Cách BootLoops sử dụng các tác nhân AI để giải quyết các tích phân khoa học liên ngành

Giáo sư Matthew Schwartz đã giới thiệu BootLoops, một bộ công cụ mã nguồn mở được thiết kế để khai thác các mô hình ngôn ngữ lớn cho những nhiệm vụ khoa học định lượng cụ thể. Được công bố vào tháng 10 năm 2026, phương pháp này vượt ra ngoài phạm vi hỗ trợ chung của AI bằng cách nhắm mục tiêu vào các vấn đề "có hình dạng phù hợp với Claude" (Claude-shaped), nơi các quy trình làm việc dựa trên tác nhân (agentic workflows) xuất sắc trong việc lập trình và điều phối tính toán hơn là suy luận khái niệm sâu sắc.

Điều gì đã xảy ra

Ban đầu, Schwartz thử nghiệm sử dụng Claude Opus 4.5 như một trợ lý nghiên cứu tiêu chuẩn nhưng nhận thấy quy trình này kém hiệu quả. Mô hình đòi hỏi sự chỉnh sửa và dẫn dắt liên tục, tạo ra một "sự không khớp trở kháng" (impedance mismatch) giữa trực giác khoa học của con người và khả năng của AI. Thay vì ép buộc AI hành động như một nhà khoa học, Schwartz đã thay đổi chiến lược sang xác định những vấn đề phù hợp với thế mạnh hiện tại của các LLM: kiến thức rộng lớn, kỹ năng lập trình mạnh mẽ và khả năng phân tích dữ liệu nhanh chóng.

Ông bắt đầu bằng việc giao nhiệm vụ cho Claude Fable 5, phiên bản được phát hành vào mùa hè năm 2026, để chuyển đổi các phương pháp từ nghiên cứu biên độ tán xạ (scattering amplitude) vào một khung làm việc chung. Nỗ lực này đã dẫn đến sự ra đời của BootLoops, một phần mềm khung đỡ (software harness) cho phép AI thực hiện các tính toán phức tạp. Bộ công cụ nhanh chóng tái tạo các kết quả mà trước đây Schwartz phải mất nhiều tuần để lập trình, chỉ trong vòng hai mươi phút. Quan trọng hơn, nó đã xác định được các thuật toán hiệu quả hơn và mở rộng những phương pháp này sang các tích phân elliptic, một lớp bài toán trước đây quá khó khăn để thực hiện tính toán bootstrap hoàn toàn. Trong vài tuần, hệ thống đã tính toán ba mươi tích phân từ đầu đến cuối, bao gồm mười lăm tích phân chưa từng được giải quyết trước đó.

Tiện ích của BootLoops vượt ra ngoài lĩnh vực vật lý năng lượng cao. Vì các cấu trúc toán học cơ bản, chẳng hạn như tích phân bằng chứng Bayes (Bayesian evidence integrals), xuất hiện trong nhiều lĩnh vực khác nhau, bộ công cụ đã tìm thấy ứng dụng trong sinh thái học và di truyền học quần thể. Schwartz đã cộng tác với các chuyên gia trong lĩnh vực như nhà sinh thái học James O’Dwyer và nhà di truyền học Michael Desai để xác minh những phát hiện liên ngành này. Trong sinh thái học, công cụ này đã giải một phương trình 20 năm tuổi từ lý thuyết đa dạng sinh học trung tính, tiết lộ rằng sự pha trộn các loài cây trên đảo Barro Colorado thay đổi nhanh đáng kể so với dự đoán của yếu tố ngẫu nhiên. Trong di truyền học, nó giải quyết một tích phân 30 năm tuổi liên quan đến chọn lọc tự nhiên và đột biến hiếm hoi, sử dụng dữ liệu từ danh mục gnomAD.

Cách hoạt động

BootLoops hoạt động như một khung đỡ chuyên biệt cho các LLM, tương tự như cách Claude Code hoặc Codex cấu trúc các tương tác cho các nhiệm vụ lập trình. Nó nhắm mục tiêu vào phương pháp bootstrap bán số hóa (semi-numerical bootstrap), kết hợp các ràng buộc vật lý với tính toán số có độ chính xác cao để xác định các biên độ lý thuyết. Phương pháp tiếp cận này lý tưởng cho AI dựa trên tác nhân vì nó đòi hỏi tích hợp kiến thức từ toán học, vật lý và khoa học máy tính, đồng thời vẫn đảm bảo tính kiểm chứng chặt chẽ thông qua các kiểm tra số.

Hệ thống tận dụng khả năng của AI trong việc phân tích các bài báo học thuật và các cơ sở mã hiện có trong các ngôn ngữ như Wolfram Language, C++, Python và Julia. Bằng cách thống nhất các tài nguyên rời rạc này, BootLoops cho phép mô hình tổng quát hóa các cơ chế từ một lĩnh vực, chẳng hạn như hàm logarit trong vật lý, sang lĩnh vực khác, chẳng hạn như hàm elliptic hoặc mô hình sinh thái. AI xử lý phần nặng nề của việc tạo mã và tối ưu hóa thuật toán, trong khi các chuyên gia con người cung cấp hướng dẫn về mức độ liên quan khoa học và diễn giải kết quả trong bối cảnh chuyên môn cụ thể của họ.

Chi tiết chính

• BootLoops là một bộ công cụ mã nguồn mở tương thích với nhiều mô hình ngôn ngữ lớn khác nhau, không giới hạn ở các sản phẩm của Anthropic.
• Hệ thống đã tái tạo các kết quả vật lý phức tạp trong khoảng hai mươi phút, một nhiệm vụ trước đây đòi hỏi nhiều tuần lập trình thủ công.
• Nó thành công trong việc tính toán mười lăm tích phân Feynman elliptic chưa từng được giải trước đó bằng cách tổng quát hóa các phương pháp bootstrap hiện có.
• Trong sinh thái học, công cụ này đã giải phương trình lý thuyết trung tính của Stephen Hubbell, cho thấy sự pha trộn các loài thay đổi nhanh gấp 4,5 lần so với dự đoán trên đảo Barro Colorado.
• Sự cộng tác với các chuyên gia là rất cần thiết để định hướng các đầu ra của AI vốn đúng về mặt kỹ thuật nhưng không nổi bật về mặt khoa học, hướng tới các câu hỏi nghiên cứu có ý nghĩa.
• Phương pháp tiếp cận dựa trên "bootstrap bán số hóa", sử dụng các điểm số có độ chính xác cao để xác định chính xác các hệ số lý thuyết.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và chuyên gia AI, nghiên cứu tình huống này nhấn mạnh tầm quan trọng của việc thiết kế các quy trình làm việc phù hợp với khả năng thực tế của các mô hình hiện tại thay vì tiềm năng giả định của chúng. "Sự không khớp trở kháng" mà Schwartz mô tả là một điểm ma sát phổ biến trong việc áp dụng AI doanh nghiệp. Bằng cách xác định các vấn đề "có hình dạng phù hợp với Claude"—các nhiệm vụ được xác định rõ ràng, nặng về mã hóa và có thể kiểm chứng—các nhà phát triển có thể xây dựng các hệ thống tác nhân đáng tin cậy hơn. Điều này chuyển trọng tâm từ việc cố gắng thay thế chuyên môn của con người sang tăng cường nó bằng điều phối tính toán tốc độ cao.

Hơn nữa, thành công của BootLoops chứng minh giá trị của việc nhận diện mẫu xuyên lĩnh vực. Các tác nhân AI có thể xác định các đẳng cấu toán học giữa các lĩnh vực không liên quan, chẳng hạn như vật lý và sinh học, mà các chuyên gia con người có thể bỏ sót do sự cô lập theo ngành. Tuy nhiên, điều này cũng nhấn mạnh sự cần thiết của việc xác minh có con người tham gia (human-in-the-loop). Tính đúng đắn kỹ thuật không đồng nghĩa với ý nghĩa khoa học, và các chuyên gia trong lĩnh vực vẫn đóng vai trò then chốt trong việc diễn giải kết quả và xác định các tuyên bố vấn đề có giá trị. Mô hình lai này cung cấp một bản thiết kế thực tế để xây dựng các công cụ AI trong các ngành công nghiệp chuyên biệt.

Bạn có thể làm gì

• Xác định các nhiệm vụ lặp đi lặp lại, nặng về mã hóa trong quy trình làm việc của bạn, đòi hỏi tích hợp nhiều nguồn dữ liệu hoặc cơ sở mã cũ.
• Xây dựng các khung đỡ nhẹ nhàng ràng buộc đầu ra của LLM vào các định dạng có thể kiểm chứng, chẳng hạn như đơn vị kiểm thử (unit tests) hoặc kiểm tra số, để giảm thiểu ảo giác (hallucinations).
• Cộng tác với các chuyên gia trong lĩnh vực ngay từ giai đoạn đầu của quy trình phát triển để đảm bảo AI giải quyết các vấn đề liên quan thay vì chỉ những vấn đề khả thi về mặt kỹ thuật.
• Khám phá các công cụ mã nguồn mở như BootLoops để hiểu cách các lời nhắc có cấu trúc và điều phối công cụ có thể nâng cao hiệu suất mô hình trong các lĩnh vực chuyên biệt.
• Tìm kiếm các điểm tương đồng về toán học hoặc cấu trúc giữa các vấn đề ở các phòng ban hoặc lĩnh vực khác nhau trong tổ chức của bạn để tận dụng cơ sở kiến thức rộng lớn của AI.
• Xem các tác nhân AI như những cộng tác viên junior với thế mạnh cụ thể trong lập trình và phân tích dữ liệu, thay vì những nhà nghiên cứu tự chủ có khả năng đổi mới khái niệm sâu sắc.