devgo.cn跨学科研究一直是科研里性价比最高、却最少人干的事。每个研究者都困在自己的细分领域里，没人有半年时间去翻另一个领域的文献——于是同一个数学技巧被反复重新发明，或者干脆只停留在某篇没人读的论文里。哈佛物理学家 Matthew Schwartz 在 Anthropic 做访问研究员时，顺手让 Claude 给自己造了一套工具，结果三个月产出了 36 篇论文。
先解决自己的问题，再发现别人的问题
这套工具叫 **BootLoops**，与具体模型无关，做三件事：检索科学文献、写代码、解数学问题。起点很朴素：Schwartz 去年 12 月开始把 Claude 当通用科研助手，能用但需要不停手把手纠偏。于是他换了思路——不去改造模型，而是专门找「Claude 形状的问题」，也就是正好落在模型强项上的任务。
第一站是高能物理。解读大型强子对撞机粒子碰撞的方程，最好的解法散落在多种语言的软件里，有些甚至只存在于纸上。他让 Claude 把它们合成了一个统一框架，然后用这套自己造的工具，20 分钟就复现了他自己一篇论文的结果。
接着是更难的一类方程。几周内 Claude 解出 30 个，其中 15 个从未被计算过。真正让事情变大的不是人，是模型自己——Claude 指出，同样形式的方程也出现在群体遗传学和演化生物学里。
专家的作用变成了「筛」
跨到陌生领域后，Schwartz 遇到一个现实问题：他判断不了 Claude 是不是在吹牛。于是他为每个领域拉来专家做裁判，从约 400 个候选问题里筛出 36 个成了论文。这个分工很关键——模型负责产生候选，人负责决定哪些值得追。
两个能算钱的案例
**联邦医保的星级奖金。** Medicare 给私立医保计划按星级评分，星级决定保险公司拿多少奖金。规则要求评分档次的分界线画在「让每个计划的分数尽量贴近本组均值」的位置，但 Medicare 实际使用的算法是个捷径，并不保证这一点。BootLoops 用一套 1958 年的统计方法算出精确解，发现按精确边界重画，会有 34 个计划评级跨过奖金线——16 个上调、18 个下调，2025 至 2027 年间约 9 亿到 14 亿美元的奖金会在保险公司之间转移。
**太阳黑子为什么会死。** 这是个 150 年的悬案。太阳自转让黑子在大部分生命周期里不可见，天文学家始终说不清它们能活多久、为什么会消失。团队借来医学里衡量「死亡风险随年龄变化」的生存分析工具，套到 1874 年以来记录在案的全部黑子上，发现黑子确实会衰老：在给定大小下，它们的「死亡」风险每天上升约 20%。现有任何一种已发表的理论都解释不了这个数字。
每遇到一个新问题，Claude 就造一批新工具，BootLoops 的工具箱因此不断长大，目前已横跨 22 个领域，还包括地球大气如何首次充满氧气、巴拿马雨林树种更替有多快、自然选择如何淘汰人类的有害突变。
别急着庆祝
Hugging Face 的 AI for Science 负责人 Georgia Channing 说，这种跨学科跳跃极其罕见——「一个物理研究者不会花六个月去读语言学研究，就为了把语言学方法改造过来用」。
但 Schwartz 自己泼了冷水：很多早期发现技术上正确、科学上平淡，要专家引导才有价值；模型还「太爱提前宣布胜利」。这套流程目前更像一台高质量的候选问题生成器，而不是能独立出成果的研究员。对一个每天要判断几十条信息值不值得读的人来说，这个定位反而更可信。
内容与图片版权归原作者所有 · 原文: https://singularityhub.com/2026/10/19/new-ai-tool-could-help-scientists-make-rare-cross-disciplinary-leaps-more-common/