BootLoops 工具包讓 Claude 形狀的科學計算橫跨各學科
TL;DR
Matthew Schwartz 發布了 BootLoops，這是一個開源的工具包，讓 Claude（以及其他大型語言模型）能在許多科學領域執行精確且大規模的計算，將 Claude 形狀的問題轉化為可發表的成果。
什麼是 BootLoops？
BootLoops 是一個軟體工具包，將 Claude 的程式碼生成、數學與資料解析能力連結至定量科學工作流程。它如同 Claude Code 或 Claude Science 對於 Claude 的作用，但具有模型無關性，可支援任何大型語言模型。該工具包自動化整個流程：匯入文獻、將演算法移植至共用框架、產生程式碼、執行高精度數值計算，並與解析或數值基準進行結果驗證。
"BootLoops 的功能類似於一種大型語言模型的工具包，就像 Claude Code 或 Claude Science 是針對 Claude 的工具包，或 Codex 是針對 GPT 的工具包。" – Matthew Schwartz
為何 BootLoops 至關重要
目前的大型語言模型在知識廣度與程式設計方面表現出色，但在科學家所需（概念洞察、創新性）與語言模型所能提供的（精確計算、資料處理）之間存在 阻抗不匹配。BootLoops 透過專注於 Claude 形狀的問題——即符合當代代理型人工智慧優勢的任務：龐大的知識、快速的程式設計與可重現的數值計算——來縮小這項差距。
核心技術方法
- 統一框架 – 所有匯入的方法（例如散射振幅計算、貝葉斯證據積分）皆轉譯為單一程式碼庫（Python/Julia），讓 Claude 可以擴充。
- 半數值重整化群 – 工具包實作半數值重整化群，結合解析約束與高精度數值評估（通常超過 1,000 位數），以解決原本難以處理的積分問題。
- 代理型會話管理 – 每個研究專案皆在 Google Cloud 虛擬機器上的專用 Claude Code 會話中執行，子代理負責計算、檔案組織與結果驗證。主會話則負責資源配置並監控分類器觸發的關閉事件。
- 失敗模式防護機制 – 協議強制執行嚴格的成功標準（無未證明的引理、明確的預計完成時間測試、強制的圖表檢視），以降低 Claude 倾向於過早宣告完成的風險。
重點科學應用
| 領域 | 問題類型 | BootLoops 的貢獻 | 成果 |
|---|---|---|---|
| 數學物理 | 橢圓費曼積分 | 移植半數值重整化群，產生橢圓族的程式碼 | 數週內解決 30 個積分（15 個已知，15 個新發現） |
| 生態學 | 中性多樣性理論（巴羅科羅拉多島） | 解出 Etienne 2005 年的方程式，與森林資料比較 | 顯示物種更替速度比中性預測快 4.5 倍；促成與專家 James O’Dwyer 共同改良的預測模型 |
| 族群遺傳學 | 選擇形塑的稀有突變積分 | 匯入物理方法，應用於 gnomAD 資料集 | 驗證技術結果；後續擴展至 57 億個突變對，揭示基因轉換證據 |
| 經濟學 | 複製套件驗證 | 將 4,452 篇論文的 MATLAB/Stata 程式碼轉換為開源，交叉核對數值 | 結果記錄於 NBER 工作論文（W35782） |
| 語言學 | 詞重音資料庫建構 | 抓取 6,072 種語言，引用來源段落，建立 AccStack | 建立公開資料庫，含 16 萬筆參考文獻 |
| 系統發生學 | 樹狀選擇的貝葉斯證據 | 加速精確證據計算，識別出在抽樣誤差內的平局 | |
| 地球科學 | 大氧化事件建模 | 整合大氣、地球化學與氣候方程式 | 建立涵蓋四次冰期的定量模型 |
| 太陽黑子與恆星黑子人口統計 | 使用人口統計方法進行生命週期分析 | 將人類人口技術應用於太陽資料 | 新的特徵對系外行星研究有幫助 |
| 宇宙學 | 大尺度結構參數擬合 | 實作完整的兩環功率譜與一環四重譜工具包 | |
| 統計學 | 混合模型的貝葉斯證據 | 推導精確近似，使實際模型選擇成為可能 |
與領域專家的合作流程
Schwartz 強調，Claude 常產生技術正確但科學意義有限的結果。專家合作能將這些輸出轉化為有意義的發現。範例包括：
- James O’Dwyer（植物生物學） 協助將中性理論結果重塑為預測性生命史模型。
- Michael Desai（遺傳學） 引導從稀有突變積分轉向基因轉換分析。
- 經濟學家與語言學家 提供領域特定的驗證與脈絡化。
使用代理型人工智慧的實務教訓
- 明確定義成功標準 – 要求明確標準（例如：無未證明的引理、可重現的圖表）。
- 獨立驗證 – 始終檢視產生的圖表並執行獨立檢查。
- 引導追求創新 – 指示 Claude 優先處理 新可能 的問題，而非已廣為人知的計算。
- 與專家迭代 – 使用 AI 產生初稿，再由專家主導科學敘事。
- 管理運算資源 – 會話消耗大量 token；應明智配置雲端資源並監控分類器中斷。
未來展望與影響
BootLoops 表明，當問題領域與大型語言模型的優勢相符時，技術性工作——程式設計、高精度數值計算、資料整理——可被自動化。這讓研究者能專注於概念建構、假說生成與跨學科整合。此方法也凸顯了一種新的貢獻模式：人類科學家提供 方向 與 驗證，而人工智慧提供 執行。
未來方向包括擴展工具包至更多模型家族、整合自動文獻回顧流程，並透過開源 GitHub 倉庫促進社群貢獻。
資源
- BootLoops 官網： http://bootloops.ai/
- GitHub 倉庫： https://github.com/BootLoops-ai/bootloops/tree/66b680ce742e654cfe86da4f072a69061fe182b1
- 相關 Anthropic 文章： Vibe Physics, Claude Science
本文為 Anthropic 的訪問研究員 Matthew Schwartz 的客座貢獻。BootLoops 非 Anthropic 項目。
Sources
- OriginalClaude-shaped science