Перенести метод из одной научной дисциплины в другую — известный способ получить неожиданный результат. Так, теория естественного отбора Чарльза Дарвина вдохновила разработчиков компьютерных алгоритмов на создание методов, которые находят решения сложных задач путём последовательного «эволюционного» отбора. Но подобные междисциплинарные заимствования требуют от учёного знания сразу нескольких областей. Физик редко станет на полгода погружаться в лингвистические исследования, чтобы обнаружить, что математический метод из его собственной дисциплины способен решить задачу языкознания.
Искусственный интеллект может существенно сократить этот путь. В начале октября 2026 года исследователи представили 36 научных рукописей, подготовленных с помощью программного комплекса BootLoops. За три месяца физик Гарвардского университета Мэттью Шварц (Matthew Schwartz) и его коллеги использовали этот инструментарий вместе с большой языковой моделью Claude, чтобы искать задачи со схожей математической структурой в разных научных областях и получать для них точные вычислительные решения.
В публикации журнала Science речь идёт о 22 дисциплинах, тогда как сам Шварц в описании проекта на сайте Anthropic указывает 18 научных областей, 36 рукописей и 19 соавторов. Эти цифры относятся к разным способам классификации междисциплинарных направлений проекта. Важно и то, что речь идёт именно о рукописях и препринтах, а не о 36 уже опубликованных и прошедших независимое рецензирование научных статьях.
BootLoops — не отдельная языковая модель, а программная среда, или harness, которая предоставляет ИИ-агенту набор вычислительных инструментов и протоколов работы с ними. Комплекс объединяет методы математической физики, компьютерной алгебры, экспериментальной математики и численного анализа. Его можно использовать с разными большими языковыми моделями, не только с Claude.
По словам Шварца, ключевая идея проекта состояла в том, чтобы перестать заставлять ИИ работать в точности как человек-исследователь и вместо этого подобрать задачи, соответствующие сильным сторонам современных моделей. Особенно хорошо они справляются с программированием, обработкой больших массивов литературы и выполнением повторяющихся вычислений. При этом многие научные дисциплины используют сходные математические конструкции, даже если сами исследователи не всегда знают о методах, разработанных в соседних областях.
От физики частиц до эволюционной биологии
Первоначально Шварц проверял возможности Claude в теоретической физике. Одной из первых задач стало создание программного инструментария для вычисления интегралов, применяемых при анализе столкновений частиц высоких энергий. Модель изучила научные публикации, нашла примеры подобных вычислений и помогла разработать программный пакет для решения 30 интегралов. Из них 15 соответствовали уже известным результатам, а ещё 15, по утверждению авторов проекта, ранее не были вычислены.
Затем инструментарий начали применять к задачам из других областей. Например, в исследовании по филогенетике — построению эволюционных деревьев на основе генетических данных — BootLoops позволил точно вычислить байесовские свидетельства для конкурирующих вариантов родственных связей человека, шимпанзе, гориллы и орангутана. Оказалось, что две альтернативные эволюционные модели имеют одинаковую вероятность. Ранее применявшиеся методы оценивания не позволяли установить это равенство с такой точностью.
Другой пример связан с американской системой медицинского страхования Medicare. Государство использует пятизвёздочную шкалу для оценки страховых планов, а рейтинг влияет на размер финансовых бонусов, выплачиваемых страховым компаниям. Для определения границ между категориями применяется приближённый алгоритм кластеризации. BootLoops позволил вычислить точные оптимальные границы распределения оценок. Согласно препринту, применение предложенного подхода могло бы изменить распределение примерно 1 млрд долларов государственных бонусов между страховыми компаниями за период с 2025 по 2027 год.
В лингвистике проект привёл к созданию базы ACCSTACK — стандартизированного каталога ударения и тональных характеристик языков мира. Для этого ИИ-агенты анализировали научную литературу, извлекая сведения о фонологических системах, а BootLoops использовали для дополнительной проверки полноты классификации. В результате исследователи собрали данные более чем о 6000 языках — свыше чем в восемь раз больше, чем содержал крупнейший ранее существовавший набор сопоставимого типа. Соавтор проекта, лингвист Джо Патер (Joe Pater) из Массачусетского университета в Амхерсте, отметил, что такой масштаб сбора и систематизации информации был бы недостижим для небольшой группы специалистов, работающих исключительно вручную.
Вычислить — ещё не значит открыть
По мере расширения проекта обнаружилось принципиальное ограничение. ИИ мог находить математически разрешимые задачи и получать результаты, но не всегда понимал, какие из них действительно важны для конкретной научной дисциплины. Шварц назвал это отсутствием исследовательского вкуса — способности отличать технически интересное вычисление от результата, способного заметно продвинуть науку.
Показательный случай возник в экологии. Claude предложил проверить теорию нейтрального биоразнообразия, согласно которой значительная часть различий в составе популяций объясняется случайными процессами. Анализ данных с исследовательского острова Барро-Колорадо в Панаме показал, что разнообразие древесных видов меняется быстрее, чем предсказывает эта теория. Однако эколог Джеймс О’Двайер (James O’Dwyer) из Университета Иллинойса в Урбана-Шампейне, привлечённый к оценке результата, счёл его интересным, но не обязательно способным существенно изменить развитие дисциплины. При этом он отметил, что сотрудничество с ИИ заметно ускорило исследовательскую работу.
Не все результаты проекта встретили одобрение. Одна из рукописей посвящена рукописи Войнича — средневековой книге XV века с загадочным текстом и иллюстрациями, содержание которой исследователи не могут достоверно расшифровать на протяжении многих десятилетий. Авторы работы предположили, что текст может вообще не содержать скрытого языкового сообщения. Однако участники интернет-сообщества, изучающего рукопись, критиковали публикацию за перегруженность и называли её примером некачественного текста, созданного ИИ.
Сам Шварц подчёркивает, что BootLoops не избавляет исследователей от необходимости проверять результаты. По его словам, языковая модель склонна преждевременно объявлять задачу решённой, может пропускать недоказанные допущения и ошибочно интерпретировать собственные вычисления. Поэтому команда использовала дополнительные проверки, а часть недостаточно подтверждённых результатов не стала включать в публичный набор работ.
Есть и более общий риск: ИИ может преимущественно обращаться к старым, хорошо цитируемым исследованиям и известным проблемам, оставляя без внимания новые направления. В таком случае ускорение работы с научной литературой не обязательно приведёт к расширению научного поиска — напротив, оно может закрепить уже сложившиеся исследовательские приоритеты.
Проект BootLoops демонстрирует перспективный сценарий применения ИИ в науке: модель берёт на себя поиск математических связей, программирование и трудоёмкие вычисления, а специалисты формулируют значимые вопросы, оценивают интерпретацию и проверяют выводы. Но если ИИ уже способен находить решения, которые десятилетиями оставались за пределами практических возможностей отдельных исследовательских групп, кто должен определять направление научного поиска и получать признание за результат — разработчик метода, эксперт, поставивший задачу, или модель, выполнившая основную вычислительную работу?
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
