Investigador de Harvard propone buscar problemas científicos adaptados a Claude

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.
Por qué es importante
AnálisisMuestra 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
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Un matemático de Anthropic afirma una posible demostración de la hipótesis de Riemann con Claude
Levent Alpoge señala que el trabajo conjunto con Claude podría haber producido una demostración de la hipótesis de Riemann.
Anthropic presenta Claude Platform OAuth para conectar organizaciones sin claves API
Claude Platform OAuth permite a los usuarios conectar su organización de Claude mediante OAuth, pagar el uso de la API directamente y revocar el acceso en cualquier momento.
Control de Computadora a Través de IA (Computer Use)
La tecnología de Anthropic (presentada en los modelos Claude 3.5 Sonnet) permite a la red neuronal controlar el sistema operativo como lo haría una persona: tomar capturas de pantalla, analizar coordenadas de ventanas, mover el cursor, hacer clic en botones e ingresar texto sin utilizar APIs especiales.
Inteligencia Artificial Constitucional (Constitutional AI / RLAIF)
Método de alineación del comportamiento de modelos desarrollado por el laboratorio Anthropic (creadores de Claude). En lugar de utilizar millones de horas de trabajo manual, el modelo critica y corrige sus propias respuestas basándose en un conjunto claro de principios éticos ('Constitución').