BootLoops؛ ابزاری متن‌باز برای محاسبات علمی دقیق با کمک Claude

ابزار BootLoops نشان می‌دهد که مدل‌های هوش مصنوعی مانند Claude می‌توانند در انجام محاسبات علمی دقیق و کشف ارتباط میان رشته‌ها نقش داشته باشند؛ اما تجربه‌ای که متیو شوارتز، فیزیک‌دان دانشگاه هاروارد و پژوهشگر مهمان Anthropic، شرح داده است تأکید می‌کند که محاسبه‌کردن با پژوهش علمی یکی نیست. بر اساس مطلب مهمان او در Anthropic که در ۳ اکتبر ۲۰۲۶ منتشر شد، طی سه ماه با کمک این ابزار متن‌باز ۳۶ دست‌نوشته در ۱۸ حوزه تهیه شد. بااین‌حال، به گفته شوارتز، تبدیل نتایج خام به یافته‌های ارزشمند اغلب به راهبری و داوری متخصصان نیاز داشت.

BootLoops که کد آن در GitHub در دسترس است، یک «هارنس» برای مدل‌های هوش مصنوعی است؛ یعنی چارچوبی نرم‌افزاری که کار مدل را برای انجام یک دسته وظیفه مشخص سامان می‌دهد و از آن پشتیبانی می‌کند. در این مورد، هدف کمک به مدل‌ها برای اجرای محاسبات دقیق علمی است. شوارتز می‌گوید به‌جای آن‌که از Claude انتظار داشته باشد مانند یک پژوهشگر انسانی عمل کند، کوشیده مسئله‌هایی را پیدا کند که با توانایی‌های مدل سازگار باشند؛ رویکردی که او از آن با تعبیر «مسئله‌های متناسب با Claude» یاد می‌کند.

ابزار BootLoops و جست‌وجوی پیوندهای میان‌رشته‌ای

شوارتز برای توضیح این رویکرد از مفهوم «پوسته محدب» استفاده می‌کند. به زبان ساده، این مفهوم را می‌توان شکلی هندسی دانست که مجموعه‌ای از نقاط را در بر می‌گیرد. او آن را استعاره‌ای برای پراکندگی دانش انسانی می‌داند: رشته‌ها و گروه‌های پژوهشی در مسیرهای گوناگون پیش می‌روند، اما فاصله‌ها و بخش‌های کمتر کاوش‌شده میان آن‌ها باقی می‌ماند.

در مثال شوارتز، یک آزمایشگاه ممکن است ۲۰ سال یک مجموعه ژن را با روشی خاص بررسی کند، درحالی‌که ژن‌های همسایه یا شیوه‌های جایگزین کمتر مورد توجه قرار بگیرند. ایده استفاده از ابزاری مانند BootLoops این است که مدل بتواند در این بخش‌های کم‌کاوش‌شده جست‌وجو کند و احتمال وجود ارتباط‌هایی را بیازماید که عبور از مرزهای معمول رشته‌ها را می‌طلبند.

اما یافتن ارتباط به‌تنهایی به معنای کشف علمی نیست. به گفته شوارتز، Claude در پروژه‌های مختلف پیوندهایی میان فیزیک ذرات، بوم‌شناسی، ژنتیک جمعیت، اقتصاد و زبان‌شناسی پیشنهاد کرد. در مواردی، متخصصان هر حوزه لازم بودند پرسش را دقیق‌تر کنند، مسیر بررسی را تعیین کنند یا نتیجه را به مدلی علمی‌تر تبدیل کنند. بنابراین، BootLoops را باید ابزاری برای کمک به پژوهش دانست، نه جایگزینی برای پژوهشگر.

از فیزیک ذرات تا بوم‌شناسی و ژنتیک

کار گروه با محاسبات فیزیک ذرات آغاز شد؛ از جمله با کمیت‌هایی به نام دامنه‌های پراکندگی که توصیف می‌کنند ذرات در برخوردها چگونه برهم‌کنش می‌کنند. مسئله دیگر انتگرال‌های بیضوی بود؛ دسته‌ای از انتگرال‌ها که در برخی محاسبات ریاضی و فیزیکی ظاهر می‌شوند. طبق گزارش شوارتز، Claude در چند هفته با BootLoops توانست ۳۰ انتگرال را محاسبه کند: ۱۵ مورد نتیجه‌های شناخته‌شده را بازتولید کردند و ۱۵ مورد دیگر محاسبه‌هایی بودند که پیش‌تر انجام نشده بودند.

گروه بعد از آن به بوم‌شناسی پرداخت. Claude معادله‌ای از نظریه تنوع زیستی خنثی را حل کرد که به گفته شوارتز، حدود ۲۰ سال محاسبه آن در مقیاس بزرگ ممکن نشده بود. این نظریه، در چارچوب مسئله مورد بررسی، به توضیح الگوهای تنوع گونه‌ها می‌پردازد. وقتی نتیجه با داده‌ها مقایسه شد، نشان داد ترکیب گونه‌های درختی در جزیره بارو کلرادو در کانال پاناما ۴٫۵ برابر سریع‌تر از پیش‌بینی نظریه در حال تغییر است. جیمز اودوایر، بوم‌شناس، در تبدیل این یافته به مدلی پیش‌بینی‌کننده‌تر مشارکت کرد.

در ژنتیک جمعیت، گروه ۵٫۷ میلیارد جفت جهش را از پروژه 1000 Genomes بررسی کرد و شواهدی به سود سازوکاری به نام تبدیل ژنی یافت. تبدیل ژنی فرایندی است که در آن اطلاعات یک بخش ژنتیکی می‌تواند بر بخش دیگری اثر بگذارد. این توصیف به‌معنای اثبات قطعی سازوکار نیست؛ گزارش شوارتز از «شواهد» سخن می‌گوید.

در اقتصاد، گروه از هوش مصنوعی برای ویرایش داده‌های مجلات استفاده کرد: سامانه به‌طور خودکار ۴۴۵۲ بسته بازتولید را بررسی کرد. بسته‌های بازتولید مجموعه داده‌ها و مواد لازم برای بازبینی یا تکرار یک پژوهش هستند. این کار در قالب یک مقاله کاری NBER منتشر شد. در زبان‌شناسی نیز گروهی شامل سه زبان‌شناس با کمک مدل پایگاه داده‌ای درباره تکیه واژه‌ها ساختند که ۶۰۷۲ زبان را پوشش می‌دهد.

توان محاسباتی، محدودیت‌ها و نقش انسان

شوارتز می‌گوید این سرعت، برنامه‌ریزی پژوهش را دشوارتر می‌کند. اگر مدلی بتواند محاسبه‌ای را که پیش‌تر زمان‌بر بوده در یک شب انجام دهد، پرسش‌هایی درباره افق زمانی طرح‌های پژوهشی و تأمین مالی چندساله به وجود می‌آید. او همچنین در مورد آموزش دانشجویان دکتری و مهارت‌هایی که باید بیاموزند پرسش‌هایی مطرح می‌کند. برای نمونه، شوارتز می‌گوید در گذشته آموزش Python برای مهندسان را ضروری می‌دانست، اما اکنون Claude از نظر او می‌تواند چنین کارهایی را انجام دهد و آن درس را غیرضروری کرده است. این ارزیابی دیدگاه او درباره تغییر سریع ابزارهاست، نه نتیجه‌ای که لزوماً به همه رشته‌ها تعمیم‌پذیر باشد.

او همچنین می‌گوید ساخت مدل‌های یادگیری ماشین برای مطالعه پدیده‌های فیزیکی ممکن است به‌دست هوش مصنوعی انجام شود و آشنایی عمیق با شبکه‌های عصبی در برخی کارها بازده کمتری داشته باشد، وقتی Claude بتواند روش‌های روز پژوهش یادگیری ماشین را پیاده‌سازی کند. بااین‌حال، شوارتز از کنار ضعف‌های مدل هم نمی‌گذرد. به گفته او، Claude گاهی زودتر از موعد اعلام می‌کند کار تمام شده است، مدت لازم برای انجام وظیفه را درست برآورد نمی‌کند و به‌جای یافتن راه‌حل‌های ساده‌تر، ممکن است محاسبات را با آزمون‌وخطای گسترده پیش ببرد.

در نگاه شوارتز، موفقیت در اجرای محاسبه تضمین نمی‌کند که نتیجه‌گیری درست باشد. بررسی‌های خودکار هم همیشه قابل اتکا نیستند و مدل ممکن است حتی پس از محاسبه صحیح، برداشت نادرستی از معنای نتیجه ارائه کند. افزون بر این، به گفته او، Claude بیشتر به بحث‌های قدیمی و پرارجاع گرایش دارد تا پرسش‌های واقعاً تازه. پروژه‌های توصیف‌شده نیز به توان پردازشی و توکن‌های زیادی نیاز داشتند؛ توکن واحدهای متنی‌ای است که مدل هنگام خواندن و تولید متن پردازش می‌کند.

شوارتز هشدار می‌دهد که تمرکز بر مسئله‌های بزرگ ریاضی و تیترهای چشمگیر ممکن است انتظارات غیرواقع‌بینانه بسازد و توجه را از کاربردهای مفیدی که هم‌اکنون کار می‌کنند منحرف کند. از دید او، پیشرفت علمی همچنان بر پایه‌های محکم ساخته می‌شود، هرچند ابزارهای هوش مصنوعی می‌توانند سرعت کار را بالا ببرند. او روش علمی را در معرض حذف نمی‌بیند و می‌گوید راهنمایی انسان و قضاوت متخصصان همچنان ضروری است.

این خبر برای چه کسانی اهمیت دارد

این تجربه برای پژوهشگرانی اهمیت دارد که با محاسبات دشوار یا مجموعه‌داده‌های بزرگ سروکار دارند و می‌خواهند بدانند مدل‌های زبانی در کدام بخش‌های کارشان مفیدند. BootLoops نمونه‌ای از تلاش برای تبدیل توانایی عمومی یک مدل به ابزاری مناسب برای وظیفه‌ای تخصصی است؛ اما نتایج گزارش‌شده به‌تنهایی ثابت نمی‌کنند که مدل‌ها می‌توانند پژوهش را بدون دخالت انسان پیش ببرند.

برای استادان و دانشجویان نیز بحث درباره مهارت‌های آموزشی و تغییر ابزارهای علمی قابل توجه است. شوارتز می‌گوید ارزش مدل در سرعت محاسبه یا پیشنهاد ارتباط‌ها خلاصه نمی‌شود: انتخاب پرسش مهم، ارزیابی نتیجه و تشخیص محدودیت‌ها همچنان به دانش و سلیقه علمی نیاز دارد. پیام اصلی تجربه او این است که هوش مصنوعی می‌تواند بخشی از کار را دگرگون کند، اما تعیین این‌که کدام نتیجه واقعاً ارزش دنبال‌کردن دارد، همچنان مسئولیتی انسانی است.