AI 与科技 / 报道
AI 算对了，问题就值得研究吗？
Anthropic 刊出哈佛物理学家 Matthew Schwartz 的客座文章：他用自己的 BootLoops 项目，在三个月内与 19 位合作者做出涉及 18 个领域的 36 份研究手稿。手稿数量不是同行评审通过的论文数量。
他的做法是寻找适合 Claude 的问题：让模型编程、计算、迁移跨领域的方法，研究者负责提问和判断。项目从约四百个候选方向筛选，使用并行会话、持续更新的计划，以及互相挑错的审稿代理。Schwartz 同时是 Anthropic 的访问研究员，文章是参与者自述。
生态学案例解释了判断为什么不能省。模型发现巴拿马一处森林的物种组成变化比中性理论预测快约 4.5 倍；生态学家 James O’Dwyer 指出，定性现象早已知道，单是发现偏差还不够。研究随后转向扣除随机预测，解释余下变化的生物机制，并把人口统计模型扩展到更多样地。
遗传学项目也经历类似转折：一个罕见变异积分虽算得有趣，却未回答足够重要的生物问题。Schwartz 还记录了模型过早宣布完成、把未证明引理当公理等失败。专家反馈、图表检查和重新选题，比让代理无限重试更关键。
这份经验说明 AI 可以扩大计算和试错的范围，科学价值仍需要领域专家审查。本报读过客座全文，未逐项复现这 36 份手稿；文章也没有给出统一的算力成本或独立验证的科研产出回报率。
出处与继续阅读
原帖与补充依据已读