Problemi aperti in 22 campi scientifici avevano già soluzioni a portata di mano, e un sistema di intelligenza artificiale le ha individuate. Il merito va a BootLoops, un toolkit sviluppato dal fisico di Harvard Matthew Schwartz per usare i modelli linguistici nella ricerca quantitativa di precisione. In tre mesi, il sistema ha contribuito alla preparazione di 36 manoscritti in 18 discipline, con 19 coautori, a partire da circa 400 problemi candidati. I campi spaziano dalla fisica alla linguistica, dall'ecologia fino alla politica sanitaria.
Il progetto nasce da un'esperienza di Schwartz stesso. Come racconta Anthropic, il fisico ha smesso di combattere contro Claude e ha iniziato a lasciare che fosse il modello a individuare problemi adatti alle sue capacità, cioè i cosiddetti problemi «a forma di Claude». Da lì è nato BootLoops, che lui stesso descrive come un'imbracatura per modelli linguistici impegnati in calcoli quantitativi esatti.
Come funziona il sistema
BootLoops 1.0 è un pacchetto software scientifico scritto o adattato per essere guidato da un LLM, affiancato da protocolli di lavoro che rendono verificabili i risultati del modello. Il repository su GitHub elenca dodici competenze operative, e molte di queste non riguardano la ricerca in senso stretto: un cancello di accettazione, controlli con verità note, e una contabilità dell'indipendenza che impedisce a una fonte usata per adattare un modello di certificare il risultato stesso. Prima di toccare dati reali, il sistema deve riprodurre una risposta già nota su dati sintetici.
Immagine: Anthropic
Il principio è semplice: il modello può proporre, ma ogni risultato deve superare controlli che un ricercatore umano può ripercorrere. Sul sito del progetto, i manoscritti sono marchiati come preliminari quando non sono ancora stati verificati a fondo da persone, e molti sono stati redatti in prima bozza da LLM.
Verifiche ancora in corso
La questione dell'affidabilità resta aperta. Il progetto dichiara che tutti i manoscritti sono stati letti da esseri umani per accuratezza, ma alcuni non sono ancora stati controllati per intero. Un'altra raccolta di esperimenti, condotta con agenti AI su 40 studi sanitari basati sui dati NHANES, ha mostrato come in 36 casi l'analisi dietro il risultato principale non corrispondesse esattamente a quella descritta nell'articolo. Quel risultato, però, non ha ancora superato la revisione: due agenti di gpt-6 hanno segnalato problemi rilevanti.
Immagine: bootloops.ai
Il caso BootLoops si inserisce in una serie di esperimenti che hanno portato l'AI a scoprire connessioni trascurate. Un gruppo di ricercatori ha usato 90 agenti Claude per individuare in un articolo chimico del 1999 un composto potenzialmente utile per la memoria spintronica, rimasto fermo per 27 anni perché nessuno leggeva contemporaneamente la letteratura di due settori distinti. Anche qui, la conferma sperimentale deve ancora arrivare.
Il collo di bottiglia si sposta
Il senso dell'esperimento sta forse nello spostamento del problema. Trovare connessioni tra letteratura diversa non è più il limite principale: il vero ostacolo diventa verificarle. Con 36 manoscritti in tre mesi, la capacità di generare ipotesi cresce più in fretta di quella di controllarle, ed è questa asimmetria che i protocolli di BootLoops cercano di colmare.
Ancora nessun commento. Puoi essere il primo!