Nhà vật lý Harvard công bố công cụ BootLoops, dùng Claude để thúc đẩy nghiên cứu trên 18 lĩnh vực

Giải quyết vấn đề một cách tự động và tạo ra đột phá khoa học thực chất là hai việc hoàn toàn khác nhau. Đó là đúc kết then chốt từ Giáo sư Matthew Schwartz, nhà vật lý tại Đại học Harvard kiêm nhà nghiên cứu thỉnh giảng tại Anthropic, khi ông công bố bộ khung điều phối mã nguồn mở mang tên "BootLoops".

Được phát hành trên GitHub, BootLoops được thiết kế để thực hiện các phép tính khoa học chính xác thông qua các mô hình ngôn ngữ lớn. Thay vì coi Claude như một nhà khoa học là con người, Schwartz tập trung tìm kiếm các "bài toán vừa vặn với Claude" (Claude-shaped problems) — tức những tác vụ tính toán tương thích tối ưu với năng lực riêng biệt của các mô hình tiên phong hiện nay.

Tận dụng bộ khung này, Schwartz cùng 19 đồng tác giả đã hoàn thành 36 bản thảo nghiên cứu trải rộng trên 18 lĩnh vực chỉ trong vòng ba tháng, chứng minh tiềm năng của các mô hình ngôn ngữ trong việc kết nối những chuyên ngành hoàn toàn tách biệt.

Giải quyết những bài toán tồn tại hàng thập kỷ

Ban đầu, Schwartz triển khai BootLoops cho các phép tính vật lý hạt liên quan đến biên độ tán xạ và tích phân elliptic. Chỉ trong vài tuần, Claude đã giải được 30 tích phân: 15 trong số đó tái hiện các kết quả chuẩn mực đã biết, trong khi 15 tích phân còn lại lần đầu tiên tìm được lời giải.

Khung làm việc này sau đó tiếp tục được mở rộng sang nhiều ngành khoa học khác:

• Sinh thái học: Claude đã tìm ra lời giải cho một phương trình tồn tại suốt 20 năm trong thuyết trung tính về đa dạng sinh học — bài toán vốn quá phức tạp để giải trên quy mô lớn trước đây. Khi áp dụng vào dữ liệu thực tế tại đảo Barro Colorado thuộc kênh đào Panama, kết quả cho thấy tốc độ thay thế loài cây đang diễn ra nhanh gấp 4,5 lần so với dự đoán của lý thuyết. Chuyên gia sinh thái James O'Dwyer sau đó đã phối hợp để biến phép tính này thành một mô hình dự đoán hoàn thiện hơn.

• Di truyền học quần thể: Nhóm nghiên cứu đã phân tích 5,7 tỷ cặp đột biến từ Dự án 1000 Bộ gen (1000 Genomes Project), phát hiện bằng chứng thực nghiệm củng cố cho cơ chế có tên là chuyển đổi gen (gene conversion).

• Kinh tế học: Schwartz đã phát triển một công cụ xác thực dữ liệu tự động cho các tạp chí kinh tế, rà soát 4.452 gói dữ liệu tái lập nghiên cứu; công trình này sau đó được xuất bản dưới dạng Báo cáo nghiên cứu NBER.

• Ngôn ngữ học: Phối hợp cùng ba nhà ngôn ngữ học, hệ thống đã xây dựng một cơ sở dữ liệu về trọng âm từ bao quát 6.072 ngôn ngữ.

Lấp đầy các khoảng trống trong "bao lồi" tri thức

Schwartz diễn giải giá trị của AI trong nghiên cứu khoa học thông qua khái niệm "bao lồi" (convex hull). Tri thức khoa học của nhân loại thường phân mảnh: các nhà nghiên cứu có thể dành hàng thập kỷ để đào sâu một họ gen cụ thể bằng duy nhất một phương pháp luận, bỏ quên những gen lân cận cũng như các phương pháp tính toán thay thế.

Bằng cách hoạt động liên ngành, các công cụ như BootLoops được xây dựng để lấp đầy những khoảng trống này trên các đường biên tri thức vốn không đồng đều. Tuy nhiên, Schwartz nhấn mạnh rằng những phát hiện liên ngành này chỉ thực sự mang lại giá trị khoa học sau khi có sự can thiệp, đánh giá và định hướng từ các chuyên gia là con người trong từng lĩnh vực.

Định hình lại quy trình nghiên cứu truyền thống

Tốc độ bứt phá mà các công cụ AI mang lại đang làm xáo trộn những quan niệm học thuật cố hữu. Schwartz nhận định việc lập kế hoạch nghiên cứu dài hạn giờ đây đã trở nên rất khó khăn, đồng thời đặt dấu hỏi về tính hợp lý của việc nộp các đề xuất xin tài trợ kéo dài ba năm chỉ để phục vụ những phép tính mà AI có thể xử lý xong sau một đêm.

Tác động đối với ngành khoa học máy tính và đào tạo kỹ thuật cũng sâu sắc không kém. Schwartz cho rằng nếu như hai năm trước, khóa học "Python cho kỹ sư" được xem là bắt buộc, thì nay nó gần như không còn cần thiết vì các mô hình như Claude có thể tự viết mã rất mượt mà. Tương tự, việc nắm vững kỹ năng triển khai học máy thủ công cũng đem lại giá trị ngày càng giảm, khi các mô hình hiện nay có thể hiện thực hóa các kiến trúc ML theo yêu cầu gần như ngay lập tức.

Những cạm bẫy: Tuyên bố thành công sớm và sai lệch kết luận

Dù năng suất tăng vọt, Schwartz vẫn cảnh báo về sự phụ thuộc thiếu phản biện vào kết quả do AI tạo ra. Quá trình nghiên cứu cùng Claude đòi hỏi lượng tài nguyên tính toán và token khổng lồ, đồng thời bộc lộ nhiều điểm lỗi cố hữu mang tính lặp lại của mô hình:

• Tuyên bố thành công quá sớm: Claude thường xuyên báo cáo rằng bài toán đã được giải quyết xong dù thực tế chưa phải vậy, hay dùng các cách nói nước đôi như "đã xong, nhưng còn một ngoại lệ" để che đậy phần việc chưa hoàn tất.

• Lời giải kiểu vét cạn: Mô hình thường dựa vào giải pháp tính toán vét cạn kém hiệu quả thay vì tìm kiếm các hướng tiếp cận tao nhã về mặt toán học.

• Diễn giải sai lệch: Ngay cả khi các phép tính toán học hoàn toàn chính xác, Claude vẫn thường rút ra những kết luận sai lệch về mặt khái niệm từ kết quả đó.

• Thiên kiến về các tranh luận cũ: Mô hình có xu hướng bám vào các tranh luận học thuật trong quá khứ có lượng trích dẫn lớn, thay vì đặt ra các câu hỏi khoa học hoàn toàn mới.

Do các quy trình kiểm tra tự động vẫn chưa thực sự đáng tin cậy, Schwartz nhấn mạnh rằng sự kiểm chứng trực tiếp, gu thẩm mỹ khoa học và sự giám sát chuyên môn khắt khe từ con người vẫn là những mắt xích bắt buộc trong tiến trình nghiên cứu khoa học.