Skip to main content
AI RADARModelos
181•02/10/2026, 16:17•4 min

Investigador de Harvard propone buscar problemas científicos adaptados a Claude

Investigador de Harvard propone buscar problemas científicos adaptados a Claude
Resumen ejecutivo30 seg

El enfoque «Claude-shaped problems» aprovecha las fortalezas de los LLM para encontrar métodos matemáticos transferibles entre disciplinas, aunque requiere criterio experto sobre su valor científico.

Matthew Schwartz, que previamente usó Claude para escribir un trabajo completo de física teórica en dos semanas, continuó el experimento. Esta vez decidió no forzar al modelo a actuar como científico, sino buscar problemas científicos que se ajusten a las fortalezas de los LLM modernos.

Él los llama Claude-shaped problems. La idea es que en distintas áreas de la ciencia aparecen estructuras matemáticas muy similares, pero los investigadores de un campo pueden simplemente no saber que el método que necesitan ya existe desde hace tiempo en otro. Los LLM son especialmente buenos encontrando esas conexiones en una gran cantidad de literatura dispersa.

Para ello, Schwartz y Claude crearon BootLoops, un conjunto de herramientas para cálculos matemáticos exactos. Originalmente se creó para física teórica, pero Claude empezó a encontrar prácticamente los mismos problemas en ecología, genética, economía, lingüística y otros campos.

Por ejemplo, en ecología el modelo encontró una ecuación de la teoría de la biodiversidad que durante unos 20 años no se sabía calcular de forma eficiente con grandes datos, y la resolvió con métodos de física matemática. En genética de poblaciones, Claude encontró una forma de calcular exactamente una integral que durante unos 30 años había tenido que estimarse de forma aproximada. Esto permitió a los investigadores probar un modelo de recombinación del ADN en un enorme conjunto de datos genéticos y detectar huellas de conversión génica que antes eran difíciles de aislar.

Sin embargo, apareció un problema importante: Claude era bastante bueno encontrando resultados técnicamente correctos, pero pobre comprendiendo si eran realmente interesantes para una ciencia concreta. Schwartz llevó estos hallazgos varias veces a especialistas del área y recibía aproximadamente la misma respuesta: técnicamente impresionante, científicamente no muy interesante.

Por eso el flujo de trabajo cambió. Claude busca conexiones entre campos, escribe código, realiza cálculos y explora hipótesis, mientras que el científico especialista decide qué pregunta realmente vale la pena plantear. Así, un resultado que al principio parecía poco interesante en ecología se convirtió, junto con un experto, en un nuevo modelo de dinámica de bosques, y un cálculo en genética llevó al análisis de miles de millones de pares de mutaciones.

Schwartz cree que aquí los modelos de IA modernos ya pueden acelerar notablemente la ciencia. Una enorme capa de problemas científicos puede resolverse no inventando un nuevo método, sino transfiriendo un método existente desde otra disciplina.

Anthropic Research

Por qué es importante

Análisis

Muestra que los LLM pueden acelerar la ciencia conectando áreas distantes, pero los expertos siguen siendo necesarios para decidir qué resultados son realmente relevantes.

Debatir en la comunidad

Comparte tus preguntas e ideas con desarrolladores

Unirse a Telegram
+5 Points
← Volver a noticias

Relacionado en el ecosistema

Guías prácticas, terminología y skills de agentes