Наука в духе Claude01.10.2026 03:00

Краткое содержание: В этой гостевой статье профессор Мэттью Шварц возвращается к теме нового подхода к науке с ускорением на основе ИИ. В статье «Физика на вайбе» Шварц рассказал о сходстве возможностей Claude и аспиранта-физика. Здесь он описывает, что произошло, когда он перестал бороться с Claude и позволил ему искать задачи «под стать Claude» — те, которые лучше всего соответствуют возможностям нынешнего поколения инструментов на базе больших языковых моделей. Так он создал BootLoops — набор инструментов для точных вычислений в количественных науках. Поскольку подобные вычисления часто встречаются в совершенно разных областях науки, Claude обнаружил связи с экологией, популяционной генетикой и ещё десятком дисциплин. Поначалу эти связи часто оказывались технически верными, но не представляли особого научного интереса, поэтому Шварц привлёк экспертов в соответствующих областях, чтобы направить BootLoops на вопросы, которые важны для этих дисциплин. Ниже мы подробнее рассказываем об этих проектах и о том, как появился BootLoops.

Агентный ИИ быстро развивается. Все замечают, что модели, похоже, становятся умнее: они больше знают, реже ошибаются и предлагают лучшие идеи. Если следить за динамикой, легко уверенно рассуждать о потенциале ИИ, способного совершить революцию в науке. Однако учёные, которые сегодня пытаются использовать модели в своей работе, часто ощущают разрыв между ожиданиями и реальностью. Модели могут решать сложные и давно стоящие перед наукой задачи, но пока это в основном чётко сформулированные применения уже существующих методов. Большинство громких новостей, похоже, приходит из математики — единственной области науки, где задачу можно полностью сформулировать, а ответ — однозначно проверить. Но большая часть науки устроена иначе. И для многих из нас, исследователей и студентов, разрыв между громкими заголовками и тем, что происходит при использовании этих моделей, становится источником раздражения и тревоги.

На мой взгляд, корень проблемы в том, что, несмотря на блестящие способности этих моделей, нынешние большие языковые модели не лучше всего справляются с работой в роли учёного-человека. Claude и GPT хорошо разбираются в науке, но они не учёные: да, они умны, но, чтобы добиться от них чего-то научно ценного, часто приходится буквально вести их за руку. Физики назвали бы это «несогласованием импедансов»: две системы по отдельности работают исправно, но плохо сочетаются друг с другом, поэтому большая часть того, что вводится в одну, не доходит до другой. В данном случае не совпадают потребности учёных и то, что ИИ умеет делать хорошо.

Как же это исправить?

Я начал искать примеры, в которых несогласование импедансов выражено не так остро. Для начала я поручил Claude создать доступный набор инструментов для математической физики. Вскоре эти инструменты пригодились и для решения других задач. Этот итеративный процесс привёл к созданию комплекса программных средств и научных протоколов, который я назвал BootLoops. BootLoops служит своего рода рабочей средой для большой языковой модели — подобно тому, как Claude Code или Claude Science служат средой для Claude, а Codex — для GPT. Я обнаружил, что BootLoops особенно хорошо подходит для определённого класса количественных задач в науке. Кроме того, это открытый проект, поэтому его можно использовать с любой моделью на ваш выбор.

Нынешнее поколение инструментов ИИ не способно решать большинство научных задач. Однако некоторые задачи, «подходящие для агентного ИИ», ему удаются поразительно хорошо.

Получив в распоряжение BootLoops, Claude раз за разом замечал одну и ту же закономерность: во многих областях есть задачи, которые можно было бы сразу решить с помощью метода из математики, физики или информатики, если бы кто-нибудь знал о его существовании. Я стал называть их задачами «под стать Claude» и начал искать их за пределами теоретической физики высоких энергий — моей родной области, — обращаясь к геологии, биологии, экономике и лингвистике. В этих дисциплинах я не мог полагаться на собственные знания, чтобы оценить, насколько интересны находки Claude. Поэтому я нашёл экспертов и спросил их. Под их руководством BootLoops помог добиться существенного прогресса во многих областях исследований.

Ниже я расскажу, как появился BootLoops, опишу некоторые первые результаты в областях, где применял этот инструмент, и поделюсь своими соображениями о том, как сегодня преодолеть несогласование импедансов между учёными-людьми и ИИ.

Claude, бери руль!

В декабре прошлого года я попробовал использовать Claude в качестве научного ассистента и обнаружил, что Claude Opus 4.5 работает на уровне сильного аспиранта, но в 20 раз быстрее. Хотя в конце эксперимента Claude подготовил качественную научную статью, процесс оказался мучительным. Мне приходилось исправлять каждое написанное им предложение, уводить его от не относящихся к делу тем и вытаскивать из тупиков.

Этим летом я решил попробовать другой подход: вместо того чтобы воспринимать Claude как соавтора, каким я хотел бы его видеть, я стал воспринимать его таким, какой он есть. Для этого нужно было найти задачи, подходящие его сильным сторонам. Сейчас Claude просто не способен помочь мне с глубокими концептуальными вопросами, зато обладает практически безграничной широтой знаний во всех областях, невероятными навыками программирования, передовыми знаниями математики и статистики, а также умеет разбирать научные статьи, приложения и данные с машинной скоростью.

Естественно было начать поиски задач «под стать Claude» с областей, где могло помочь программирование. Когда летом 2026 года Anthropic выпустила Claude Fable 5, я захотел проверить, применимы ли её кибервозможности к научным вычислениям. Поэтому я решил поручить ей перенести, написать и усовершенствовать различные методы из нескольких моих статей и смежных работ по амплитудам рассеяния.

Амплитуды рассеяния позволяют интерпретировать данные Большого адронного коллайдера: сталкиваются два протона с энергией 13 триллионов электронвольт, а амплитуда служит теоретическим мостом между обломками столкновения и тем, что оно породило, — бозоном Хиггса или какой-нибудь неизвестной новой частицей. В основе этих вычислений лежат диаграммы Фейнмана — многомерные интегралы определённого вида. Каждый из интегралов, над которыми мы сейчас бьёмся, может стать темой докторской диссертации или на годы занять целую исследовательскую группу.

За последние 20 лет появился альтернативный подход — бутстрэп S-матрицы. Вместо того чтобы напрямую вычислять интеграл, в рамках этого подхода накладывают физические ограничения, пока не останется единственный возможный ответ. Знание того, где амплитуда бесконечна (её «особенностей»), может сократить число вариантов до 20 000; симметрия уменьшит их число до 500 — и так далее, пока не останется один. Традиционный бутстрэп целиком аналитический и наиболее далеко продвинулся в теориях с максимальной симметрией, где ограничения сводят число вариантов к одному (пример — девятицикловая амплитуда в N=4 суперсимметричной теории Янга — Миллса). В условиях, более близких к реальному миру, ограничений часто не хватает, чтобы довести дело до конца. Более новый поворот — полунумерический бутстрэп — позволяет заполнить этот пробел, если можно также вычислить амплитуду в нескольких точках с невероятной точностью, иногда до 1 000 знаков: если возможных вариантов осталось достаточно мало, эти числа точно определяют оставшиеся коэффициенты.

Полунумерический бутстрэп казался идеальной задачей для агентного ИИ. Он объединяет математику, физику и информатику, которыми не владеет в совершенстве ни один человек; требует большого объёма программирования и разработки алгоритмов;, а его результаты можно проверить: те же численные методы позволяют любому — специалисту или нет — сверить итоговый ответ с интегралом с любой желаемой точностью, запустив два скрипта. Кроме того, знания сообщества распределены неравномерно: удачные идеи реализованы на Wolfram Language, C++, Python или Julia, а ещё больше идей изложено в статьях, к которым не прилагается код. Поэтому первым заданием для Fable 5 было перенести всё это в единую среду и написать код, которого не хватало в статьях.

Claude справился с этим без труда. Я удивился, когда он воспроизвёл результаты моей статьи примерно за 20 минут, тогда как на написание кода для этого у меня ушли недели. Но я не удивился, когда он сообщил, что я выполнял вычисления крайне неэффективно и что существует лучший алгоритм, о котором я не знал. 

Затем я попросил Claude найти нерешённые задачи об амплитудах, которые он мог бы вычислить. Оказалось, что задачи, достаточно простые для бутстрэпа S-матрицы, достаточно просты и для людей — и, действительно, большинство из них уже решено. Тем не менее Claude нашёл несколько нерешённых задач. Обсудив это с моделью, я понял, что она ограничивается амплитудами, описываемыми простейшим семейством функций — логарифмами. Тогда я спросил: сможет ли она проделать то же самое для следующего по сложности семейства — эллиптических функций?

Эллиптические интегралы чрезвычайно сложны даже для таких людей, как я, которые посвящают вычислению интегралов значительную часть времени. За всю историю удалось вычислить лишь несколько эллиптических интегралов Фейнмана, и, насколько известно мне и Claude, ни один из них не был полностью решён с помощью бутстрэпа. Дело не в том, что методы не сработали бы, — просто никто не пробовал, поскольку необходимые для этого знания распределены между множеством людей. Claude же без труда обобщил все инструменты, которые он перенёс и создал для логарифмического случая, на эти другие классы интегралов. На этот раз большую часть программного обеспечения он написал сам или позаимствовал из математики, а не из физики. По мере развития набора инструментов он стал решать один интеграл за другим. Вскоре у нас было 30 интегралов, полностью обработанных BootLoops: 15 результатов, полученных этим новым методом и подтвердивших известные решения, и 15 интегралов, которые прежде никто не вычислял.

Всё это произошло всего за несколько недель. Поначалу я думал, что мне будет достаточно просто написать об этом статью, но соблазн проверить, что ещё мы можем сделать — то есть я и Claude с BootLoops, — оказался слишком велик.

«Я знаю кунг-фу»

Одна из приятных особенностей науки состоит в том, что одни и те же уравнения часто снова и снова появляются в разных контекстах. Например, в физике уравнения диффузии, Фоккера — Планка и Шрёдингера имеют одинаковую математическую форму, поэтому метод, разработанный для решения одной задачи, часто можно применить и ко многим другим. Я знал, что вычисления, с которыми хорошо справляется BootLoops, имеют и другие области применения — например, в космологии и теории струн. Но я не знал — и Claude охотно мне об этом рассказал, — что эти интегралы могут соответствовать интегралам байесовского свидетельства в популяционной генетике, а методы конечных полей, применяемые для сведения интегралов Фейнмана, могут пригодиться и в задачах эволюционной биологии.

Так начался особенно плодотворный период поиска и решения задач «под стать Claude» (а точнее, «под стать BootLoops»). Некоторые идеи сразу казались перспективными. Например, филогенетика изучает, как выстраивать виды в генеалогические деревья на основе ДНК; соответствующее вычисление — это интеграл байесовского свидетельства, результатом которого является одно число, показывающее, насколько хорошо предполагаемое дерево объясняет наблюдаемую ДНК. Это интеграл того же типа, для вычисления которого изначально создавался BootLoops. Когда появлялись новые идеи, я настаивал, чтобы Claude не только использовал старые инструменты, но и создавал новые, расширяя рабочую среду. Каждый инструмент, даже созданный в рамках неудачного проекта, открывал новые возможности. Claude становился всё способнее. Это напоминало Нео из «Матрицы» после загрузки кунг-фу.

Однако проекты всё дальше уходили за пределы моей профессиональной зоны комфорта, и я начал беспокоиться. Когда Claude заявляет, что проделанная им работа в моей области потрясающая, я могу оценить, так ли это (обычно нет). Но когда он говорит, что нечто потрясающее получилось у него в другой области, я ловлю себя на том, что соглашаюсь. Чем сильнее росли мои сомнения, тем яснее я понимал, что нужно привлечь экспертов и убедиться в результатах. И действительно, оказалось, что почти во всех случаях Claude был технически прав, но результат не представлял особого интереса, пока эксперт не помогал нам выбрать верное направление.

Один из таких проектов касался нейтральной теории биоразнообразия в экологии. В любой экосистеме одни виды процветают, а другие исчезают. Нейтральная теория ставит вопрос: насколько такая динамика жизненного цикла объясняется случайностью? Опираясь на предыдущие исследования, эколог Стивен Хаббелл в 2001 году выдвинул провокационное предположение, что, возможно, случайностью объясняется всё. В 2005 году эколог Рампал Этьен сформулировал уравнение, описывающее теорию Хаббелла и позволяющее, по крайней мере в принципе, точно её проверить. К сожалению, на протяжении 20 лет никто не мог решать это уравнение для больших объёмов данных. Claude распознал в уравнении Этьена задачу «под стать BootLoops» и решил её. Применив вычисления к данным, мы установили, что в самом изучаемом лесу на Земле — на острове Барро-Колорадо в Панамском канале — состав видов деревьев меняется в 4,5 раза быстрее, чем допускает нейтральная теория.

Воодушевлённый этим результатом, я поделился им с Джеймсом О«Дуайером, профессором биологии растений и специалистом по нейтральной теории. Джеймс проявил терпение. Он оценил техническое достижение, но сказал, что результаты, скорее всего, «не вызовут у многих экологов ничего, кроме пожатия плечами». Экологи и раньше, на более качественном уровне, замечали, что нейтральная теория не успевает за реальными лесами. Но у Джеймса была идея получше: вычесть нейтральный прогноз и изучить остаток. Это помогло бы лучше понять, какие изменения обусловлены естественным отбором, конкуренцией и различиями между видами.

Мы с Джеймсом начали интенсивно работать с Claude над созданием усовершенствованной модели. Джеймс получил физическое образование, поэтому языковой барьер между дисциплинами преодолеть было проще, но, как и многие учёные, он ещё не успел по-настоящему оценить потенциал агентного ИИ. По мере развития сотрудничества я стал своего рода посредником между Claude и Джеймсом: переводил высказывания Claude на понятный Джеймсу язык и следил, чтобы модель не сбивалась с курса, а Джеймс подталкивал её к результату, который мог бы заинтересовать экологов. Итогом мы все трое гордимся: это минималистичная прогностическая модель жизненных циклов, прекрасно согласующаяся с данными. Сейчас мы распространяем её с Панамы на другие участки лесов по всему миру, используя наборы данных, которые Claude помог систематизировать.

Каждый участок лесной инвентаризации в США описан через стратегию жизненного цикла его растительности: выносливая (долгоживущая), энергичная (быстрорастущая) или плодовитая (активно дающая новые побеги). Классификация основана на демографической модели, созданной Шварцем и О«Дуайером с помощью Claude. Она характеризует каждый вид по продолжительности жизни, росту и пополнению популяции, вычитая колебания, вызванные случайностью (нейтральная теория биоразнообразия), чтобы выявить биологические особенности конкретных видов.

Ещё один проект был посвящён точным вычислениям в популяционной генетике — области, изучающей, как и почему гены различаются внутри популяции. Сначала Claude применил методы из математической физики, чтобы решить интегральное уравнение, которому уже 30 лет и которое описывает, как естественный отбор влияет на редкие мутации. Мы применили его к gnomAD — крупнейшему общедоступному каталогу генетических вариаций человека. Claude был в восторге от результата, но я не был в нём уверен. Мне пришлось написать трём биологам, прежде чем один из них ответил, но в конце концов мне удалось привлечь коллегу Майкла Десаи, который работает в этой области, хотя и не занимается именно этой задачей. Как и Джеймс, Майкл оценил технический результат, но научная сторона его не убедила.

Однако Майкл заметил, что более значимые результаты можно получить, изучив корреляции между парами мутаций в одной хромосоме с помощью той же или сходной методологии. В этих рамках Claude нашёл и создал новые инструменты, например сертификаты неравенств, используемые при компьютерной проверке математических доказательств, и добавил их в набор BootLoops. Затем мы проанализировали 5,7 миллиарда пар близко расположенных мутаций в геномах из проекта »1000 геномов» и обнаружили свидетельства механизма, называемого генной конверсией. Это важная находка, поскольку почти все исследования, использующие сцепленные генетические вариации, — от изучения истории популяций до картирования заболеваний — не учитывают генную конверсию. Более общий вывод состоит в том, что ИИ может помогать обнаруживать скрытые закономерности в огромных геномных наборах данных, тысячи которых хранятся в общедоступных архивах.

У других проектов была похожая траектория: Claude делает первоначальную находку, которая кажется мне убедительной. Я обращаюсь к эксперту, которого она не впечатляет, но который видит потенциал, и вместе мы превращаем её в значимый научный результат. Любопытно, что некоторые из этих проектов постепенно отошли от количественных вычислений «под стать BootLoops» к более общим задачам «под стать Claude». Например:

• Экономика. Экономические журналы теперь требуют от авторов предоставлять пакет для воспроизведения результатов, а редактору часто поручают его проверку. Это кропотливая ручная работа. Вместе с двумя экономистами мы создали ИИ-редактора данных: он перенёс пакеты к 4 452 статьям из пяти ведущих журналов с MATLAB, Stata и других коммерческих инструментов на открытый код (около 30 000 процедур) и сверил практически каждое число, которое можно было проверить, с опубликованными таблицами. Результаты представлены в рабочей статье NBER.
• Лингвистика. Каталоги словесного ударения обычно составляют вручную; в них представлены лишь несколько сотен языков, а на данные влияют выборка и предпочтения исследователей. Claude изучил все общедоступные источники, и вместе с тремя лингвистами мы создали AccStack — базу данных словесного ударения для 6 072 языков. Почти для каждой записи в ней приводится решающий фрагмент источника, а библиография включает 160 000 работ по фонологии.

Вот ещё несколько примеров, каждый из которых реализован в сотрудничестве с экспертами и сейчас проходит дальнейшую проверку и изучение:

• Филогенетика. Мы ускорили вычисление байесовского свидетельства для эволюционных деревьев и сделали его результаты точными и проверяемыми. Выяснилось, что для отдельных генов конкурирующие деревья часто различаются на величину меньшую, чем погрешность стандартных программ выборки.
• Науки о Земле. Мы объединили уравнения и данные из атмосферных наук, геохимии и климатического моделирования, чтобы построить количественную прогностическую модель развития Великого кислородного события в течение четырёх оледенений.
• Геномика. Мы масштабно изучили статистические характеристики количества РНК в отдельных клетках, чтобы описать скорости всплесков экспрессии и отклонения от классической телеграфной модели экспрессии генов.
• Солнечные пятна. Мы вывели жизненный цикл солнечных пятен, используя методы демографии человеческих популяций, а затем расширили методологию, чтобы описать пятна на звёздах — фактор, осложняющий многие поиски экзопланет.
• Математическая физика. Мы решили «последнюю задачу» Уотсона: точно вычислили вероятность возвращения трёхмерного случайного блуждания с тремя неодинаковыми скоростями перемещения — последнюю из решёточных задач интегрирования, над которыми Джордж Уотсон начал работать в 1939 году.
• Космология. Мы создали полный набор теоретических инструментов для подгонки космологических параметров под данные о крупномасштабной структуре Вселенной, включая полный двухпетлевой спектр мощности и однопетлевой трисpectrum.
• Статистика. Смесевые модели известны своей нестабильностью; мы вывели точные приближения для их байесовского свидетельства, благодаря которым выбор модели становится практически осуществимым. Среди возможных применений — от биостатистики до текстового анализа.

В целом этот подход — итеративное совершенствование BootLoops, поиск задач «под стать Claude» и продвижение к переднему краю науки в сотрудничестве с экспертами — оказался поразительно продуктивным. Подробнее об этих и других проектах можно узнать на сайте bootloops.ai.

Технические подробности

Одновременная работа над множеством проектов — 36 рукописей в 18 областях с 19 соавторами за три месяца из примерно 400 потенциальных задач — требует значительной координации и от меня, и от Claude. Настроить процесс так, чтобы он оставался управляемым, оказалось довольно просто. Все сеансы Claude Code запускаются в терминалах на виртуальных машинах Google Cloud и связаны с разными репозиториями GitHub и Overleaf — в зависимости от предпочтений моих соавторов. Для каждого проекта у меня есть отдельный сеанс, а также главный сеанс, который координирует остальные, распределяет вычислительные ресурсы и проверяет результаты. В каждом сеансе работают агенты, выполняющие вычисления в фоновом режиме; промежуточные результаты сохраняются в файлах Markdown в соответствующих папках. Субагенты полезны, поскольку я регулярно сталкиваюсь с классификаторами Fable 5: вместо того чтобы из-за этих блокировок срывался весь сеанс, останавливается только один агент. У меня также есть отдельные сеансы для написания результатов; создания репозиториев GitHub, руководств по инструментам и сайта BootLoops; написания и проверки кода для каждого инструмента;, а также проверки и перепроверки результатов в роли придирчивого рецензента.

И всё же сеансами приходится активно руководить. Например, Claude не чувствует времени и любит драматизировать. В конце одного проекта он сообщил мне: «Мэтт — формула решена. Два года кампании, четыре тяжёлых похода…» А ведь он работал над задачей всего три дня. Когда я прошу оценить сроки, прогнозы всегда оказываются либо чрезмерно долгими, либо слишком короткими. Я пробовал просить Claude не называть срок, пока он не проведёт проверочный тест, но и это не очень помогло. Со временем я сам научился прикидывать, сколько займёт работа, поскольку не мог полагаться на оценки Claude.

Ещё серьёзнее была проблема с тем, что Claude по умолчанию пытался часами, а то и днями выполнять длинные вычисления вместо того, чтобы создать новый инструмент, который позволил бы решить ту же задачу за несколько минут. Снова и снова мне приходилось говорить ему: думай умнее, а не усерднее. В ходе длительных проектов нередко срабатывала компактизация контекста, из-за которой Claude терял важную информацию. Чтобы этого избежать, я периодически просил Claude упорядочивать и сводить воедино файлы, чтобы у него всегда была под рукой последняя версия плана. Для решения этой проблемы я добавил в рабочую среду BootLoops навыки работы по протоколам и другие инструменты. Некоторые из этих проблем уже решены в хороших коммерческих средах, например в Claude Science. Но многие из них — просто раздражающие особенности нынешнего поколения агентного ИИ, которые, как я ожидаю, модели со временем перерастут.

Вот ещё несколько проблем, с которыми я столкнулся, и советы, как с ними справляться:

• Claude любит объявлять о победе. «Готово, но есть один нюанс» зачастую означает «совсем не готово». «Именно так, с одной поправкой» обычно означает «нет». Здесь помогает чётко и строго определить, что считать успехом. В одном проекте Claude гордился доказательством, в котором оставалась «одна недоказанная лемма». Эта лемма и была всем доказательством! Я сказал, что недоказанных лемм быть не должно. Тогда он снова объявил: «Готово», —, но теперь в доказательстве появилась новая аксиома.
• Проверяйте всё сами. Я всегда прошу показать графики. Даже с настроенными мной системами мониторинга я обнаружил, что автоматическим проверкам всё равно нельзя доверять. Не верьте качественным оценкам вроде «хорошее согласие».
• Сомневайтесь в выводах. Claude хорошо выполняет вычисления, но выводы, которые он делает, могут быть неверными. Просите его объяснять результаты, пока вы сами в них не убедитесь.
• Добавляйте собственное чутьё. Claude может находить задачи «под стать Claude», но таких задач тысячи, а возможно, и миллионы. Судя по всему, Claude предпочитает старые споры, которые когда-то часто цитировали, но давно забыли. Просьба сосредоточиться на том, что стало возможным совсем недавно, а не просто выполняется быстрее или с большим числом знаков, помогает, но всё равно нельзя доверять его оценкам интересности.
• Просите продолжить. Если Claude получил отличный результат, попросите его найти ещё лучше. Он всегда что-нибудь предложит, и иногда это будет блестящая идея.
• Следите, чтобы он не увяз в рутине. Честно говоря, мне так и не удалось научить Claude хорошо оценивать сроки. Вместо этого я сам научился понимать, сколько должна занимать интересная задача, и замечать, продвигается ли Claude, на мой взгляд, разумными темпами. Если позволить модели, она будет бесконечно топтаться на месте.

Стоит также отметить, что эти проекты требовали больших вычислительных ресурсов и расходовали много токенов. Отчасти расходы объяснялись тем, что я старался создавать инструменты, полезные не только для одного проекта: связывать разные области и собирать пакет, которым могли бы воспользоваться другие. Надеюсь, рабочую среду BootLoops удастся широко применять в количественных науках, чтобы каждому пользователю не приходилось собирать всё с нуля. Агентный ИИ упрощает обмен идеями и кодовыми базами, и если мы научимся использовать это преимущество, научное сообщество сможет двигаться быстрее, чем любой отдельный исследователь.

Перспективы

Как бы ни поумнели модели, большая часть научного прогресса по-прежнему зависит от данных, полученных в реальном мире: их нужно собрать, понять и проверить, а каждый новый этап подсказывает следующий вопрос. ИИ может стать частью этого цикла, и это действительно ценно, но он не сводит весь цикл к одной точке. Понимание накапливается постепенно, каждый шаг опирается на предыдущий; именно так появятся и лекарство от рака, и термоядерный реактор — не благодаря одному-единственному запросу.

Сосредоточенность на задачах премии тысячелетия и большой науке может быть, как любит говорить Claude, «грабельным оружием» — функцией, из-за которой легко выстрелить себе в ногу. В данном случае риск в том, что нереалистичные ожидания могут помешать уже доступным продуктивным способам применения ИИ. Реальный прогресс, вероятно, будет идти так же, как всегда: укрепляя основы научных исследований и создавая на их базе всё более сложные приложения. Темпы резко возрастут — это показывает описанная мной работа, —, но я не вижу ни доказательств, ни необходимости пересматривать научный метод.

Мне нравится термин, который иногда используют, говоря о науке с ИИ, — выпуклая оболочка. Возьмите фигуру и соедините прямой линией каждую пару её точек: новая фигура окажется наименьшей выпуклой фигурой, содержащей исходную, — её выпуклой оболочкой. Сегодня наука сильно фрагментирована: повсюду видны зубчатые рубежи. Биология продвинулась в одном направлении, математика — в другом. Какая-нибудь лаборатория может 20 лет изучать всё о единственной группе генов с помощью единственного освоенного метода, в то время как соседние гены и альтернативные методы остаются без внимания. Рабочая среда вроде BootLoops может связать эти точки и заполнить выпуклую оболочку.

Современные научные знания имеют неровные границы: отдельные учёные и научные направления продвинулись дальше в одних областях, чем в других. Промежуточные области, до которых люди в принципе могут добраться, но которых не достиг ни один конкретный человек, идеально подходят для ИИ. Такие программные пакеты, как ACTUARY или NUMKIN в составе BootLoops, помогают заполнить пробелы.

Всё меняется стремительно, и планировать наперёд практически невозможно. Зачем подавать заявку на грант, чтобы три года финансировать вычисления для решения задачи, которую модель ИИ, возможно, решит за одну ночь? Я до сих пор не знаю, как обучать аспирантов. С тех пор как я опубликовал свою статью о вайб-физике, это ощущение только усилилось. В некоторых областях, например в информатике, перемены откровенно пугают. Два года назад я бы назвал курс «Python для инженеров» обязательным. Сегодня он не нужен. Я потратил немало времени на машинное обучение, создавая модели для изучения различных физических явлений. Теперь все эти модели может создавать ИИ, поэтому даже изучение нейронных сетей до мельчайших подробностей приносит лишь ограниченную пользу. Просто попросите Claude найти передовой подход к машинному обучению — и он всё сделает за вас.

Думаю, BootLoops показывает: если найти подходящую задачу, значительную часть технической работы по её решению теперь можно автоматизировать. В каком-то смысле это освобождает. Но для концептуальной части люди по-прежнему необходимы. Поэтому я надеюсь, что нам удастся найти способ воздавать людям должное даже за науку, созданную при участии Claude. Любопытно, что ИИ грозит перевернуть привычную бизнес-модель, при которой все заслуги достаются тому, кто стоит во главе, а те, кто непосредственно работает над задачей, не получают ничего. Я не знаю, как это разрешится, но притворяться, будто вклад человека сводился к набору текста, — не выход.

И где же это оставляет учёного Джо? На мой взгляд, в прекрасном положении. Теперь у нас под рукой инструменты, способные стремительно продвигать вперёд решение задач, которые кажутся неразрешимыми. Я предвижу мощный рост в таких областях, как системная биология, где данных много, а теорий не хватает. Мне также легко представить, как люди освобождаются от утомительных вычислений и анализа, чтобы заниматься более глубокой интеллектуальной работой — выбирать направление и задавать ориентиры. И, прежде всего, я ожидаю, что учёные будут выходить за пределы своей привычной сферы, находить точки соприкосновения и сотрудничать — как это произошло у меня с BootLoops. Самый воодушевляющий результат внимания к науке, созданной при участии Claude, — это то, что она помогает нам понять, как выглядит наука, созданная людьми.

Подробности о платформе BootLoops и научных исследованиях, которые она сделала возможными, можно найти на сайте www.bootloops.ai. Платформа BootLoops доступна на GitHub — любой желающий может пользоваться ею и вносить свой вклад.

Благодарности

Наука, которой я занимался с Claude и BootLoops, была бы далеко не столь интересной без советов и сотрудничества моих коллег: 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

Во время работы над этим проектом Schwartz был приглашённым исследователем в Anthropic. BootLoops — не проект Anthropic; он принадлежит Matthew Schwartz, который также занимается его поддержкой.