麻省理工学院物理系教授马修·施瓦茨（Matthew Schwartz）近期详细阐述了其开发的科研辅助工具包BootLoops，旨在解决大型语言模型（LLM）与科学家工作流之间的“阻抗不匹配”问题。通过引导AI聚焦于适合其计算优势的“Claude式”问题，而非强行模拟人类科学家的概念推理，该工具已在生态学、群体遗传学、经济学等多个领域取得实质性突破。
从“对抗”到“协同”：重新定义AI科研角色
尽管代理式AI在数学验证和代码生成方面表现优异，但在实际科研应用中，学术人员常感到模型能力与实际需求存在脱节。施瓦茨指出，LLM擅长处理广度知识和精确计算，却缺乏深层概念创新能力。这种错位导致研究人员在引导模型时需投入大量精力纠正偏差。
为此，施瓦茨调整策略，不再要求AI扮演全能合作者，而是构建名为BootLoops的开源框架，作为LLM的“载体”（harness）。该框架专门针对定量科学中的高精度计算任务，利用模型在跨领域知识检索、复杂编码及高速数据处理上的优势，解决那些依赖分散专业知识、计算繁琐但逻辑明确的难题。
跨学科突破：从高能物理到生态学与遗传学
BootLoops的核心逻辑在于识别并解决“Claude式”问题——即那些可通过数学、物理或计算机科学现有技术直接解决，但因专业壁垒未被充分挖掘的问题。施瓦茨团队通过与各领域专家合作，验证并深化了AI的发现：
- 生态学：针对中性生物多样性理论中长达20年未解的方程，BootLoops实现了精确求解。分析巴拿马巴罗科罗拉多岛数据发现，树种混合变化速度比中性理论预测快4.5倍。在生态学家詹姆斯·奥德怀尔（James O’Dwyer）的指导下，团队进一步构建了最小预测模型，以区分随机性与自然选择的影响。
- 群体遗传学：利用从数学物理引入的方法，解决了困扰学界30年的罕见突变自然选择积分问题。通过对千人基因组计划中57亿对邻近突变的分析，发现了被传统连锁分析忽略的“基因转换”机制证据。
- 经济学与语言学：在经济学领域，团队构建AI数据编辑器，将4,452篇论文的商业代码移植为开源代码并验证数据；在语言学领域，合作构建了涵盖6,072种语言的词重音数据库AccStack，大幅提升了数据覆盖范围与准确性。
此外，该系统还在系统发育学、地球科学（大氧化事件建模）、宇宙学及统计混合模型等领域展现出广泛应用潜力。
技术架构与工程实践
为支撑高强度并行研发，BootLoops基于Google Cloud虚拟机运行多个Claude Code会话，通过GitHub和Overleaf进行协同。施瓦茨采用“主会话协调+子智能体执行”的架构，有效规避了模型上下文窗口限制及分类器阻塞问题。每个项目均设有独立的对抗性裁判会话，用于检查结果一致性。
在实际操作中，团队总结出多项应对LLM固有缺陷的策略：设定严格的成功标准以防过早宣布完成；人工审查所有图表与定性结论；警惕模型“硬算”倾向，强制其构建高效工具而非暴力计算；以及由人类专家提供科学品味指引，确保研究方向的价值。
展望：填充科学的“凸包”
施瓦茨认为，AI不会取代科学方法，而是通过连接支离破碎的学科边界，填充科学的“凸包”。BootLoops证明了技术性工作自动化的可行性，使人类研究者能从繁琐计算中解放，专注于概念创新与方向指导。尽管AI加速了科研进程，但人类在概念界定、结果验证及价值判断上的核心地位依然不可动摇。目前，BootLoops工具包已在GitHub开源，供全球科研人员使用与贡献。