哈佛教授90天横扫18个学科，Claude神助攻！连开36篇论文

新智元报道

全世界拿AI搞科研的姿势，可能从一开始就用错了！

哈佛物理学家、量子场论教材作者 找到的正确姿势，恰恰是别把当科学家。

他把够不着的深层问题留给自己，只挑它最擅长的题交给它。

结果，他熬了好几周、逐行写代码才完成的计算，只跑了20分钟就复现了，连他自己都没想到。

他又多追问了一句，在接下来几周里算出15个费曼积分，这些积分此前从来没有人算出来过。

三个月后，手里多了36篇论文初稿，从对撞机里的粒子做到了巴拿马雨林里的树，横跨18个学科。

10月1日，把他的长文发上了官方科学博客，标题叫「形状的科学」。

他在文中给出的理由是，今天的大模型很擅长做科学，但还算不上科学家。硬把它当成人类科学家去使唤，它的本事反而发挥不出来。

想让AI变强，有两条路。一条是等巨头在实验室里堆出下一代模型，另一条就是拿到模型的人，自己找到对的用法。

哈佛教授挖出了最强的一面

去年12月，让 Opus 4.5给自己当科研助手。用他的话说，像一个能干的研究生，干活快20倍，论文最后写出来了，过程却很磨人。

很多科学家都有类似的体会。新闻里AI一会儿解开数学难题，一会儿刷新纪录，自己上手一用，却总觉得隔着一层。

这种落差，在他看来有迹可循。AI科研的新闻头条大多出在数学里，那是唯一能把问题完整写下来、答案能被绝对验证的学科，可大部分科学并不长这样。

他借了物理学里的一个词，叫「阻抗不匹配」，两个系统各自运转良好，接在一起却配不上。放到AI科研上，一头是科学家想要的，另一头是AI最擅长的。

于是他按实际的样子来用它。眼下帮不了他想深层的概念问题，可它几乎什么领域都懂，写代码是强项，读论文和数据也是机器的速度。

他要做的，就是专挑正好落在这些长处上的题。这类题，他叫作「形状的问题」。

科学家想做的事和AI能做的事只在两小块地方重叠，那里就是「形状的问题」

追问一句，算出15个新积分

第一个形状的问题，他从老本行里挑，叫散射振幅。

物理学家要靠它从对撞机的碎片里认出新粒子。可它的核心是费曼图背后的多维积分，难一点的，算出一个就够写一篇博士论文。

为了绕开这些难算的积分，过去20年，物理学家发展出一条捷径，叫S矩阵。它不硬算积分，靠物理约束一层层排除。

比如，知道振幅在哪些地方会变成无穷大，候选就缩到2万个，再加一个对称性，剩下500个，就这样一步步缩到1个。约束不够用的时候，再在几个点上把振幅算到极高的精度，把剩下的系数钉死。

在看来，这道题天生适合AI。一来，它要的数学、物理和计算机知识没人能全部掌握；二来，答案能被验证，跑两个脚本就能对到任意位数，想糊弄也糊弄不了。

他交给 Fable 5的第一件事，是把散落在各种代码和论文里的方法搬进同一个框架。结果，很快复现了他的旧结果，还指出他有个算法写慢了。

突破出在后面。他让去找还没人算过的振幅，发现它一直把自己限制在最简单的对数函数里，于是追问了一句，更难的椭圆函数能不能也这么做。

这一问问到了难处。人类完整算出的椭圆费曼积分只有寥寥几个，还没有一个完全靠算出来，因为所需的知识散在许多人身上，从来没人试过。

却没有这个障碍，它把整套工具扩展到了椭圆函数上，大部分新软件由它自己写，剩下的借自数学界。

几周后，30个积分被从头到尾算完，一半是复现已知结果，另外15个此前从来没人算出来过。

回头看这几周，Fable 5的能力是底子，决定结果的是两次选题，一次是挑中这道能验证、知识又分散的题，一次是看出在给自己设限，追问了一句。

其中第二次更关键，那批前人从没算出来的积分，全出在追问之后。

这套越用越全的工具，起名叫。它是套在大模型外面的一层工具和流程，已经开源，换哪家的模型都能驱动。

其中两个积分引擎的算法，出自北京大学马滟青团队。

门槛有多低，我们自己试了一下。在一台Mac上装好后，我们只用一句话给 Code交代任务。

它自己翻文档、找工具，20分钟出头、花了约1.5美元，就把官网上一个新算出的积分系数重算了一遍，还找出了闭式，和数值对上157位。

一套积分，打穿18个学科

本来，打算就这批积分写篇文章收工。可科学里有个巧合，同样的方程总会在不同学科里反复出现，这批工具的用处远不止物理。

告诉他，这些积分还能对应到群体遗传学里的贝叶斯证据积分。

系统发育学用DNA给物种排家谱树时要算的积分，和当初为费曼图打造的积分也是同一类。

为费曼图造的积分工具，在物种家谱、群体遗传和生态学里都能用

为了让工具箱越用越全，他给立了条规矩，老工具要用，新工具也要造。

这样一来，每个项目哪怕失败，都会留下新工具，越用越能干，用他的话说，就像《黑客帝国》里刚灌完功夫的尼奥。

也就是说，模型能做成多少事，不只取决于权重，也取决于手边的工具箱。下一代模型要等实验室发布，工具箱却每天都在扩充，和模型打交道的人自己就能改进它。

工具箱带进别的学科后，生态学最先出了成果。中性理论认为，森林里物种的兴衰也许全凭运气。

可这个理论的方程写出来20年，一直没人能在大尺度上解开。认出这是形状的题，把它解了。

拿巴拿马运河巴罗科罗拉多岛的普查数据一对，树种组成的变化速度比中性理论允许的快了4.5倍，光靠运气解释不了。

于是，他和植物生物学家James O'Dwyer用搭出新模型，把物种之间寿命、生长和繁殖的差异加了回来，正往全球的森林样地推广。

其他学科也陆续出了结果。群体遗传学里，他们在57亿对相邻突变中找到了基因转换的证据。

经济学五大顶刊4452篇论文的复现包，被搬进开源代码逐个核对，语言学家也拿到了覆盖6072种语言的重音数据库。

数学家在1939年开启的格点积分系列，最后一道难题也被解开了。

这些成果加起来，就是那36篇论文稿。它们是从约400个候选问题里筛出来做成的，目前都还没正式发表。

在文末披露，项目期间他在担任访问研究员，由资助，由他本人拥有和维护。

撑起这个产量的工作台并不复杂。每个项目一个 Code会话，一个总控会话负责协调和验收，计算交给后台子Agent。

还有一个会话专门扮演挑刺的审稿人，把结果翻来覆去地核查。

一个总控会话管着一群项目会话，计算交给后台子Agent，另有会话专门挑刺

做成的这些题有一个共同点，答案都能被核对。

正因为算错了瞒不住，才敢放手让它去跑。所以说，能被验证的地方，AI就能放开手往前推。

通往ASI的另一条路，谁都能走

这三个月，回答的是一个更大的问题，智能到底靠什么扩张。

外界衡量AI有多强，看的几乎全是模型本身，参数多了没有，跑分高了没有，下一代什么时候发。

看的却是另一件事，模型的上限由实验室决定，最后能发挥出多少，取决于挑题、搭工具、定验收标准的那个人。

至于AI该去哪儿，他用了一个数学概念来比喻，叫凸包，也就是把一个形状所有尖角连起来后，围出的最小凸形状。

人类知识就是这样一个参差不齐的形状，生物学往一个方向突出去，数学往另一个方向突出去。

一个实验室可能花20年，用一种方法把一组基因研究透，旁边的基因和别的方法却一直荒着。

那些人类够得着、但还没有哪个人去过的中间地带，最适合交给AI。

做的，就是在这些尖刺之间连线，把凸包一点点填满。

人类知识像一颗参差不齐的星形，的工具包在尖刺之间连线，填补中间的空白

AI去填这些空白，人在科研里的位置也跟着变了。

局面变得太快，几乎没法提前规划。反问，一个AI可能一夜之间就算完的问题，为什么还要申请三年的经费去算。

连该怎么带研究生，他也说自己至今还没想清楚。

不过在他看来，只要找对问题，大部分技术活都能自动化，离不开人的是概念那一部分。

放到通往ASI这件事上，也是两条路。一条是等实验室训出更强的模型，另一条是把人类散落在几十个学科里的工具拼成一个工具箱，交给一个什么都懂一点的模型，再由人来挑题、追问、验收。

前一条路握在少数几家公司手里，后一条路不用等下一代模型，每个会用AI的人现在就能走。

参考资料：