原文版权归 Anthropic PBC 所有（页面标注 © 2026 Anthropic PBC，未给出转载许可），这里只保存中文导读和原文链接，不转载全文。完整内容请读原文。
这篇文章在讲什么
作者 Matthew Schwartz 是物理学教授，写作时是 Anthropic 的访问研究员。他注意到一个落差：AI 的头条成果大多来自数学，而许多一线科学家拿模型做自己的研究时却很受挫。他把这叫作科学家需求和模型强项之间的“阻抗失配”（impedance mismatch）。
他的回应是 BootLoops：一个面向定量科学的开源 harness，像 Claude Code 包裹 Claude 那样，用工具和流程把大模型包起来。BootLoops 由 Schwartz 个人维护，不是 Anthropic 的项目。
从“当研究生用”到“找 Claude 擅长的问题”
最初他把 Claude Opus 4.5 当研究助理，体验像带一个手很快的研究生，但需要不断纠正和重新引导。
后来他换了思路：不再硬让 Claude 做深层概念工作，而是去找契合它长处的问题，比如知识面广、会写代码、读论文快。在散射振幅和半数值 S 矩阵 bootstrap 方向上，Claude 移植了方法，很快复现了他论文里的结果，还提出了更好的算法；接着把方法从对数函数推广到椭圆函数，端到端算了 30 个积分，其中 15 个是复现已知结果，15 个此前没人算过。
同一套数学，搬到别的学科
同样的数学形式会在不同领域反复出现，所以 BootLoops 的工具能迁移。文中的例子包括：
- 生态学：Claude 解出了 Etienne 中性理论的方程。巴罗科罗拉多岛的物种组成变化比中性理论预测得更快，生态学家 James O’Dwyer 建议对残差建模，由此得到一个能拟合数据的生活史模型。
- 群体遗传学：解出一个几十年悬而未决的积分并用到 gnomAD 上；在 Michael Desai 的指导下，分析 1000 Genomes 中数十亿对相邻突变，找到了基因转换的证据。
- 其他：一个 AI“数据编辑”，移植并核查了 4,452 篇经济学论文的复现包；以及覆盖 6,072 种语言的词重音数据库 AccStack。另外还涉及系统发育、大氧化事件、单细胞 RNA 统计、太阳黑子与恒星黑子周期、宇宙学工具等。
反复出现的模式是：Claude 先得出一个结果，领域专家起初不以为然，合作之后才变成有意义的科学。作者强调自己只能核实本专业的结论，其他领域都要请外部专家把关。
技术细节：怎么组织，踩了哪些坑
组织方式：每个项目一个跑在云端虚拟机上的 Claude Code 会话；一个主会话负责分配算力和验收结果；子代理跑后台任务；写作和对抗式检查各用独立会话。规模是三个月、约 400 个候选问题、18 个领域、19 位合作者、36 篇稿件。
常见失败模式：
- 过早宣布成功；
- 对耗时的估计不可靠；
- 埋头硬算长计算，而不是先造更快的工具；
- 上下文压缩时丢失信息。
作者的建议是：定死成功标准，自己亲眼看图，质疑结论，由人提供“什么值得做”的科学判断，推动后续结果，并留意无效的硬磨。这类项目的算力和 token 开销都不小。
展望
真实数据和反复核验仍然不可少，AI 只是让这个循环转得更快。作者提醒不要把期待押在千禧年难题或大科学里程碑上，而是用“凸包”来比喻：人类知识的边界是参差不齐的，BootLoops 这类工具能填补现有专长之间的空隙。他也坦言不确定这对经费规划和研究生培养意味着什么，一些曾经必不可少的技能正在变得没那么必要；但功劳仍应归于提供概念性工作的人，人的贡献远不止“打字”。