Mã nguồn mở "BootLoops" hỗ trợ các mô hình AI thực hiện tính toán khoa học chính xác

Nghiên cứu AI Hệ thống "BootLoops" mã nguồn mở hỗ trợ các mô hình AI thực hiện tính toán khoa học chính xác Ngày 03/10/2026 Nano Banana Pro được tạo bởi THE DECODER Những điểm chính * Nhà vật lý học Matthew Schwartz của Đại học Harvard đã xây dựng "BootLoops", một hệ thống mã nguồn mở sử dụng các mô hình ngôn ngữ cho các tính toán khoa học và thu hẹp khoảng cách kiến thức giữa các lĩnh vực. * Trong ba tháng, Schwartz và 19 đồng tác giả đã tạo ra 36 bản thảo trên 18 lĩnh vực, từ tính toán vật lý hạt đến mô hình hóa sinh thái và phân tích bộ gen. * Schwartz cảnh báo rằng các mô hình thường tuyên bố thành công quá sớm hoặc đưa ra kết luận sai từ các tính toán đúng, do đó sự giám sát và xác minh của con người là điều cần thiết. Giải quyết vấn đề tự động và nghiên cứu liên quan không phải là một. Đây là nhận định từ một bài đăng của khách mời trên Anthropic của Giáo sư Matthew Schwartz, một nhà vật lý tại Đại học Harvard. Ông mô tả cách ông ngừng cố gắng sử dụng Claude như một nhà nghiên cứu con người và thay vào đó bắt đầu tìm kiếm "các vấn đề phù hợp với Claude", tức là các nhiệm vụ phát huy thế mạnh của các mô hình AI hiện nay. Schwartz hiện cũng là nhà nghiên cứu khách mời tại Anthropic. "Các vấn đề phù hợp với Claude" nằm ở giao điểm giữa những gì các nhà khoa học muốn nghiên cứu và những gì AI thực sự có thể làm được. | Ảnh: Anthropic Cách tiếp cận đó đã dẫn đến BootLoops, một hệ thống mã nguồn mở dành cho các tính toán khoa học chính xác. Mã nguồn có sẵn trên GitHub. Theo Schwartz, sử dụng hệ thống này, Claude đã tìm thấy mối liên hệ giữa vật lý hạt, sinh thái học, di truyền học quần thể, kinh tế học và ngôn ngữ học. Tuy nhiên, các kết quả thường chỉ trở nên có giá trị khoa học khi các chuyên gia trong lĩnh vực can thiệp để định hướng. Schwartz sử dụng khái niệm "bao lồi" để minh họa cách AI có thể hỗ trợ trong khoa học. Kiến thức của con người bị phân mảnh, với các lĩnh vực riêng lẻ mở rộng theo các hướng khác nhau trong khi những khoảng trống giữa chúng chưa được khám phá. Một phòng thí nghiệm có thể dành 20 năm nghiên cứu một tập hợp gen bằng một phương pháp duy nhất, bỏ qua các gen lân cận và các cách tiếp cận thay thế. Một hệ thống AI như BootLoops được cho là sẽ lấp đầy những khoảng trống đó bằng cách tạo ra các kết nối xuyên suốt các ranh giới kiến thức phức tạp. Kiến thức của con người trải rộng trên nhiều lĩnh vực khác nhau trong khi những khoảng trống giữa chúng vẫn chưa được khám phá. Các hệ thống AI như BootLoops được thiết kế để lấp đầy những khoảng trống đó. | Ảnh: qua Anthropic 36 bản thảo trên 18 lĩnh vực trong ba tháng Trong hơn ba tháng, nhóm đã tạo ra 36 bản thảo trên 18 lĩnh vực với 19 đồng tác giả. Schwartz bắt đầu với các tính toán vật lý hạt, cụ thể là biên độ tán xạ và tích phân elip. Trong vòng vài tuần, Claude đã tính toán 30 tích phân bằng BootLoops, trong đó 15 tích phân tái tạo các kết quả đã biết và 15 tích phân được tính toán lần đầu tiên. Sau đó, ông mở rộng tìm kiếm sang các lĩnh vực khác. Trong sinh thái học, Claude đã giải một phương trình 20 năm tuổi từ lý thuyết đa dạng sinh học trung tính mà trước đây không thể tính toán ở quy mô lớn. Khi áp dụng vào dữ liệu, các kết quả cho thấy thành phần loài cây trên đảo Barro Colorado ở Kênh đào Panama đang thay đổi nhanh hơn 4,5 lần so với lý thuyết cho phép. Nhà sinh thái học James O'Dwyer sau đó đã giúp biến phát hiện đó thành một mô hình dự đoán tốt hơn. Trong di truyền học quần thể, nhóm nghiên cứu đã phân tích 5,7 tỷ cặp đột biến từ Dự án 1000 Genomes và tìm thấy bằng chứng về một cơ chế gọi là chuyển đổi gen. Các dự án khác bao gồm một trình biên tập dữ liệu AI cho các tạp chí kinh tế, tự động kiểm tra 4.452 gói tái tạo (được xuất bản dưới dạng NBER Working Paper), cũng như một cơ sở dữ liệu trọng âm từ vựng bao gồm 6.072 ngôn ngữ, được xây dựng với sự hợp tác của ba nhà ngôn ngữ học. "Python cho kỹ sư giờ đã lỗi thời" Schwartz mô tả tốc độ AI đang thay đổi khoa học nhanh chóng đến mức việc lập kế hoạch trước gần như trở nên bất khả thi. Tại sao phải nộp đơn xin tài trợ ba năm để cấp vốn cho một phép tính mà một mô hình AI có thể giải quyết chỉ sau một đêm? Việc đào tạo nghiên cứu sinh tiến sĩ cũng đã trở thành một câu hỏi mở. Kể từ bài đăng trước đó của ông về Vibe Physics, cảm giác này chỉ càng mạnh mẽ hơn. Trong một số lĩnh vực như khoa học máy tính, sự gián đoạn đang ở mức đáng báo động. Hai năm trước, ông sẽ gọi khóa học "Python cho Kỹ sư" là "thiết yếu", nhưng ngày nay nó "không cần thiết" vì Claude có thể xử lý các tác vụ đó. Xây dựng các mô hình học máy (ML) để nghiên cứu các hiện tượng vật lý là một lĩnh vực khác mà AI giờ đây có thể đảm nhiệm. Ngay cả kiến thức sâu về mạng nơ-ron cũng mang lại lợi ích hạn chế khi Claude có thể triển khai trạng thái nghiên cứu ML hiện tại theo yêu cầu. "Hãy tự mình xem xét mọi thứ" Schwartz cũng cảnh báo về những điểm yếu của các mô hình. Claude thích tuyên bố chiến thắng quá sớm, và những cụm từ như "xong, với một dấu hoa thị" thường có nghĩa là "hoàn toàn chưa xong". Nó đánh giá sai thời gian cần thiết để hoàn thành các tác vụ và có xu hướng thực hiện các phép tính bằng phương pháp vét cạn thay vì tìm ra các giải pháp thanh lịch hơn. Các kiểm tra tự động không đáng tin cậy, và kết luận của Claude có thể sai ngay cả khi các phép tính của nó là đúng. Ngoài độ tin cậy, mô hình còn có xu hướng tập trung vào các cuộc tranh luận cũ, được trích dẫn nhiều thay vì các câu hỏi thực sự mới. Và các dự án này "ngốn tài nguyên tính toán và token", Schwartz cho biết. Schwartz cũng coi việc tập trung vào các bài toán toán học lớn và các tiêu đề giật gân là rủi ro. Những kỳ vọng không thực tế có thể làm xao nhãng khỏi các ứng dụng hiệu quả đang hoạt động tốt hiện nay. Tiến bộ thực sự vẫn sẽ được xây dựng trên nền tảng vững chắc, chỉ nhanh hơn. Phương pháp khoa học tự nó không bị đe dọa, và sự hướng dẫn cùng gu thẩm mỹ của con người vẫn là không thể thiếu, Schwartz nhận định. Tin tức AI không cường điệu – Được tuyển chọn bởi con người Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo tiên phong độc quyền "AI Radar" sáu lần một năm, truy cập toàn bộ kho lưu trữ và truy cập vào phần bình luận của chúng tôi. Đăng ký ngay Nguồn: Anthropic