Claude塑造的科学 - Anthropic

Anthropic 近日发布了一篇由马修·施瓦茨教授撰写的客座文章，讨论如何让当前的大语言模型在科学研究中真正发挥作用。施瓦茨此前曾在《Vibe Physics》一文中比较过 Claude 与物理学研究生的能力差异，而这次他提出了一个新思路：与其强迫 Claude 像人类科学家那样工作，不如让它去寻找“Claude 形状”的问题——也就是最适合当前一代大模型能力结构的那类课题。沿着这个方向，他开发了一套名为 BootLoops 的工具包，用于定量科学中的精确计算。由于类似的计算模式经常在不同科学领域反复出现，Claude 在构建过程中自动发现了与生态学、群体遗传学以及十几个其他学科之间的联系。这些联系在技术上往往成立，但最初在科学意义上并不突出，于是施瓦茨与各领域专家合作，引导 BootLoops 转向那些领域真正关心的问题。 这篇文章的核心矛盾在于：AI 模型正在快速变强，但学术科学家在实际使用中却常常感到脱节。模型确实能解决一些长期存在的难题，但大多集中在数学这类问题定义清晰、答案可绝对验证的领域。而绝大多数科学问题并非如此。施瓦茨将这种落差称为“阻抗失配”——科学家想要的东西和 AI 擅长的事情之间对不上。他给出的解法不是等待下一代模型，而是主动寻找失配较小的场景。BootLoops 本质上是一个面向大模型的“挽具”，类似 Claude Code 之于 Claude、Codex 之于 GPT，它把模型能力约束到一类特定的定量科学问题上，并且开源，可以搭配任意模型使用。施瓦茨强调，当前 AI 工具虽然无法解决大多数科学问题，但在某些“智能体式 AI 形状”的任务上表现惊人。一旦 Claude 有了 BootLoops，它就开始反复注意到同一个模式：许多领域都存在一些数学、物理或计算机科学中的现成技术，只要有人知道它的存在，就能直接解决问题。施瓦茨把这类问题称为“Claude 形状”的问题，并跟随它们走出了自己的高能理论物理主场，进入地质学、生物学、经济学和语言学。在这些领域，他无法凭自身判断 Claude 的发现是否真正有价值，于是找到相关专家来评估。在专家指导下，BootLoops 在多个研究方向取得了实质性进展。