Badacz z Harvardu proponuje szukanie problemów naukowych „kształtowanych pod Claude”
Podejście oparte na problemach „kształtowanych pod Claude” wykorzystuje mocne strony modeli LLM do identyfikacji przenoszalnych metod matematycznych między dyscyplinami, przy jednoczesnym zachowaniu kluczowej roli eksperckiej oceny wartości naukowej.
Matthew Schwartz, który wcześniej wykorzystał model Claude do napisania pełnej pracy z zakresu fizyki teoretycznej w ciągu dwóch tygodni, kontynuował swój eksperyment. Tym razem postanowił nie wymuszać na modelu zachowań typowych dla naukowca, lecz szukać problemów naukowych, które idealnie odpowiadają mocnym stronom współczesnych dużych modeli językowych (LLM).
Schwartz nazywa je problemami kształtowanymi pod Claude (Claude-shaped problems). Idea polega na tym, że bardzo podobne struktury matematyczne regularnie pojawiają się w różnych dziedzinach nauki, jednak badacze pracujący w jednym obszarze często nie wiedzą, że potrzebna im metoda od dawna istnieje i jest stosowana w innej dyscyplinie. Modele LLM są szczególnie skuteczne w znajdowaniu takich powiązań wśród ogromnej ilości rozproszonej literatury naukowej.
W tym celu Schwartz we współpracy z Claude stworzył BootLoops – zestaw narzędzi do dokładnych obliczeń matematycznych. Narzędzie to powstało pierwotnie na potrzeby fizyki teoretycznej, ale Claude zaczął odkrywać praktycznie identyczne problemy w ekologii, genetyce, ekonomii, lingwistyce i innych dziedzinach.
Na przykład w ekologii model znalazł równanie z teorii bioróżnorodności, które przez około 20 lat nie było efektywnie obliczalne na dużych zbiorach danych, a następnie rozwiązał je, stosując metody z fizyki matematycznej. W populacyjnej genetyce Claude wykrył sposób na dokładne obliczenie całki, którą przez około 30 lat jedynie aproksymowano. Pozwoliło to badaczom przetestować model rekombinacji DNA na ogromnym zbiorze danych genetycznych i wykryć ślady konwersji genów, które wcześniej trudno było wyizolować.
Jednak pojawił się istotny problem: Claude był bardzo dobry w znajdowaniu technicznie poprawnych wyników, ale słaby w rozumieniu, czy są one rzeczywiście interesujące z punktu widzenia danej dziedziny nauki. Schwartz wielokrotnie przedstawiał takie odkrycia ekspertom domenowym, otrzymując mniej więcej tę samą reakcję: wyniki są technicznie imponujące, ale naukowo mało ciekawe.
W związku z tym zmieniono przepływ pracy. Claude wyszukuje połączenia między dziedzinami, pisze kod, wykonuje obliczenia i eksploruje hipotezy, podczas gdy naukowiec-domenowy decyduje, które pytanie jest naprawdę warte zadania. Dzięki temu wynik, który początkowo wydawał się nieinteresujący w ekologii, stał się – po konsultacji z ekspertem – nowym modelem dynamiki lasów, a obliczenie w genetyce doprowadziło do analizy miliardów par mutacji.
Schwartz uważa, że właśnie tutaj współczesne modele AI mogą już znacząco przyspieszać rozwój nauki. Ogromna warstwa problemów naukowych może zostać rozwiązana nie poprzez wymyślanie nowych metod, ale poprzez przeniesienie istniejących rozwiązań z innych dziedzin.
Dlaczego to ważne
AnalizaArtykuł pokazuje, że modele LLM mogą przyspieszać postęp naukowy poprzez łączenie odległych dyscyplin, jednak ostateczną decyzję o znaczeniu i wartości uzyskanych wyników wciąż muszą podejmować ludzcy eksperci.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami