто доступные источники, и, работая с тремя лингвистами, мы создали AccStack: базу данных словесного ударения, охватывающую 6072 языка, с цитатой решающего фрагмента почти для каждой записи, а также библиографией из 160000 работ по фонологии.

Некоторые дополнительные примечательные результаты, каждый из которых был достигнут в сотрудничестве с экспертами и каждый из которых проходит дальнейшее исследование и проверку, включают:

• Филогенетика. Мы сделали байесовское свидетельство для эволюционных деревьев быстрым для вычисления и точно проверяемым и обнаружили, что отдельные гены часто оказываются связанными между конкурирующими деревьями различием, меньшим, чем ошибка стандартных программ выборки.
• Науки о Земле. Мы объединили уравнения и данные из атмосферных наук, геохимии и климатического моделирования, чтобы построить количественную предсказательную модель того, как Великое кислородное событие разворачивалось в ходе четырёх оледенений.
• Геномика. Мы изучили статистику подсчётов РНК отдельных клеток в большом масштабе, чтобы охарактеризовать скорости вспышечной экспрессии и отклонение от классической телеграфной модели экспрессии генов.
• Солнечные пятна. Мы вывели жизненный цикл солнечных пятен с использованием методов демографии человеческих популяций, а затем расширили методологию для характеристики пятен на звёздах — искажающего фактора во многих поисках экзопланет.
• Математическая физика. Мы решили «последнюю проблему» Уотсона: точную вероятность возвращения трёхмерного случайного блуждания с тремя неодинаковыми скоростями переходов — последний из решётчатых интегралов, изучение которых Джордж Уотсон начал в 1939 году.
• Космология. Мы создали полный теоретический инструментарий для подгонки космологических параметров к данным о крупномасштабной структуре Вселенной, включая полный спектр мощности на двухпетлевом уровне и триспектр на однопетлевом уровне.
• Статистика. Модели смесей печально известны своей нестабильностью; мы вывели точные приближения для их байесовского свидетельства, которые делают выбор модели практичным, с применениями от биостатистики до текстового анализа.

В целом, этот подход, заключающийся в итеративном улучшении BootLoops, поиске приложений, соответствующих форме Claude, и продвижении к научным рубежам вместе с экспертами, оказался поразительно продуктивным. Дополнительную информацию об этих и других проектах можно найти на bootloops.ai.

Технические подробности

Одновременная работа над множеством проектов (36 рукописей в 18 областях с 19 соавторами за три месяца, из примерно 400 возможных задач) требует большой координации — как от меня, так и от Claude. Настройка, делающая это управляемым, довольно проста. Все сеансы Claude Code запускаются в терминалах на виртуальных машинах Google Cloud, связанных с различными репозиториями GitHub и Overleaf в зависимости от предпочтений моих соавторов. У меня есть отдельные сеансы для каждого проекта, а также главный сеанс, который координирует остальные, распределяет вычислительные ресурсы и проверяет результаты. Каждый сеанс включает агентов, выполняющих вычисления в фоновом режиме, при этом промежуточные результаты сохраняются в файлах markdown в соответствующих папках. Эти подагенты полезны, потому что я регулярно сталкиваюсь с классификаторами Fable 5; вместо того чтобы эти блокировки нарушали работу всего моего сеанса, они просто отключают одного агента. У меня также есть отдельные сеансы для написания результатов; создания репозиториев GitHub, руководств по инструментам и сайта BootLoops; написания и проверки всего отдельного кода инструментов; а также проверки и повторной проверки результатов в качестве состязательного рецензента.

Тем не менее, сессии требуют много руководства. Например, у Claude нет чувства времени, и он любит драматизировать. В конце одного проекта он сказал мне: «Мэтт — формула решена. Два года кампании, четыре глубоких марша, …». Он работал всего три дня. Когда я спрашиваю о предполагаемых сроках, оценки всегда либо слишком завышены, либо слишком занижены. Я пытался говорить Claude не называть срок, пока он не проведёт тест для подтверждения, но это тоже работало плохо. Со временем я сам начал чувствовать, сколько времени займут дела, поскольку не мог полагаться на Claude в этом вопросе.

Более серьёзная проблема заключалась в том, что подход Claude по умолчанию, казалось, состоял в попытке продираться через долгие многодневные вычисления, а не создавать новый инструмент, который позволил бы выполнить те же вычисления всего за несколько минут. Снова и снова мне приходилось говорить ему, чтобы он думал умнее, а не работал усерднее. В ходе этих долгих проектов часто срабатывало сжатие, из-за чего Claude терял важный контекст. Чтобы защититься от этого, я периодически поручал Claude организовывать и консолидировать свои файлы, чтобы у него всегда был доступ к последней версии плана. Для решения этой проблемы я добавил в инфраструктуру BootLoops навыки протоколов и другие инструменты. Некоторые из этих проблем также были решены в хороших коммерческих инфраструктурах, таких как Claude Science. Но многие из них — это просто раздражающие особенности, присущие нынешнему поколению агентного искусственного интеллекта, которые, как я ожидаю, модели в конечном итоге перерастут.

Вот ещё несколько режимов сбоев, с которыми я столкнулся, и советы по их устранению:

• Claude любит объявлять победу. «Готово, с одной оговоркой» часто означает «совсем не готово». «Именно так, с одним уточнением» обычно означает «нет». Чёткие и строгие критерии успеха могут помочь в работе с Claude. В одном проекте он гордился своим доказательством — вплоть до «одной недоказанной леммы». Эта лемма и была всем доказательством! Я сказал: никаких недоказанных лемм. Затем снова «готово», но теперь с новой аксиомой.
• Проверяйте всё сами. Я всегда прошу показать графики. Даже при всех настроенных мной мониторах я обнаружил, что автоматическим проверкам всё равно нельзя доверять. Остерегайтесь качественных утверждений вроде «хорошее соответствие».
• Ставьте выводы под сомнение. Claude хорошо выполняет вычисления, но выводы, которые он делает, могут быть неверными. Просите его объяснять, что он обнаружил, пока Вы сами в это не поверите.
• Задавайте вкус. Claude может находить задачи, подходящие для Claude, но таких задач тысячи, возможно, миллионы. Claude, похоже, отдаёт предпочтение старым дискуссиям, широко цитируемым, но давно забытым. Просьба сосредоточиться на том, что стало возможным недавно, а не на том, что просто выполняется быстрее или включает больше цифр, помогает, но Вы всё равно не можете доверять его суждению о том, является ли что-то интересным.
• Продолжайте уточнять. Как только Claude выдаст отличный результат, попросите ещё более выдающийся. Он всегда что-нибудь придумает, и иногда это бывает блестяще.
• Остерегайтесь бесконечной работы. Честно говоря, мне так и не удалось заставить Claude хорошо оценивать время. Вместо этого я выработал чувство того, сколько времени должно занимать что-то интересное, и научился чувствовать, достигает ли Claude того, что я считал прогрессом, в разумные сроки. Модель будет работать бесконечно, если Вы ей позволите.

Также стоит упомянуть, что эти проекты требовали значительных вычислительных ресурсов и токенов. Часть затрат для меня была связана с попыткой создать инструменты, которые были бы полезны не только для какого-то одного проекта: соединять области и собирать пакет, который могли бы использовать другие. Я надеюсь, что каркас BootLoops сможет широко применяться в количественной науке без необходимости каждому пользователю заново создавать всё с нуля. Агентный искусственный интеллект упрощает соединение идей и обмен кодовыми базами, и если мы научимся использовать это преимущество, сообщество сможет двигаться быстрее, чем любой отдельный человек в одиночку.

Перспективы

Какими бы умными ни становились модели, большая часть научного прогресса основана на данных из реального мира, которые необходимо получать, понимать и проверять, причём каждый этап формирует следующий вопрос. Искусственный интеллект может находиться внутри этого цикла, и это действительно ценно, но он не сводит цикл к одной точке. Понимание накапливается постепенно, и каждый шаг опирается на предыдущий; лекарство от рака или термоядерный реактор появятся так же — не благодаря одному-единственному запросу.

Сосредоточенность на задачах тысячелетия и «большой науке» может быть, как любит говорить Claude, «футганом»: особенностью, из-за которой легко выстрелить себе в ногу. Здесь риск заключается в том, что нереалистичные ожидания могут помешать продуктивному применению уже доступных возможностей. Реальный прогресс, вероятно, будет происходить так, как происходил всегда: путём укрепления основ научных исследований и создания на их базе всё более сложных прикладных решений. Он значительно ускорится — как показывает описанная мной работа, — но я не вижу ни доказательств, ни необходимости пересматривать научный метод.

Термин, который мне нравится и который иногда используется при обсуждении науки об искусственном интеллекте, — это выпуклая оболочка. Возьмите фигуру и соедините каждую пару её точек прямой линией; полученная новая фигура будет наименьшей выпуклой фигурой, содержащей исходную: её выпуклой оболочкой. Наука сейчас очень разобщена: повсюду есть изрезанные границы. Биология выступает в одну сторону, математика — в другую. Одна лаборатория может потратить 20 лет на изучение всего о единственном наборе генов с помощью единственного освоенного ею метода, в то время как соседние гены и альтернативные методы остаются без внимания. Такая система, как BootLoops, может соединить эти точки, заполняя оболочку.

Всё меняется быстро, и планировать наперёд практически невозможно. Зачем подавать заявку на грант для финансирования на три года, чтобы вычислить задачу, которую модель искусственного интеллекта в итоге может решить за одну ночь? Я до сих пор не знаю, как обучать аспирантов. С тех пор как я опубликовал свою статью о вибрационной физике, это ощущение лишь усилилось. В некоторых областях, таких как компьютерные науки, потрясение откровенно пугает. Два года назад я бы рекомендовал курс «Python для инженеров» как необходимый. Сегодня он не нужен. Я потратил много времени на машинное обучение, создавая модели для изучения различных физических явлений. Теперь все эти модели может создавать искусственный интеллект, поэтому даже изучение тонкостей нейронных сетей имеет ограниченную пользу. Просто скажите Claude найти передовой подход в машинном обучении, и он сделает это за Вас.

Я думаю, BootLoops показывает, что если Вы находите правильную проблему, значительная часть технической работы по её решению теперь может быть автоматизирована. В некотором смысле это освобождает. Но люди всё ещё нужны для концептуальной части. Поэтому я надеюсь, что мы сможем придумать способ отдавать людям заслуженное признание даже за науку, созданную с помощью Claude. Любопытно, что искусственный интеллект рискует перевернуть обычную бизнес-модель, при которой человек наверху получает признание, а люди, непосредственно работающие над проблемой, не получают ничего. Я не знаю, чем это разрешится, но это не разрешится, если делать вид, будто вклад человека заключался в наборе текста.

И к чему же это приводит Джо-учёного? Если спросите меня — к очень хорошему месту, на самом деле. Теперь у нас под рукой есть инструменты, способные с молниеносной скоростью продвигаться в решении кажущихся неразрешимыми проблем. Я предвижу огромный рост на горизонте в областях, богатых данными, но испытывающих нехватку теории, таких как системная биология. Я также легко могу представить, как человеческий разум освобождается от утомительных вычислений и анализа, чтобы заниматься более глубокой интеллектуальной работой по определению направления и руководству. И прежде всего я ожидаю, что учёные будут выходить за пределы своей привычной области, чтобы находить синергию и сотрудничество, как это произошло у меня с BootLoops. Самый освежающий результат сосредоточения на науке, сформированной по образцу Claude, заключается в том, что это помогает нам ценить то, как выглядит наука, сформированная по образцу человека.

Подробности об инструментарии BootLoops и науке, которую он сделал возможной, можно найти на www.bootloops.ai. Инструментарий BootLoops размещён на GitHub, чтобы любой мог использовать его и вносить свой вклад.

Благодарности

Наука, которую я создавал вместе с Claude и BootLoops, не была бы и близко столь интересной без руководства и сотрудничества моих коллег-людей: Isaiah Andrews, Nima Arkani-Hamed, Michael Desai, Scott Edwards, Noam Elkies, Cecilia Garraffo, Matthew Gordon, Thomas Grimm, Martin Hemberg, Mikhail Ivanov, David Johnston, Gary King, Paul Lewis, Brendan Meade, Amara McCune, Joe Pater, Subhabrata Sen, Siddharth Mishra-Sharma, James O’Dwyer, Kevin Ryan, Jesse Shapiro и Xiaoyuan Zhang.

Раскрытие информации

В ходе этого проекта Schwartz работал приглашённым исследователем в Anthropic. BootLoops не является проектом Anthropic; он принадлежит Matthew Schwartz и поддерживается им.