Claude‑形問題：重新定義 AI 在科學研究的角色
哈佛大學物理學者 Matthew Schwartz 在 Anthropic 的客座文章中指出，讓大型語言模型 Claude 像人類研究員那樣直接解題，往往收效甚微。相反，他提出「Claude‑形」問題的概念：即挑選那些能發揮當前 AI 強項、適合自動化計算的科研任務。此思路直接催生了 BootLoops——一套開源的精確科學計算框架，程式碼已上傳至 GitHub。
背景與方法：從「凸包」比喻到跨領域連結
Schwartz 用「凸包」(convex hull) 來說明人類知識的碎片化：各學科向不同方向延伸，之間的空白往往被忽視。傳統實驗室可能花二十年只研究單一基因集合，導致鄰近基因與替代方法被遺漏。BootLoops 的設計目標正是充當「橋樑」，讓 Claude 能在這些知識的「鋸齒」邊緣自動搜尋、計算，從而發掘潛在關聯。
成果與影響：跨足 18 個領域的 36 篇手稿
在三個月內，Schwartz 團隊利用 BootLoops 產出 36 篇 手稿，涵蓋 18 個 研究領域，並與 19 位 合著者合作。具體成果包括：
| 領域 | 主要發現 | AI 的貢獻 | |------|----------|-----------| | 粒子物理 | 計算 30 個橢圓積分（15 個已知、15 個首次求得） | Claude 於數小時內完成高難度積分 | | 生態學 | 解決中性生物多樣性理論中長達 20 年的方程式 | 揭示巴拿馬巴羅科隆島樹種組成變化速率為理論預測的 4.5 倍 | | 人口遺傳學 | 分析 1000 Genomes 計畫的 57 億突變對 | 發現 基因轉換 機制的統計證據 | | 經濟學 | 建置 AI 數據編輯器，檢查 4,452 份複製套件 | 成果以 NBER 工作報告形式發表 | | 語言學 | 建立涵蓋 6,072 種 語言的音節重音資料庫 | 由三位語言學家協作完成 |
在每個案例中，Claude 先提供計算或資料處理的初步結果，隨後領域專家介入，校正方向、解釋意義，最終將 AI 的輸出轉化為具體的科學貢獻。
未來展望：科研資金與人才培育的再思考
Schwartz 強調，AI 的演進速度已使「三年計畫」的傳統科研模式變得不合時宜：一項原本需要多年計算的工作，現在可能在一夜之間由 Claude 完成。這對 科研資金分配、論文發表節奏以及 博士生培訓 都提出挑戰。未來，研究者需要重新思考：
- 問題設計：聚焦於「Claude‑形」的可自動化、跨領域問題。
- 合作模式：AI 與專家共同迭代，讓機器提供大量候選解，專家負責驗證與詮釋。
- 教育改革：培養學生的 AI 操作與批判性思維，而非僅僅傳授傳統程式語言。
總結來說，BootLoops 示範了 AI 能在科學計算的「知識凸包」中填補空白，讓研究更具跨域整合力。隨著模型能力持續提升，如何善用「Claude‑形」問題，將成為未來科研策略的關鍵。