クロード形状の科学問題

要約：このゲスト記事で、Matthew Schwartz 教授は科学研究を加速する AI の新しいアプローチについて再び寄稿する。Vibe Physics で Schwartz は Claude と物理学の大学院生の能力の類似点を論じた。今回は、Claude と格闘するのをやめ、代わりに「Claude の形をした」問題——現世代の LLM ツールの能力に最も適した問題——を Claude に探させたら何が起きたかを語る。この転換が彼を BootLoops の構築へと導いた。定量科学における精密計算のためのツール群である。同種の計算は互いに遠く離れた科学分野にしばしば現れるため、Claude は生態学、集団遺伝学、その他十数の学問分野とのつながりを見つけた。それらのつながりは技術的には成り立つが、科学的には最初はさほど面白くなかった。そこで Schwartz は各分野の専門家と協力し、BootLoops をその分野が本当に気にかける問題へと導いた。以下ではこれらのプロジェクトの詳細と、BootLoops が生まれた経緯を紹介する。エージェント型 AI は急速に進歩している。モデルは賢くなったように見える——より多くを知り、より少なく間違え、より良いアイデアを出す。傾向線を延長すれば、AI が科学を根本から変える可能性について自信たっぷりに語るのはたやすい。だが、自分の仕事でこれらのモデルを実際に使いたいと考えている研究者は、しばしばある種の齟齬を感じる。モデルは厄介な、長年未解決の問題を解いているのかもしれないが、これまでのところ、そのほとんどは既存技術を明確な境界のある範囲に適用したものだ。多くのヘッドラインは数学から出ているように見える——科学の中で唯一、問題を完全に定式化し、答えを絶対的に検証できる分野である。だが科学の大半はそうではない。私たち多くの研究者や学生にとって、こうしたヘッドラインと、モデルを使うときの実際の体験との隔たりは、苛立ちと不安を生む。私の見方では、核心的な矛盾はこうだ——これらのモデルは賢いが、人間の科学者のように働くことは、現在の LLM が最も得意とすることではない。Claude と GPT は科学が得意だが、科学者ではない。確かに賢いが、科学的に価値のあるものを何か生み出させるには、たいてい大量の手取り足取りの誘導が要る。物理学者ならこれを「インピーダンス不整合」と呼ぶだろう。二つの系がそれぞれは問題なく動いているのに、互いの噛み合わせが悪く、一方に入力されたものの大半がもう一方にまったく伝わらない。ここでの不整合は、科学者が欲しいものと AI が得意なことの間に生じている。では、どう解決するか。私はインピーダンス不整合がそれほど深刻でない例を探し始めた。最初の一歩は、Claude に使いやすい数理物理のツール群を作らせることだった。ほどなくして、それらのツールは別の問題でも役に立った。この反復の過程から生まれたソフトウェアと科学プロトコルの一式を、私は BootLoops と呼んでいる。BootLoops は LLM に着せるハーネスのようなもので、Claude Code や Claude Science が Claude のハーネスであり、Codex が GPT のハーネスであるのと同じだ。BootLoops は科学におけるある種の定量問題に特に向いていることがわかった。オープンソースなので、好きなモデルを使える。

現世代の AI ツールは科学のほとんどの問題を解けない。だが「エージェント型 AI の形をした」問題に関しては、驚くほど優れている。

BootLoops を手にした Claude は、同じパターンに繰り返し気づいた。多くの分野に、数学、物理、あるいは計算機科学のある技術が存在することを誰かが知りさえすれば、そのまま解けてしまう問題があるのだ。私はこうした問題を「Claude の形をした」問題と呼び始め、それらを追って、自分の本業である高エネルギー理論物理から、地質学、生物学、経済学、言語学へと足を延ばした。これらの分野では、Claude が見つけたものが面白いかどうかを自分の専門的判断で確かめることができない。そこで専門家を何人か見つけて尋ねた。彼らの助言のもと、BootLoops はいくつもの研究の方向で実質的な進展を遂げた。

以下では、BootLoops がどう生まれたかを説明し、私が応用を続けているいくつかの分野での初期の発見をいくつか紹介し、人間の科学者と AI 科学者の間のこのインピーダンス不整合に今どう対処するかについての私の考えを述べる。

Claude、どうぞ！

昨年 12 月、私はClaude を研究助手として使うことを試し、Claude Opus 4.5 が有能な大学院生と同等の働きをしながら、その 20 倍の速さで動くことを見出した。Claude は実験の最後に質の高い論文を生み出したものの、そこに至るのは骨が折れた。書かれた一文ごとに手を入れ、無関係な手がかりから引き戻し、行き止まりから引きずり出さねばならなかった。

今年の夏、私はやり方を変えた。Claude を、こうあってほしいと願う協力者として扱うのをやめ、実際にあるがままの協力者として扱い始めたのだ。そのためには、その長所に合った問題を探す必要があった。現時点で Claude は深い概念的な問題を私のために扱えない——だが、あらゆる分野にわたるほぼ無限の知識の広さ、驚異的なコーディング能力、数学と統計における最先端の知識、そして論文・付録・データを機械の速度で解析する能力を持っている。

Claude が力を発揮できる題材を探すなら、プログラミングが役に立つ領域から始めるのが自然だ。2026 年夏に Anthropic が Claude Fable 5 をリリースしたとき、私はそのネットワーク能力が科学計算にも持ち越せるのか見てみたくなった。そこで自分の論文数本と、散乱振幅に関する文献にある各種の手法を題材に、移植・実装・改良をやらせてみた。

散乱振幅は、私たちが LHC のデータを読み解くための道具だ。13 テラ電子ボルトで陽子二つを衝突させるとき、振幅は理論上の橋渡しであり、衝突で飛び出す破片と、そこで生まれる新粒子——ヒッグス粒子かもしれないし、未知の何かかもしれない——をつなぐ。その中核にあるのがファインマン図、つまり特定の形をした多次元積分だ。今の私たちが手も足も出ない積分は、どれも博士論文一本分、あるいは研究グループを何年も拘束する代物である。

この 20 年で別の道が伸びてきた。S 行列ブートストラップだ。ブートストラップの発想は、積分を力ずくで計算するのではなく、物理的な制約を課していって、可能性が一つだけ残るまで絞り込むというものだ。振幅がどこで発散するか（その「特異点」）が分かれば 20,000 通りまで絞れるかもしれない。対称性が一つあれば 500 通りに減る。そうやって最後の一つまで削っていく。従来のブートストラップは純粋に解析的で、対称性が最も高い理論で最も遠くまで届く。そこでは制約が一意な答えまで追い詰められる（N=4 超ヤン–ミルズ理論における九ループ振幅がその一例だ）。現実世界に近づくほど、制約は足りなくなっていく。この隙間を埋めたのがより新しい道、半数値ブートストラップである。振幅の値を少数の点でとてつもない精度（ときに 1,000 桁）で計算できれば、残る可能性が十分少ないとき、その数値が残りの係数を正確に固定してくれる。

半数値ブートストラップは、エージェント AI のためにあるように見える。そこでは数学と物理と計算機科学が動員されるが、そのすべてに通じた人間は一人もいない。大量のコーディングとアルゴリズム開発が要る。そして検証可能だ——同じ数値があれば、専門家であろうとなかろうと、誰でもスクリプトを二つ走らせて、最終的な答えを積分と好きな桁数まで突き合わせられる。このコミュニティの専門知識は偏ってもいる。良いアイデアが Wolfram Language、C++、Python、Julia に散らばり、さらに多くのアイデアが、コード一行もない論文の中にしか存在しない。そこで Fable 5 に最初に与えた仕事は、これらすべてを共通の枠組みに移植し、論文が決して提供しなかったコードを補うことだった。

Claude はこれを難なくやった。私の論文の結果を 20 分ほどで再現したのである。自分でコードを書いて同じことをするのに何週間もかかった身としては驚いた。だが、私のやり方は極めて効率が悪く、私が知らないもっと良いアルゴリズムがある、と言われたときは驚かなかった。

次に Claude に、まだ解かれていない振幅のうち自分で計算できるものを探させた。分かったのは、S 行列ブートストラップで扱えるほど簡単な問題は、人間にも扱えるほど簡単だということだった——実際、ほとんどはすでに片付いていた。それでもいくつか未解決の問題は見つかった。モデルとしばらく議論するうちに、はっきりしてきたことがある。Claude は自分を、関数族が最も単純な種類の振幅、つまり対数に縛っていたのだ。そこで、次に単純な族——楕円関数——でも同じことができるかと尋ねた。

楕円積分は非常に難しい。積分を計算してばかりいる私のような人間にとってもそうだ。これまでに計算された楕円ファインマン積分はごくわずかで、私の知る限り——Claude も知っていた——そのどれも、ブートストラップだけで計算されたものはない。問題は手法が使えないことではなく、誰も試していないことにある。必要な専門知識が多くの異なる人々の手に散らばっているからだ。Claude は違う。対数の場合に移植し組み上げた装置一式は、そのまま別の積分のクラスへ一般化できる。今回、ソフトウェアの大半は Claude 自身が書いたか、物理ではなく数学の側から借りてきた。道具立てが育つにつれて、積分を次々と落としていった。ほどなく、BootLoop を端から端まで通した積分が 30 個そろった。うち 15 個はこの新しい手法で再現した既知の結果、残りの 15 個はこれまで一度も計算されたことのないものだった。

かかったのは数週間だけだ。最初は、これについて報告を一本書ければ満足だと思っていた。だが、私たち（つまり私と、BootLoops を使う Claude）にまだ何ができるか見たくて仕方なかった。

“I know Kung Fu”

科学には都合の良い性質がある。同じ方程式が、違う場面で何度も現れるのだ。たとえば物理では、拡散方程式、Fokker-Planck 方程式、Schrödinger 方程式は数学的にまったく同じ形をしている。だから一つの問題のために解法を発展させれば、多くの場合それを別の問題にも使える。BootLoops が得意とする計算が他所でも役に立つことは分かっていた。宇宙論や弦理論などだ。私が知らず、Claude が喜んで教えてくれたのは、これらの積分が集団遺伝学のベイズ証拠積分にも対応し、ファインマン積分の約化に使う有限体の手法が進化生物学の問題にも使えるということだった。

そこから、Claude の形をした問題——もっと狭く言えば BootLoops の形をした問題——を探して解く、格別に実りの多い時期が始まった。一目で絶好の応用だと分かるアイデアもあった。たとえば系統学は、DNA を使って生物種を家系図にまとめる方法を研究する分野だ。関連する計算はベイズ証拠積分で、その出力は、候補となる樹が観測された DNA をどれだけうまく説明するかを示す一つの数値になる——まさに BootLoops がもともと計算するために作られた種類の積分だ。アイデアは次々と湧き、私は Claude に、古い道具を使うだけでなく新しい道具も作れと繰り返し求めた。そうして harness が育つ。失敗したプロジェクトから生まれた道具であっても、それぞれが新しい扉を開いた。Claude はますます有能になっていった。まるで『マトリックス』の Neo がカンフーのダウンロードから目覚めたあとのように。

しかし、プロジェクトが自分の専門の快適圏から離れるにつれ、不安が募った。Claude が自分のよく知る分野で何かを成し遂げたと主張するとき、それが本当かどうかは判断できる（たいてい本当ではない）。だが別の分野で成し遂げたと言い出したとき、自分はうなずいてしまっているのに気づく。疑念は強まり、専門家に確認してもらう必要があると悟った。ほぼすべてのケースで、Claude は技術的には正しかった。ただ、専門家が方向を修正してくれるまで、結果はそれほど面白いものではなかった。

ひとつは生態学の生物多様性中立理論に関するプロジェクトだ。どの生態系でも、繁栄する種もあれば消えていく種もある。中立理論が問うのは、この生活史のどこまでが偶然によるものか、という点だ。先行研究を踏まえ、生態学者の Stephen Hubbell は 2001 年に、かなり挑発的な予想を提示した。すべては偶然かもしれない、と。2005 年、生態学者の Rampal Etienne は Hubbell の理論を方程式に書き下し、（少なくとも原理上は）正確に検証できるようにした。あいにく、この方程式を大規模に解けた者は 20 年間いなかった。Claude は Etienne 方程式が BootLoops の形をしていると見抜き、解いてみせた。計算をデータに当てはめると、こう確認できた。地球上で最もよく調べられている森林、パナマ運河の Barro Colorado 島では、樹種構成の変化する速さが、中立理論の許容する範囲の 4.5 倍に達している。

この結果に興奮した私は、James O’Dwyer に見せた。植物生物学の教授で、中立理論の専門家だ。James は辛抱強くつきあってくれた。技術的な成果には感心していたが、結果そのものは「多くの生態学者に肩をすくめて流される」だろうと言う。生態学者はもっと定性的な形で、中立理論が実際の森林の変化についていけないことをとっくに観察していた。だが James にはもっと良い考えがあった。中立の予測を差し引き、残った部分を調べるのだ。そうすれば、どの変化が自然選択や競争、種間の違いから来ているのかが見えやすくなる。

その後、James と私は Claude と濃密に協働し、後継モデルを作り上げた。James は物理学の出身で、分野をまたぐ言葉の壁は比較的低かった。だが多くの科学者と同じく、agentic AI の実力はまだ実感していなかった。共同作業が進むにつれ、私はある意味で Claude のオペレーターになった。Claude の言葉を James に訳し、モデルを軌道に乗せ続ける。James は、生態学者が本当に評価しそうなものをモデルが生み出すよう押していく。最終的な成果は三人とも誇れるものになった。データとよく合う、極めて簡潔な生活史の予測モデルだ。現在このモデルを Panama から世界各地の森林調査区へ広げつつあり、そのデータセットの整理にも Claude が協力している。

アメリカの森林調査区をすべて、その植物相の生活史戦略——耐久型（長寿）、旺盛型（成長が速い）、多産型（繁殖力が高い）——で分類したもの。分類は Schwartz と O’Dwyer が Claude を使って構築した人口動態モデルによる。モデルは、偶然による変動（生物多様性中立理論）を取り除いたうえで、各種を寿命・成長・補充で特徴づけ、種に依存する生物学的性質をあぶり出す。

もうひとつは集団遺伝学の厳密計算に関するプロジェクトだ。この分野は、遺伝子が集団内でどう変異し、なぜ変異するのかを研究する。Claude はまず数理物理から持ち込んだ手法を使い、自然選択が稀な変異をどう形づくるかを記述する 30 年前の積分表現を解いた。それを gnomAD に当てはめた。公開されているヒト遺伝変異のカタログとしては最大のものだ。Claude はこの結果にひどく興奮していたが、私はそこまで確信できなかった。検証のため別々の生物学者三人に手紙を書いて、返事が来たのは一人。それでも、この分野で働く同僚の Michael Desai をようやく捕まえられた。ただしこの具体的な問題を研究しているわけではない。James と同じく、Michael も技術的な結果には感心したが、科学としての中身には心を動かされなかった。

ただ Michael は、同じ染色体上にある対の変異どうしの相関を、同じか似た手法で調べたほうが影響力のある結果になるかもしれない、と指摘した。この範囲で Claude は新しいツールを見つけ出し、作り上げた。数学の計算機支援証明のための不等式証明書などがそれで、BootLoops ツールキットに加えられた。続いて 1000 Genomes Project のゲノムにある 57 億対の隣接変異を解析し、遺伝子変換と呼ばれる機構の証拠を見つけた。これは重要な発見だ。連鎖した遺伝変異を利用する解析——集団史から疾患のマッピングまで——はほぼすべて、遺伝子変換を無視してきたからだ。より大きな示唆は、AI が巨大なゲノムデータセットに隠れた生物学的な規則性の発見を助けられるという点にある。そして公共のアーカイブには、そうしたデータセットが何千も残っている。

他のプロジェクトも軌跡は似ている。Claude が、私には説得力があると思える初步的な発見を出す。それを専門家に見せると、相手は動じない。だが可能性は見ており、一緒に磨き上げて意味のある科学にする。面白いのは、いくつかのプロジェクトが BootLoops 的な定量的計算から、より一般的な Claude 的な仕事へと漂っていったことだ。たとえば：

• 経済学。経済学の雑誌は今、著者に再現パッケージの提出を求め、編集者がそれを確認する役目を負うことが多い。細かい手作業だ。私たちは経済学者二人と組み、AI データエディタを構築した。トップ誌 5 本の論文 4,452 本の再現パッケージを MATLAB、Stata その他の商用ツールからオープンソースコードへ移植し（約 30,000 ルーチン）、検証可能なほぼすべての数値を公表済みの表と突き合わせる。結果は NBER working paper に発表された。
• 言語学。語アクセントの目録はたいてい手作業で編まれ、数百言語しか覆っておらず、選択効果や人為的な偏りも伴う。Claude は公開されているあらゆる情報源を探し回り、私たちは言語学者三人と組んで AccStack を作った。6,072 言語を覆う語アクセントのデータベースで、ほぼすべての項目に決定的な段落への引用が付き、さらに 160,000 点の音韻論文献を含む参考文献が添えられている。

さらにいくつか補足の成果がある。いずれも専門家と共同で進めたもので、現在も検証と精査を続けている：

• 系統学。 進化樹に対するベイズ的証拠を、高速に計算でき厳密に検証できる形にした。その過程で、単一遺伝子では競合する樹を区別できないことが多く、その差は標準的なサンプリング手続きの誤差にも満たないことを見出した。
• 地球科学。 大気科学、地球化学、気候モデリングの方程式とデータを統合し、大酸化イベントが4回の氷期を経てどう進行したかを記述する定量的で予測可能なモデルを構築した。
• ゲノミクス。 単一細胞RNAカウントの統計的性質を大規模に調べ、遺伝子発現のバースト速度と、それが教科書的な電信モデルからどう逸脱するかを特徴づけた。
• 太陽黒点。 人類人口統計学の手法を借りて太陽黒点のライフサイクルを推定し、その手法を恒星黒点の特徴づけへと拡張した。恒星黒点は系外惑星探査における混同要因の一つである。
• 数理物理。 Watsonの「最後の問題」を解いた。遷移速度が互いに異なる3次元ランダムウォークの正確な再帰確率であり、George Watsonが1939年から研究してきた格子積分の系列における最後の一つでもある。
• 宇宙論。 宇宙論パラメータを大規模構造データにフィッティングするための理論的ツール一式を整備した。完全な2ループパワースペクトルと1ループバイスペクトルを含む。
• 統計学。 混合モデルは従来扱いが難しい。そのベイズ的証拠に対する正確な近似を導出し、モデル選択を実行可能にした。応用範囲は生物統計からテキスト分析まで広がる。

全体として、BootLoopsを反復的に改善し、Claudeに合う応用領域を探し、専門家とともに科学の最前線へ押し上げるという進め方は、驚くほど高い生産性を生んだ。これらのプロジェクトとその他の詳細は bootloops.ai. を参照。

技術的な詳細

複数のプロジェクトを同時に進めるには（3か月で19名の共著者、18分野、36本の原稿、約400の候補問題からの選抜）、私にとってもClaudeにとっても大量の調整作業が要る。これを扱いやすくした構成は、実のところかなり単純だ。Claude CodeのセッションはすべてGoogle Cloud仮想マシン上のターミナルで動かし、共著者の好みに応じて異なるGitHubとOverleafのリポジトリに接続した。プロジェクトごとに独立したセッションがあり、ほかに、他のセッションを調整し、計算資源を割り当て、結果を検証するメインセッションを一つ置いた。各セッションにはバックグラウンドで計算を実行するagentがいて、中間結果はそれぞれのフォルダにmarkdownファイルとして保存される。この子agentは役に立つ。Fable 5の分類器に頻繁に引っかかるからだ。子agentがあれば、止まるのは一つのagentだけで、セッション全体が壊れることはない。ほかにも独立したセッションをいくつか用意し、結果の執筆、GitHubリポジトリ・ツールマニュアル・BootLoopsウェブサイトの作成、各ツールのコードの記述と検証、そして敵対的な査読者として結果を繰り返し確認する作業をそれぞれ担当させた。

とはいえ、これらのセッションには依然として大量の誘導が要る。たとえばClaudeには時間の感覚がなく、それに加えてやたらと芝居がかる。あるプロジェクトの終わりに、こう言ってきた。「Matt——公式は解けた。2年の戦役、4度の深い行軍……」実際にやったのは3日だ。ETAを尋ねると、見積もりは長すぎたり短すぎたりする。先にテストを走らせて確認させてから見積もらせても、うまくいかなかった。結局、Claudeに聞いても分からないので、物事にどれくらいかかるかを自分で感じ取れるようになった。

もっと大きな問題は、Claudeの既定のやり方が、何日もかかる計算を力ずくで解こうとすることで、同じ計算を数分で終わらせる新しいツールを作ることではないらしい点だ。私は何度も、もっと賢くやれ、力ずくでやるなと言わされた。こうした長いプロジェクトではcompactionが頻繁に発火し、Claudeは重要な文脈を失う。これを防ぐため、Claudeに定期的にファイルを整理・統合させ、常に最新版の計画を手にできるようにした。この問題を解決するため、BootLoops harnessにprotocol skillsその他のツールを書いた。一部の問題はClaude Scienceのような優れた商用harnessでもすでに解決されている。だが多くは、現世代のagentic AIに固有の厄介事にすぎず、いずれモデルは抜け出すだろうと思っている。

ほかに遭遇した失敗パターンと対処法を挙げる：

• Claudeは勝利を宣言したがる。「完了、ただしアスタリスクが一つ」はたいてい「完了していない」の意味だ。「完全にそのとおり、小さな改善点が一つだけ」は通常「違う」を意味する。Claudeに明確で厳格、曖昧さのない成功基準を与えると効果がある。あるプロジェクトで、Claudeは自分の証明に満足していた。ただし「証明されていない補題が一つ」あるだけで。その補題こそ証明の全体だ！ 未証明の補題は認めないと言った。すると今度は「完了」と言ってきた。ただし今回は新しい公理が一つ増えていた。
• 何でも自分で見る。 私はいつも図を見るよう求める。あれだけ監視を仕込んでも、自動チェックは信用できない。「よく一致している」といった定性的な主張には警戒する。
• 結論を疑う。 Claudeは計算が得意だが、そこから導く結論は間違っているかもしれない。何を見つけたのか、あなた が納得するまで説明させる。
• 品味は自分で供給する。 ClaudeはClaude的な問題を見つけられるが、そんな問題は何千、いや何百万とある。Claudeはありふれた論争を好むようだ——引用は多いが、とうに忘れられている。ただ速いとか数字が大きいとかではなく、今になって初めて可能になったこと に注目させるのは効果がある。それでも、ある事柄が面白いかどうかの判断はClaudeに任せられない。
• さらに要求する。 Claudeが良い結果を出したら、もっと良いものを求めよ。必ず何か考え出すし、たまには本当に見事なものを出す。
• 力ずくの計算に注意。 正直に言えば、Claudeに見積もりを正確に当てさせたことは一度もない。そこで、面白い事柄にどれくらいかかるのが妥当かを自分で感じ取るようにし、Claudeが妥当だと思う時間スケールで進んでいるかを見極めるようにした。放っておけば、モデルは延々と力ずくで解き続ける。

また、これらのプロジェクトは計算資源も token も大量に消費する。私の場合、コストの一部は、単一のプロジェクトを超えて汎用的に使えるツールを作ろうとしたことから来ている。異なる分野をつなぎ、誰もがすぐ使える形にまとめる。BootLoops harness が定量科学のあらゆる方向で広く使われ、ユーザーが毎回ゼロからすべてを組み直さずに済むようになってほしい。Agentic AI はアイデアをつなぎ、コードベースを共有することを容易にする。この利点を活かす術を身につければ、コミュニティ全体は一人で戦う誰よりも速く前に進める。

展望

モデルがどれほど賢くなっても、科学の進歩の大半は依然として実世界のデータから生まれる。データは取得し、理解し、検証しなければならず、その各ラウンドの結果が次の問いを呼び込む。AI はこのループの中に身を置くことができる。それは確かに価値があるが、ループを一点に圧縮するわけではない。理解は層を成して積み上がり、各層は前の層の上に築かれる。癌の治療法も核融合炉も同じようにして訪れるのであって、ある一つのプロンプトから生まれるのではない。

Millennium Prize Problems や Big Science への注目は、Claude が好んで言うように、おそらく「footgun」だ。自分の足を撃ち抜きやすい機能、ということだ。ここでのリスクは、非現実的な期待が、すでに実行可能で生産的な使い方を損ないかねないことにある。本当の進歩はおそらくこれまでどおりの形で訪れる。科学研究の基盤を固め、その上にますます複雑な応用を築いていく。このプロセスは——私が述べてきた仕事が示すように——大幅に加速されるだろうが、科学的方法そのものを問い直す証拠も必要性も、私には見当たらない。

AI 科学を論じるとき、私が気に入っている言葉が使われることがある。凸包（convex hull）だ。ある図形を取り、そのすべての点の組を直線で結ぶ。すると元の図形を含む最小の凸図形、すなわちその凸包が得られる。今日の科学はひどく分断されている。至るところでギザギザのフロンティアだ。生物学はある方向へ突き出し、数学は別の方向へ突き出す。ある研究室は、すでに習熟した手法で特定の遺伝子群を20年かけて徹底的に調べる一方、隣接する遺伝子や別の手法は誰も手をつけない。BootLoops のような harness はこれらの点をつなぎ、凸包を埋めることができる。

今日の人類の知識はギザギザだ。特定の科学者やサブフィールドがある方向では知識を遠くまで押し進め、別の方向ではそうではない。中間の領域は、人類が到達できるのに、特定の誰も到達したことのない場所であり、まさに AI が力を発揮する場だ。BootLoops パッケージの ACTUARY、NUMKIN といった個別のソフトウェアパッケージが、こうした隙間を埋める助けになる。

変化はあまりに速く、前もって計画するのはほぼ不可能だ。AI モデルが一晩で解いてしまうかもしれない問題のために、3年分の研究費を申請して何になる。大学院生をどう育てればいいのか、私には今もわからない。vibe physics についての記事を出して以来、この感覚は強まるばかりだ。計算機科学のような分野では、衝撃はまったく凄まじい。2年前なら「エンジニアのための Python」を必修に入れていた。今日、それは不要だ。私は機械学習に大量の時間を費やし、さまざまな物理現象をモデル化して研究してきた。今ではそうしたモデルを AI が組み、ニューラルネットワークの勘所を学ぶことすら無駄になる。Claude に最先端の ML 手法を探させれば、代わりにやってくれる。

BootLoops が示しているのは、正しい問題を見つけさえすれば、解く過程の技術的な作業の大部分は今や自動化できるということだ。ある意味では解放だ。だが概念に関わる部分には依然として人間が要る。だからこそ、Claude の形をした科学においても、人間が然るべき評価を受ける方法を考え出したい。面白いことに、AI は通例のビジネスモデルをひっくり返しかねない。本来は頂点に立つ者が功績を得て、実際に問題を解いた者には何も残らない。これが最終的にどう決着するのか私にはわからないが、人間の貢献はキーボードを叩くことだというふりでは、決着はつかない。

では Joe Scientist はどうすればいいのか。私に言わせれば、むしろ好都合だ。今の私たちの手元には、手も足も出ないように見える問題を稲妻のような速さで進める道具がある。システム生物学のようにデータが豊富で理論が乏しい分野が、まもなく大きく伸びると予見している。人間の頭脳が煩雑な計算と分析から解放され、より高次の知的作業——方向を定め、指図を与えること——に就く姿も容易に想像できる。何より、私が BootLoops でやってきたように、科学者が自分の縄張りを出て相乗効果と協働を探すことを期待している。Claude の形をした科学に集中して最も爽快だったのは、それが人間の形をした科学とは何かを見せてくれたことだ。

BootLoops テストフレームワークとそれが支える研究成果については www.bootloops.ai を参照。BootLoops テストフレームワークは GitHub で公開されており、誰でも使え、貢献もできる。

謝辞

以下の方々の指導と協力がなければ、私が Claude と BootLoops で行った研究成果は決してこれほど面白いものにはならなかっただろう。Isaiah Andrews、Nima Arkani-Hamed、Michael Desai、Scott Edwards、Noam Elkies、Cecilia Garraffo、Matthew Gordon、Thomas Grimm、Martin Hemberg、Mikhail Ivanov、David Johnston、Gary King、Paul Lewis、Brendan Meade、Amara McCune、Joe Pater、Subhabrata Sen、Siddharth Mishra-Sharma、James O’Dwyer、Kevin Ryan、Jesse Shapiro、Xiaoyuan Zhang。

利益開示

プロジェクト期間中、Schwartz は客員研究員として Anthropic に在籍していた。BootLoops は Anthropic のプロジェクトではなく、Matthew Schwartz が所有・維持している。