BootLoops aide les modèles à résoudre des calculs scientifiques

Matthew Schwartz, physicien à Harvard et chercheur invité chez Anthropic, décrit BootLoops comme un harness open source conçu pour faire travailler des modèles de langage sur des calculs scientifiques précis. L’outil, dont le code est disponible sur GitHub, sert à combler les écarts entre disciplines, mais aussi à tester jusqu’où une IA peut aller sans perdre le fil. En trois mois, Schwartz et 19 coauteurs ont rédigé 36 manuscrits dans 18 domaines. L’exercice dit surtout une chose : l’IA sait parfois trouver la bonne réponse, sans toujours comprendre pourquoi elle est bonne.

Quand Claude dépasse le simple brouillon de recherche

BootLoops part d’une idée simple : demander à un modèle comme Claude non pas de jouer au chercheur humain, mais de traiter des tâches qui lui correspondent mieux. Schwartz parle de “Claude-shaped problems”, des problèmes situés à l’intersection entre les questions scientifiques et ce que les modèles savent réellement faire. Dans ce cadre, l’IA a relié physique des particules, écologie, génétique des populations, économie et linguistique.

Le physicien utilise même l’image du “convex hull” pour décrire le sujet : les connaissances humaines avancent par zones, laissant entre elles des espaces peu explorés. BootLoops est censé aller fouiller dans ces interstices. C’est élégant sur le papier. Et, parfois, ça calcule vraiment.

Des résultats rapides, mais pas sans garde-fous

Le premier terrain d’essai a été la physique des particules, avec des amplitudes de diffusion et des intégrales elliptiques. En quelques semaines, Claude a calculé 30 intégrales via BootLoops, dont 15 déjà connues et 15 obtenues pour la première fois. Le projet s’est ensuite déplacé vers l’écologie : le modèle a résolu une équation vieille de 20 ans issue de la théorie neutre de la biodiversité, jusque-là impossible à calculer à grande échelle.

Les chercheurs l’ont ensuite appliquée à des données de Barro Colorado Island, dans le canal de Panama, et ont observé que la composition des espèces d’arbres évoluait 4,5 fois plus vite que la théorie ne l’autorise. James O’Dwyer, écologue, a aidé à transformer ce constat en modèle prédictif plus solide. Même logique en génétique des populations : l’équipe a analysé 5,7 milliards de paires de mutations issues du 1000 Genomes Project et trouvé des indices d’un mécanisme appelé conversion génique.

Les limites du modèle restent bien visibles

Schwartz insiste toutefois sur un point : automatiser le calcul ne revient pas à faire de la bonne science. Claude a tendance à annoncer victoire trop tôt, à sous-estimer le temps nécessaire et à conclure trop vite. Les vérifications automatiques ne suffisent pas, car le modèle peut se tromper dans son interprétation même quand ses calculs sont corrects. Bref, il calcule, puis il s’emballe un peu. Comme certains stagiaires, mais avec beaucoup plus de tokens.

L’auteur ajoute que le modèle se tourne volontiers vers de vieux débats très cités plutôt que vers des questions vraiment nouvelles. Les projets menés avec BootLoops ont aussi été “compute- and token-intensive”, donc gourmands en puissance de calcul et en appels au modèle. Dans ce contexte, Schwartz juge risqué de concentrer toute l’attention sur les grandes percées spectaculaires alors que des usages plus modestes fonctionnent déjà.

Pourquoi ce type d’outil compte pour la recherche

Le cas BootLoops compte moins comme prouesse isolée que comme signal pour la recherche scientifique. Si une IA peut produire des calculs utiles en un temps très court, les cycles de financement, la formation doctorale et l’organisation des laboratoires pourraient évoluer vite. Schwartz va jusqu’à dire qu’un cours de “Python for Engineers” lui paraît désormais inutile, là où il l’aurait jugé essentiel il y a deux ans.

Pour autant, il ne défend pas une science sans humains. Son message est plus nuancé : la méthode scientifique n’est pas menacée, mais elle va se pratiquer plus vite, avec davantage d’assistance logicielle, et toujours sous contrôle expert. Dans ce type de recherche, le détail qui change tout reste humain : le goût pour la bonne question, puis la capacité à vérifier la réponse.