📝📝：哈佛教授 Matthew Schwartz 運用 AI 發展出的 Claude-Shaped 科研新典範
當大語言模型（LLMs）席捲科學界時，多數研究者的直覺往往是將其當作「數位研究生」，試圖讓 AI 模仿傳統人類科學家的工作流程：文獻回顧、公式推導或撰寫腳本。然而，這種做法往往伴隨著嚴重的幻覺與挫折感。
哈佛大學物理學教授 Matthew Schwartz 在專文〈Claude-shaped science〉中提出了一種顛覆性的視角：
科學家不該強迫 AI 適應既有的研究習慣，而應正視兩者之間的「阻抗不匹配」（Impedance Mismatch），轉而尋找並定義那些本質上就「為 Claude 而生」（Claude-shaped）的科學問題。
Schwartz 不僅藉由 Claude 構建了開源科學工具套件 BootLoops，橫跨粒子物理、數學生態學、基因學與經濟學取得了實質性突破，更在方法論上為「人機協作科研」確立了全新的理性範式。
從「外包工具」到「阻抗匹配」
Schwartz 指出，傳統科研對 AI 的使用方式存在嚴重的認知誤區。要真正發揮前沿模型的威力，科學家必須在研究心態上經歷三重轉變：
1️⃣揚棄「讓 AI 模仿人類」
電子學中的阻抗匹配指的是訊號源與負載之間的電阻相容，以達到能量傳輸的最大化。Schwartz 將此概念引入人機科研，指出：
人類科學家的強項在於宏觀概念建構、跨領域直覺、提出具有啟發性的問題與嚴格的真實性驗證；而 AI 的強項在於處理龐大代碼庫轉換、海量數據對齊、跨學科數學工具的遷移以及多輪不眠不休的確定性計算。
若強求 AI 去做不擅長的高階抽象哲學反思，或讓人腦耗費數月去手動除錯 30,000 段專有代碼，都是嚴重的阻抗不匹配。理想的態度是主動調整問題的界定方式，使其落入兩者交集的甜蜜點。
2️⃣自主構建「閉環回饋」
Schwartz 強調，絕不能將 AI 當作「單次輸入、聽天由命」的神諭（Oracle）。他在實踐中建立的 BootLoops 套件本質上是一套閉環驗證機制（Closed-loop Feedback）：
讓人腦給予精確的物理或數學邊界條件；讓 Claude 自主撰寫模擬代碼、執行數值計算並檢查自我收斂性；一旦計算結果與已知的分析極限（Analytical limits）或實證數據發生偏差，系統自動觸發報錯並引導模型自我除錯與迭代。
Schwartz 指出，唯有將 AI 置於嚴密的計算回饋迴路中，才能徹底降低大語言模型的幻覺風險，將其轉化為嚴謹的科研重器。
3️⃣回歸「方向引導者」
在過去，一個跨學科想法（例如：將粒子物理的量子場論數學工具應用於生態學樹種演替）往往會因為「需要花費數年重新學習該領域的專有軟體、清洗龐雜數據集」而被擱置。
Schwartz 認為，Claude-shaped science 的精髓在於將這段高耗時的技術體力活完全壓縮（例如在 20 分鐘內重現並優化數週的研究代碼），從而解放科學家的天職，專注於問題的核心本質與理論創新。
核心附圖的深度解構
為具體闡明這套新研究哲學與實際科研成果，Schwartz 在文章中使用了三幅極具代表性的視覺模型。
Claude-shaped problems 的本質邊界
這幅黃色與粉紅色變形蟲圖案交疊的集合示意圖，直觀呈現了人機協作的核心邊界：
左側黃色區塊（What scientists want to do）
代表科學家的主觀探索慾望、宏觀科學假說與重大科學難題。
右側粉色區塊（What AI can do）
代表當前 LLM 具備的客觀能力邊界（龐大上下文理解、跨語言編程、已知定理應用與自動化執行）。
中央深紅色交集（Claude-shaped problems）
這是科研新範式的唯一立足點。Schwartz 強調，科學家不應抱怨粉色區塊無法覆蓋全部黃色區塊，而是必須主動識別出這塊交集，即「既具備重大科學價值，又能被 AI 當前能力精準求解的特定問題」。
跨學科知識空白的幾何填補
第二幅幾何圖形展示了人類現有知識邊界與 AI 擴展能力之間的拓撲關係：
中心不規則多邊形（Human knowledge）
代表人類當前的知識現狀。圖中向外延伸的尖銳輻條（Spokes）代表高度分工、極度專業化的各個傳統學科分支（天體物理、粒子物理、分子生物學、演化生物學、計算機科學、經濟學、地質學與純數學）。
輻條之間的巨大缺口（The jagged frontier）
學科高度細分導致學科之間存在著大片「無人開墾的荒原」。例如，演化生物學家不懂粒子物理的重整化群數學，經濟學家不熟悉計算機科學底層的並行編程架構。
外圍虛線外殼（The Convex Hull）
凸包是幾何學中包含所有尖銳頂點的最小凸形狀，代表這八大傳統學科在理論上本應具備的整體潛能上限。
橙色填充區域（BootLoops 套件，如 Eichler, Actuary, Numkin, JackAndJill）
Schwartz 指出，Claude 的真正價值不在於將單一學科的尖刺刺得更遠，而在於「橫跨兩條相鄰的學科輻條，填補兩者之間的知識凹陷」。
透過快速將 A 學科的數學架構轉譯為 B 學科能運行的代碼，AI 實質上正在將整個人類知識體系從破碎的「星狀多邊形」擴展為圓融的「凸包」（Convex Hull）。
跨學科實證落地
第三幅複合科學圖表是 Schwartz 將物理統計方法跨界應用於數學生態學的具體實證展示：
左側三元相圖（Ternary Plot）
研究將美國森林清查數據庫中的樹種性狀，依據演化權衡（Evolutionary Trade-off）劃分為三種極端策略維度：
活力型（Vigorous，如火炬松 loblolly pine）
耐抗型（Hardy，如東部鐵杉 eastern hemlock、白櫟 white oak）
高產型（Fruitful，如紅楓 red maple、糖楓 sugar maple）
圖中的方塊代表不同樹種在三元性狀空間中的精確座標定位與權重分佈。
右側美國本土樹種地理分佈圖（US Forest Inventory Map）
利用色彩編碼（橙色代表活力型、藍紫色代表耐抗型、綠色代表高產型），將數以百萬計的森林野外觀測點進行高解析度地理空間對齊。
西部山區以紅橙色的花旗松（Douglas-fir）與顫楊（quaking aspen）為主，東南部廣布橙色的火炬松，而東北部與五大湖周邊則呈現深藍與翠綠交織的硬木林分佈。
以往生態學家需要耗費數年來手動處理並清洗全美林業大數據；藉助 Claude，Schwartz 團隊在極短時間內完成了幾何空間嵌入、性狀模型求解與全美尺度的實證對齊，直接驗證了熱帶與溫帶森林樹種動態演替的全新數理模型。
在機器重塑的科學中定位人類
Matthew Schwartz 的專文並非一篇單純歌頌技術進步的宣傳稿，而是一份寫給當代科學家的清醒行動指南。
當前沿模型能夠在 20 分鐘內重現粒子物理論文的全部推導、能夠解開懸延近百年的數學晶格積分、能夠跨越學科填補知識凸包的凹陷時，科學家的價值從未被削弱，反而被前所未有地提升了。
Claude-shaped science 的興起，劃定了 Human-shaped science 的神聖領地。
在未來的科研探索中，提出兼具美感與深度的核心問題、選擇探索的方向、並以無比嚴謹的實證懷疑精神去審視機器的產出，依然是人類科學家無可替代的終極職責。