AI намери решения на проблеми в 22 научни области

Харвардският физик Матю Шварц и 19 съавтори публикуваха наведнъж 36 ръкописа, подготвени за три месеца с помощта на Claude и собствен отворен инструментариум, наречен BootLoops. Обзорната статия излезе в arXiv на 1 октомври 2026 г. (arXiv:2610.02286), Anthropic описа проекта в „Claude-shaped science“, а Science обобщи резултата с извода, че в десетки области е имало задачи, чието решение стои на видно място — само в чужда научна литература.

Основната идея: един и същ математически апарат, различни полета

Наблюдението на Шварц е просто и неудобно: много области имат проблеми, които една техника от математиката, физиката или компютърните науки би решила направо — ако някой знаеше, че съществува. Хората обикновено не знаят, защото никой не чете едновременно статии по колайдерна физика и по популационна генетика.

За езиковия модел прескачането между полетата е евтино. Затова екипът е пуснал Claude да търси задачи с еднаква математическа структура в несвързани дисциплини — и после е решавал намереното с инструменти, пренесени от физиката на високите енергии.

BootLoops не е модел, а скеле

BootLoops е harness — над 70 научни инструмента, пренесени в една обща рамка и документирани така, че да ги чете агент, плюс тестове, през които всеки отговор трябва да мине. Там са реални, познати на специалистите пакети: Kira, AMFlow, pySecDec, FIESTA, Arb, PSLQ.

Режимът на проверка е „fail-closed“: резултатът се приема само ако два независими пътя за изчисление съвпаднат до поне 30 верни цифри, а където трябва — до 100–300 цифри. Преди да се пипнат реални данни, всеки конвейер трябва да възстанови известен отговор и да хване умишлено подправени входни данни.

Кодът е на GitHub (github.com/BootLoops-ai), с отворен лиценз и без обвързване с конкретен модел — версия 1.0 е правена с Claude, но харнесът тръгва и с Gemini, и с ChatGPT. Anthropic е финансирал работата, но проектът не е негов продукт.

Числата зад 36-те ръкописа

• Около 400 разгледани кандидат-задачи, от които са останали 36 ръкописа с 19 съавтори.
• 30 Feynman интеграла в колайдерната физика: 15 възпроизвеждат известни резултати по нов начин, 15 (полилогаритмични, елиптични и Калаби-Яу) не са били изчислявани досега.
• 5,7 милиарда двойки мутации от 1000 Genomes, анализирани за следи от генна конверсия.
• 4 452 репликационни пакета от икономически статии, преведени към отворен код (NBER Working Paper 35782).
• 6 072 езика в базата ACCSTACK за словна акцентна структура и тон.

Тематичният обхват е наистина широк: демография на слънчевите петна и смъртта им от турбулентна ерозия, Голямото окисляване на земната атмосфера, точна байесова вероятност за филогенетични дървета, анизотропният интеграл на Уотсън, звездите в Medicare рейтингите, закръгляването в американския стандарт за озон и дори статия „Как е написан Манускриптът на Войнич“. Самият сайт на проекта говори за 22+ научни области; Anthropic брои 18 полета за конкретните 36 ръкописа.

Един пример показва и как се проверява такова нещо: според неутралната теория за биоразнообразието видовият състав на гората на остров Баро Колорадо би трябвало да се сменя определено бавно — точното решение и три десетилетия преброявания показват, че се сменя около 4,5 пъти по-бързо. Теорията не е потвърдена, а оборена с числа.

Къде моделът се проваля

Шварц е изненадващо откровен за ограниченията. Формулировката му е: „Claude и GPT са добри в науката, но не са учени“ — умни са, но докато излезе нещо със научна стойност, им трябва много водене за ръка.

Конкретните оплаквания: моделът обявява победа прекалено рано („готово, с една звездичка“ обикновено значи „никак не е готово“), не умее да преценява време, предпочита да мели изчисления, вместо да си направи по-добър инструмент, губи контекст при дълги проекти и гравитира към вече дискутирани въпроси, вместо към нови. The Decoder добавя и че изчислението може да е вярно, а изводът — грешен, ако никой не е преценил дали въпросът е смислен.

Затова разделението на труда е ясно: AI поема сметките, пренасянето на алгоритми и кода, а специалистите по съответната област дават посоката и валидират резултата.

Защо това не е същото като 700-те файла на OpenAI

Разликата с масовото публикуване на AI ръкописи от OpenAI, което математиците нарекоха демонстрация без наука, е в два детайла: тук всеки резултат минава през проверки, които могат да се повторят с обикновен Python скрипт, и всеки ръкопис има човешки съавтори от съответната област.

Това е и най-полезният извод за читателя: засега печелившата формула не е „AI прави наука“, а „AI пренася готов апарат там, където никой не е знаел, че е приложим“. Сред резултатите има теми, които директно продължават класическата астрофизика — например работата по слънчевите петна стъпва върху същите 150 години наблюдения, с които се занимава и проследяването на магнитните switchbacks от Solar Orbiter. Тепърва ще се види колко от 36-те ръкописа ще минат рецензия.