這篇文章真正展示的是「可重跑的工具+人類判斷」如何放大研究團隊,而不是 Claude 已經能獨立完成科學發現。作者公布的數量很吸引人,卻不能取代每一項計算的外部複核。
已確認的事實
Anthropic 於 2026 年 10 月 1 日刊出 Schwartz 的來賓文章;他也披露自己曾是 Anthropic visiting researcher,而 BootLoops 並非 Anthropic 專案,工具由他本人維護。
BootLoops 官方資料把它定位為開放原始碼、模型無關的 exact quantitative science harness。模型可以發出指令和協助寫程式,但高精度數值、解析限制與確定性程式負責計算,結果要留下可檢查的紀錄。
Schwartz 自述曾用 Claude Opus 4.5 協助完成 30 組 Feynman integrals:15 組重現既有結果,另 15 組是他稱為此前未計算的結果;這是作者報告,不等於 15 項已被外部確認的新發現。
文章還描述一個約三個月、從約 400 個候選問題篩到 36 篇手稿、涵蓋 18 個領域的研究流程。BootLoops 索引標示部分工作仍是 preliminary 或 in preparation,不能把手稿數當成同儕審查論文數。
Ground Truth 於 2026 年 10 月 2 日交叉整理上述數字,並指出專家曾把技術上正確、但科學意義不明的結果導向更值得研究的問題;這與原文強調的人類監督一致。
訊號報分析
這個案例的價值在工作流,不在「模型突然變成科學家」。BootLoops 把模型放進有輸入、程式、精度、版本和檢查點的流程,讓人可以重跑每一步,而不是只相信一段流暢的解釋。
重現既有結果和得到新結果是兩種不同證據。前者能測試流程是否能回到已知答案;後者還要面對先前文獻、假設、數學正確性、領域意義與獨立複核,不能用同一個數字包裝。
「專家提供品味」不是裝飾性的人工介入:文章描述的合作裡,專家會改變問題方向,避免團隊只追逐容易計算卻不重要的答案。對研究機構而言,這可能比單純追求模型分數更實用。
工具採模型無關設計,理論上可換用不同 LLM,降低被單一供應商鎖定的風險;但實際錯誤率、提示策略、成本和移植品質仍可能隨模型而變,必須用同一套任務比較。
開源、可重跑和高精度檢查能讓審查更具體,卻不會自動產生學術共識。真正的可信度仍來自公開原始碼、獨立重現、領域專家判讀和清楚的作者/貢獻揭露。
仍未知的部分
- 36 篇手稿各自的公開狀態、同儕審查、獨立重現和最終學術影響,目前沒有一份完整且外部稽核的總表。
- 作者使用的模型版本、提示與代理設定、重試次數、token/GPU 成本,以及和沒有 AI 的專家基線相比省下多少時間,尚未有可比的完整數據。
- 15 組所稱「此前未計算」的積分,是否都已由其他研究者檢查數學假設、數值精度和文獻新穎性,仍要逐篇查看計算包和論文。
- 把既有演算法移植到生態、人口遺傳、經濟或語言學等領域時,模型在哪些情況會悄悄改變假設、漏掉邊界條件或產生看似合理的程式,公開資料尚未提供系統性錯誤率。
- 研究資源、作者貢獻、資料授權與未來維護責任如何分配,及其他團隊能否在不同模型和硬體上重現同樣結果,仍待後續公開。
讀者可以怎麼核對
- 先把「Anthropic 來賓文章中的作者自述」和「BootLoops 官方工具文件」分開讀,再看 Ground Truth 等獨立整理;不要把宣傳頁面的語氣當成外部證據。
- 查看 BootLoops 手稿索引的狀態與原始碼,確認每個結果是否有可重跑腳本、精度紀錄、版本資訊和限制,而不是只看 36 篇的總數。
- 閱讀數字時分開 15 組重現與 15 組新計算:重現成功代表流程可用,新結果還需要數學、文獻和領域意義的額外驗證。
- 若文章聲稱 AI「完成科學發現」,追問誰選題、誰檢查假設、誰判定結果重要,以及是否有不依賴原團隊的重跑結果。
- 把計算正確、程式可執行、研究問題有價值和成果已被社群接受視為四個不同關卡,避免用其中一關替代其他三關。
後續追蹤
- BootLoops 手稿索引是否補上預印本、同儕審查、修訂與獨立重現連結。
- 作者或其他團隊是否公開可重跑的計算包,並在不同模型、硬體和提示設定下報告成本與錯誤。
- 15 組新計算與跨領域案例是否被外部研究者確認,或因假設、資料和邊界條件而被修正。
- 模型無關的 harness 是否真的能讓其他 LLM 和研究團隊採用,而不只是針對一次合作調校。
- 後續論文如何揭露 Anthropic visiting researcher 身分、模型貢獻、作者排序、資料授權與人類研究者的責任。
本文提供資訊與研究脈絡,不構成個別投資、法律或財務建議。數據和政策可能更新,決策前請核對最新原文。