تصور کنید محاسباتی که برای حل آن‌ها ده سال زمان و بودجه‌های کلان نیاز بود، حالا یک‌شبه و با دقت ریاضی تمام به نتیجه برسند. این دیگر یک تخیل نیست، بلکه دستاورد جدیدی است که مرز بین نیت پژوهشگر و توانایی اجرای هوش مصنوعی را از بین برده است. یک معادله ۲۰ ساله از تئوری تنوع زیستی خنثی که پیش از این محاسبه آن در مقیاس بزرگ غیرممکن بود، سرانجام توسط کلود و با استفاده از یک چارچوب جدید متن‌باز حل شده است.
طبق اعلام پروفسور متیو شوارتز، فیزیکدان دانشگاه هاروارد و پژوهشگر مهمان در آنتروپیک (Anthropic)، ابزار متن‌باز BootLoops 1.0 در ۱ اکتبر ۲۰۲۶ منتشر شد تا شکاف موجود در محاسبات علمی را پر کند. او معتقد است دانشمندان باید به جای treating AI به عنوان یک دستیار انسانی، به دنبال «مسائل متناسب با کلود» باشند؛ یعنی کارهایی که در نقطه تلاقی نیاز پژوهشی و توان اجرای دقیق مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — قرار دارند.
شوارتز دانش بشری را به یک «پوسته محدب» (Convex Hull) تکه‌تکه تشبیه می‌کند که در آن هر رشته علمی در جهتی رشد کرده و شکاف‌های عظیمی میان آن‌ها باقی مانده است. برای مثال، ممکن است یک آزمایشگاه ۲۰ سال را صرف مطالعه مجموعه‌ای از ژن‌ها با یک روش واحد کند و در این مسیر، ژن‌های مجاور و رویکردهای جایگزین را کاملاً نادیده بگیرد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی به ابزارهای متمرکز می‌تواند این گسست‌ها را ترمیم کند. BootLoops دقیقاً برای همین هدف طراحی شده است تا با ایجاد پیوند میان رشته‌های مختلف و ترسیم اتصالات در مرزهای ناهموار دیسیپلین‌های متنوع، فضاهای ناشناخته علمی را کاوش کند. این ابزار به عنوان یک مهارکننده برای محاسبات دقیق علمی عمل می‌کند تا هوش مصنوعی بتواند فضاهای خالی بین حوزه‌های تثبیت شده را جستجو کند. این رویکرد در حالی پیش می‌رود که بحث‌های داغی درباره تضاد میان فیلترهای داده‌ای و کشفیات واقعی در آزمایشگاه‌های آنتروپیک وجود دارد و برخی زیست‌شناسان نسبت به ماهیت این اکتشافات تردید دارند.
به گزارش وبلاگ آنتروپیک، این تیم تنها در سه ماه و با همکاری ۱۹ نویسنده، ۳۶ مقاله در ۱۸ حوزه مختلف تولید کرده است. دستاوردهای این ابزار شامل موارد زیر است:
- فیزیک ذرات: با شروع از دامنه‌های پراکندگی و انتگرال‌های بیضوی، کلود ۳۰ انتگرال را محاسبه کرد؛ ۱۵ مورد از آن‌ها نتایج شناخته شده را بازتولید کردند و ۱۵ مورد دیگر برای نخستین بار در تاریخ علم محاسبه شدند.
- اکولوژی: این ابزار معادله تنوع زیستی را حل کرد و نشان داد ترکیب گونه‌های درختی در جزیره بارو کلورادو در کانال پاناما، ۴.۵ برابر سریع‌تر از آنچه تئوری‌های موجود اجازه می‌دهند، در حال تغییر است. پس از آن، جیمز اودوایر، اکولوژیست، کمک کرد تا این یافته به یک مدل پیش‌بینی‌کننده بهتر تبدیل شود.
- ژنتیک جمعیت: تحلیل ۵.۷ میلیارد جفت جهش از پروژه ۱۰۰۰ ژنوم برای یافتن شواهدی از مکانیسمی به نام «تبدیل ژنی» (Gene Conversion).
- اقتصاد: یک ویرایشگر داده‌های مبتنی بر هوش مصنوعی به طور خودکار ۴۴۵۲ بسته بازتولید (Replication Packages) را برای مجلات علمی بررسی کرد که نتایج آن بعدها به عنوان یک مقاله کاری در NBER منتشر شد.
- زبان‌شناسی: با همکاری سه زبان‌شناس، این تیم یک پایگاه داده تکیه کلمات (Word Stress) ایجاد کرد که ۶۰۷۲ زبان مختلف را پوشش می‌دهد.
این پیشرفت باعث شده شوارتز ادعا کند آموزش‌های فنی سنتی در حال منسوخ شدن است. او اشاره می‌کند دوره‌هایی مثل «پایتون برای مهندسان» که دو سال پیش حیاتی بودند، اکنون بی‌فایده‌اند چون کلود می‌تواند تمام کدهای پیاده‌سازی را در لحظه و طبق دستور بنویسد.
این گسست حتی به حوزه یادگیری ماشین (ML) نیز سرایت کرده است. ساخت مدل‌های ML برای مطالعه پدیده‌های فیزیکی، حوزه‌ای است که اکنون هوش مصنوعی می‌تواند کاملاً بر عهده بگیرد. حتی دانش عمیق از شبکه‌های عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — بازدهی محدودی دارد، زیرا کلود می‌تواند آخرین دستاوردهای پژوهشی ML را فوراً پیاده‌سازی و اجرا کند.
با این حال، سیستم بدون نقص نیست. شوارتز هشدار می‌دهد که مدل گاهی بیش از حد زود اعلام پیروزی می‌کند و با عباراتی مثل «تمام شد، با یک ستاره» سعی می‌کند کارهای ناقص را بپوشاند. همچنین مدل تمایل دارد به جای یافتن راهکارهای ریاضی ظریف و elegant، از روش «زور خالص» یا Brute-force برای محاسبات استفاده کند.
محدودیت‌های بحرانی دیگر عبارتند از:
- قابلیت اطمینان: بررسی‌های خودکار قابل اعتماد نیستند و ممکن است نتیجه‌گیری‌ها غلط باشند، حتی زمانی که محاسبات ریاضی درست انجام شده باشند.
- خلاقیت: مدل بیشتر به سمت بحث‌های قدیمی و پرارجاع گرایش دارد تا شناسایی پرسش‌های علمی واقعاً جدید و بکر.
- منابع: این پروژه‌ها به شدت به توان محاسباتی (Compute) و تعداد توکن‌های بسیار زیاد نیاز دارند.
برای یک پژوهشگر حرفه‌ای، این یعنی ارزش مدرک PhD از «توانایی انجام محاسبه» به «سلیقه» (Taste) و هدایتی تغییر می‌کند که برای جهت‌دهی به هوش مصنوعی لازم است. روش علمی ثابت مانده، اما سرعت اجرا شتاب گرفته است.
حالا سوال این است که آیا مدل‌های بودجه‌بندی سه ساله پژوهشی منسوخ می‌شوند؟ اگر محاسبه‌ای که پیش از این ده سال زمان می‌برد، اکنون یک‌شبه حل شود، کل مدل تامین مالی علوم کمی (Quantitative Science) ممکن است نیاز به یک بازنگری کلی و اساسی داشته باشد.
گام بعدی شما
- کد منبع BootLoops را از گیت‌هاب (تحت لایسنس MIT) دریافت کنید تا این متدها را روی داده‌های خودتان تست کنید.
- به جای یادگیری سینتکس زبان‌های برنامه‌نویسی، روی «طراحی مسئله» و «سلیقه علمی» تمرکز کنید.
- در پروژه‌های خود، خروجی‌های مدل را با متدهای سنتی اعتبارسنجی کنید تا از توهمات محاسباتی جلوگیری شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو