Мэттью Шварц выступил научным руководителем для модели Claude, поручив ей сложную задачу по квантовой теории поля. Эксперимент показал, что ИИ способен выполнять работу аспиранта.
3 мин
Суть
Мэттью Шварц, профессор физики из Гарварда, успешно завершил сложное исследование по теоретической физике, используя исключительно текстовые подсказки для больших языковых моделей (LLM). В роли его виртуального аспиранта выступила модель Claude Opus 4.5 от компании Anthropic. Научный проект, который в обычных условиях занимает около года кропотливой работы, был выполнен всего за две недели.
Контекст
Graphs depicting analytic calculations in agreement with one another
В последнее время индустрия активно обсуждает концепцию полностью автономных искусственных ученых. Такие системы, как AI Scientist от Sakana AI или инструменты от Google и Allen Institute, пытаются автоматизировать весь цикл исследований — от генерации гипотез до написания итоговых статей. Однако в теоретической физике, где критически важна интуиция, выбор правильных математических приближений и обход концептуальных ловушек, полная автоматизация пока не работает. Шварц решил проверить альтернативный подход: справится ли ИИ, если им руководить как реальным студентом второго года обучения, давая четкие задачи с известным путем решения.
Детали
Для эксперимента была выбрана узкая, но фундаментальная задача — пересуммирование судаковского плеча в C-параметре. Это сложная проблема в квантовой хромодинамике, описывающая форму распределения частиц при столкновении электронов и позитронов. Профессор установил строгие правила: он не писал ни строчки кода и не редактировал файлы напрямую, используя только текстовые инструкции через инструмент Claude Code.
Работа началась с планирования. Шварц попросил Claude, GPT и Gemini составить план действий, объединил лучшие идеи и разбил процесс на 102 конкретные задачи в 7 этапов. За время проекта было создано более 110 черновиков, обработано около 36 миллионов токенов и затрачено более 40 часов вычислений на локальном процессоре. Ключевым фактором успеха стала организация памяти: вместо одного длинного диалога модель вела древовидную структуру текстовых файлов с заметками. Это позволяло ИИ обращаться к контексту по мере необходимости, а не пытаться удержать все в оперативной памяти.
Plots showing results made by Claude
Анализ
Эксперимент наглядно доказывает, что хотя искусственный интеллект еще не способен на полностью самостоятельные научные открытия от начала и до конца, он уже может выступать в роли высокоэффективного исполнителя. Однако экспертиза человека остается абсолютно необходимой. Шварц отмечает, что модель работает невероятно быстро и неутомимо, но при этом допускает ошибки, которые может заметить только специалист с глубоким пониманием предметной области. ИИ нуждается в постоянном контроле и корректировке курса.
Перспектива
Этот кейс демонстрирует зарождение новой парадигмы научных исследований. Роль ученого постепенно смещается от непосредственного выполнения рутинных математических вычислений к стратегическому планированию, декомпозиции сложных задач и строгому контролю качества. По словам самого профессора, это, возможно, самая важная статья в его карьере — не из-за физических открытий, а из-за примененного метода. Возврата к традиционным подходам в теоретической науке, судя по всему, уже не будет.
Изображение из источника
A screen grab of Claude code
ИИ-модели способны выполнять сложную научную работу уровня аспиранта при условии грамотного руководства и декомпозиции задач со стороны эксперта-человека.
Успех применения ИИ в сложных долговременных задачах зависит не от длины контекстного окна, а от правильной архитектуры хранения данных — ведения внешних файлов, к которым модель может обращаться по мере необходимости.
