Открытый набор инструментов BootLoops показал, что языковую модель можно превратить не только в собеседника, но и в помощника для точных научных расчётов. Однако направление поиска и проверка результата по-прежнему остаются человеческой работой.
Суть события
Физик Гарвардского университета Мэттью Шварц описал BootLoops — открытый набор инструментов для выполнения точных научных вычислений с помощью моделей Claude. Подход строится вокруг «задач, похожих на Claude»: модель получает не просьбу рассуждать как человек-исследователь, а последовательность формальных операций, где её сильные стороны можно проверить автоматически.
За три месяца команда подготовила 36 рукописей в 18 областях с участием 19 соавторов. Это не означает, что все результаты стали открытиями. Скорее, BootLoops ускоряет перебор расчётных направлений и помогает заметить связи, до которых исследовательская группа могла бы не добраться в обычном темпе.
Детали
В физике частиц Claude с помощью BootLoops вычислил 30 интегралов: 15 воспроизвели известные результаты, ещё 15 были рассчитаны впервые. В экологии модель решила уравнение из теории нейтрального биоразнообразия, которое около 20 лет не удавалось вычислять в нужном масштабе. При проверке данных с острова Барро-Колорадо выяснилось, что состав древесных видов меняется в 4,5 раза быстрее, чем предсказывала теория; эколог Джеймс О’Двайер помог превратить наблюдение в более полезную модель.
В другом проекте команда изучила 5,7 млрд пар мутаций из проекта 1000 Genomes и получила свидетельства в пользу механизма генной конверсии. Среди прикладных задач были также проверка 4452 пакетов для воспроизведения результатов в экономических журналах и база ударений для 6072 языков. Эти примеры важны не масштабом цифр сами по себе, а тем, что модель работала как вычислительный конвейер, а не как генератор красивых догадок.
Контекст
BootLoops не отменяет научный метод. Модель может правильно выполнить вычисление и всё равно ошибиться в выводе. Она склонна объявлять задачу решённой слишком рано, переоценивать скорость работы, выбирать грубый перебор вместо элегантного решения и возвращаться к хорошо изученным темам вместо новых вопросов. Автоматические проверки тоже не гарантируют, что получившийся результат имеет научный смысл.
Поэтому главный ресурс здесь — не автономность, а связка «модель плюс специалист». ИИ прочёсывает разрозненные области и быстро проверяет гипотезы, а эксперт задаёт направление, оценивает правдоподобие и решает, что стоит превращать в исследование. Для лабораторий это может менять планирование проектов и обучение начинающих учёных: часть рутинных расчётов дешевеет и ускоряется, но требования к постановке задачи и критической проверке растут.
Что дальше
Практический вывод пока осторожный: BootLoops полезен там, где результат можно воспроизвести, сопоставить с исходными данными и проверить предметным специалистом. Наиболее реалистичный сценарий — использовать такие инструменты для поиска связей между дисциплинами, подготовки черновых вычислений и выявления узких мест, а не поручать им финальные научные выводы.
Следить за этим сдвигом стоит не только исследовательским группам. Опыт разработчика, который с помощью Claude Code собрал быстрый PostgreSQL-клиент, показывает тот же принцип в инженерной работе: ИИ ускоряет производство, но качество определяется тем, насколько точно человек формулирует задачу и принимает результат.
