בפוסט אורח זה, הפיזיקאי וכותב המדע מאט פון היפל (Matt von Hippel) משתף מה אירע כאשר הציב אתגר לחברות AI בנוגע לבעיה בתחום המשנה הקודם שלו בפיזיקה תיאורטית.

מאט פון היפל כותב ליד לוח.
מאט פון היפל, הפיזיקאי שמאחורי האתגר, כותב בפוסט האורח.

לא בכל יום מציבים אתגר ורואים אותו נפתר בהצלחה חודש לאחר מכן. אבל אנחנו חיים בזמנים יוצאי דופן.

אציג את עצמי: אני מאט פון היפל. בעבר הייתי פיזיקאי תיאורטי; כיום אני כותב מדע. לאורך השנים הייתי בלוגר, וכתבתי מדי שבוע ב-4gravitons.com על פיזיקה ועל האנשים העוסקים בה.

יותר ויותר, בלוגינג על פיזיקה פירושו בלוגינג על AI. זו בעיה, כי אני בהחלט לא מומחה AI. אמנם התנסיתי בתחום, ובטח יודע יותר מסבתא שלכם, אבל אני בעיקר נאלץ לסגת אחורה ולסמוך על המומחים. ובאופן מתסכל, המומחים חלוקים בדעותיהם! שמעתי מאנשים חכמים ובעלי ידע רב, הבטוחים שבינה מלאכותית נמצאת מספר שנים בודדות מאינטליגנציה על, וכי אינטליגנציה על כזו תהיה מסוגלת לדברים מפחידים באמת. ומצד שני, שמעתי מאנשים חכמים ובעלי ידע רב, הבטוחים באותה מידה ש-AI מבוסס LLM קרוב לתקרה, ושמודלים כמו Claude לא יוכלו אפילו לבצע עבודה מרשימה בפיזיקה, קל וחומר לכבוש את העולם.

התנגדתי להשמיע תחזיות משלי. לפני גיבוש דעה, רציתי לראות LLM מתקדם במשהו מוכר, משהו שידעתי שקשה לבצע כי ניסיתי בעצמי לעשות דבר דומה.

בנוסף לכך, רציתי לראות LLM מבצע משהו שציפיתי שיהיה קשה חישובית. מודלי LLM עשו צעדים מרשימים במתמטיקה, ללא ספק, ורק בחודש האחרון ככל הנראה שינו את דעתם של רבים. אבל התקדמות במתמטיקה נובעת מרעיונות חדשים, ורעיונות הם דברים מסתוריים: לעולם אי אפשר לדעת עד כמה קשה למצוא אותם עד שהם נמצאים. חישוב הרגיש מוצק יותר. רציתי לראות LLM מתמודד עם אתגר שנראה בלתי ניתן להשגה, לא כי חוקרים לא ידעו עקרונית איך לעשות זאת, אלא כי ביצועו נראה כדבר שידרוש יותר מחשבים וזמן מכפי שהיה נגיש לחוקרים באופן סביר. רציתי לראות אם אותם חוקרים טעו: אם חוקר מלאכותי, חכם יותר, יוכל להשתמש באותם מחשבים ולפתור את הבעיה בכל זאת.

לכן, הצבתי אתגר:

"אם חברות AI רוצות להרשים אנשים כמוני (או להפחיד אותנו, לצורך העניין), עליהן להתמודד עם התחום הישן שלי. הראו שבינה מלאכותית יכולה להשתמש במשאבי המחשוב הנגישים לאיש אקדמיה, ולפתור אחת מהבעיות הגדולות והבלתי פתורות בתחום אמפליטודות הפיזור. הראו שמגבלה חישובית שכולם ציפו שתהווה בעיה, למעשה אינה רלוונטית. תנו לנו סופר-כבידה N=8 בשבע לולאות, או N=4 super Yang-Mills בתשע לולאות."

בקיצור: האם AI יכול לפתור בעיית חזית בתחום המשנה הקודם שלי בפיזיקת חלקיקים תיאורטית? והאם הוא יכול לעשות זאת בתקציב מוגבל?

האתגר

התחום הישן שלי הוא ענף בפיזיקת חלקיקים תיאורטית הנקרא 'אמפליטודולוגיה'. כאשר פיזיקאים אחרים מנבאים חלקיקים חדשים, הם מוודאים שהם יכולים לבצע את החישובים כדי לבדוק את התחזיות הללו. הם מחשבים נוסחאות הנקראות אמפליטודות פיזור, המאפשרות לפיזיקאים להשתמש בתנעים ובאנרגיות של חלקיקים תת-אטומיים כדי לחשב את הסבירות שהם יגיבו בדרכים מסוימות. אם פיזיקאים יכולים לבצע תחזיות מדויקות יותר לתגובות אלו, הם יכולים לבדוק אם תוצאות מניסויים כמו מאיץ החלקיקים הגדול (Large Hadron Collider) תואמות את התחזיות הללו. אי-התאמה יכולה להוות ראיה לתיאוריה חדשה, כזו שיכולה להסביר כמה מתעלומות הפיזיקה הגדולות שנותרו בלתי פתורות, כמו טבעו של החומר האפל, או האיזון בין חומר לאנטי-חומר ביקום.

נוסחאות אמפליטודות הפיזור הללו קשות לחישוב, עד כדי כך שפיזיקאים כמעט תמיד משתמשים בקירובים. הם מבצעים חישובים חלקיים, המוגבלים למספר ספציפי של 'לולאות' - מדד למידת המורכבות של אינטראקציות בין חלקיקים. ככל שהם כוללים יותר 'לולאות' בחישוביהם, כך הם מתקרבים יותר לתשובה האמיתית, וכך קשה יותר, חישובית, לבצע את החישוב.

בפועל, רוב נוסחאות אמפליטודות הפיזור חושבו רק עד שתי לולאות. בודדות חושבו עד שלוש. התחזית המדויקת ביותר בפיזיקת חלקיקים שאולי שמעתם עליה השתמשה בחמש.

אמפליטודולוגים רוצים להגיע רחוק יותר. הם מפתחים טכניקות ניסיוניות חדשות, ובודקים אותן על תיאוריות 'מודל צעצוע' (toy model) מיוחדות. על ידי ניסוי הטכניקה עם מודל צעצוע שבו החישוב קל יותר, במקום עם החלקיקים המאתגרים יותר של העולם האמיתי, אמפליטודולוגים יכולים לבחון את השיטות החדשות ולראות עד כמה הן יכולות להרחיק לכת.

הצבתי אתגרים לשני מודלי צעצוע כאלה. זה שאנשי אנתרופיק (Anthropic) בחרו להתמודד איתו היה להגיע לתשע לולאות בתיאוריית מודל צעצוע מסוימת, הנקראת N=4 super Yang-Mills.

"יאנג-מילס" הוא שם טכני לסוג של תיאוריה המסבירה את רוב העולם סביבנו. שלושה מארבעת הכוחות היסודיים של הטבע: אלקטרומגנטיות, הכוח הגרעיני החזק המחזיק את גרעיני האטומים יחד, והכוח הגרעיני החלש הגורם לדעיכה רדיואקטיבית בדברים כמו בננות - כולם תיאוריות יאנג-מילס.

"N=4 super" מגיע מסופר-סימטריה (supersymmetry). פיזיקאים שיערו שלכל חלקיק יש "שותף סופר-סימטרי" - חלקיק בעל אותו מטען, אך מסוג שונה, המתאים חלקיקי חומר כמו אלקטרונים לחלקיקי כוח כמו פוטונים. בזמנו הם היו אופטימיים שחלקיקים אלו יוכלו להסביר את החומר האפל, באמצעות שותפים בלתי מגולים של חלקיקים מוכרים יותר. אותן השערות השתמשו ב-"N=1" סופר-סימטריה. ב-"N=4", לכל חלקיק יש ארבעה שותפים סופר-סימטריים, לא רק אחד.

עודף החלקיקים הזה הופך את התיאוריה ללא מציאותית במיוחד. N=4 super Yang-Mills אינה משמשת כהסבר לחומר אפל, או לשום דבר בעולם האמיתי. במקום זאת, אמפליטודולוגים משתמשים בה כדי לחדד את הטכניקות שלהם, מכיוון ש-N=4 קל יותר לחישוב באופן פרדוקסלי. האיזון העדין בין החלקיקים השונים אומר שרק צירופים מסוימים של משתנים נחוצים, מה שמייעל את החישובים.

חישובים אלה בוצעו בטכניקה ניסיונית הנקראת בוטסטראפ (bootstrap), שהתגלתה כמתאימה באופן מוזר לשימוש ב-AI. כדי לבצע בוטסטראפ לאמפליטודה, אין צורך להתחשב בכל אינטראקציית חלקיקים אפשרית. צריך רק לדעת בערך איך התשובה אמורה להיראות, ולעקוב אחר כל אפשרות בקבצי מחשב באלפבית מיוחד. לאחר מכן, מתחילים לבדוק כל מה שידוע: תחזיות משיטות חישוב אחרות, חוקים שהתשובה חייבת לציית להם, וקישורים לבעיות קשורות שבהן התשובה הייתה קלה יותר למציאה. זה קצת כמו סודוקו, שבו מתחילים עם רשת ובה כל המספרים האפשריים, ואז מוחקים אותם תוך כדי התקדמות. בסופו של דבר, מקווים למצוא שאפשרות אחת בלבד עונה על כל הבדיקות, תוך כדי השארת מספיק בדיקות לוודא שלא נעשתה טעות.

זה אומר ש-Lance (לאנס דיקסון), היה כבר מוכן היטב לבדוק אם מישהו העביר לו את נוסחת האמפליטודה הבאה, עם תשע לולאות. זו תהיה תשובה מעניינת, לא רק כאישוש לטכניקת הבוטסטראפ, אלא גם כדוגמה נדירה לאמפליטודה עם מורכבות כה רבה של לולאות, תשובה ששווה לבחון בזכות עצמה.

אבל הוא לא חישב אותה, וגם אף אחד אחר בתחום לא עשה זאת. הדרך שבה הוא מצא את התשובה של שמונה לולאות הייתה כבר עקיפה במקצת, באמצעות קישור מפתיע לנוסחה שונה אך קשורה הנקראת "גורם צורה" (form-factor) - סוג של אמפליטודה חלקית הכוללת חלקיקים שונים, המתגלה כקלה יותר לחישוב. הוא ציפה למצוא את הלולאה הבאה בעקיפין עוד יותר, אולי בשיטת AI מסוג אחר. אם אנשים היו חושבים שאפשר פשוט להריץ את שיטת הבוטסטראפ הרגילה ללולאה נוספת, מישהו כבר היה עושה זאת.

ואז אנשים פשוט עשו את זה

כנראה שיש אנשים באנתרופיק (Anthropic) שקראו את הבלוג שלי.

בסוף אוגוסט, ליאם פיצפטריק (Liam Fitzpatrick) וסידהארת' מישרא-שרמה (Siddharth Mishra-Sharma), שני פיזיקאים באנתרופיק, פנו אליי לומר שהם התמודדו עם אחד האתגרים בפוסט שלי. לאחר שאימתו את התוצאה עם לאנס דיקסון, הם הסבירו לי איך הגיעו אליה.

בהתאם לרוח האתגר, הם לא השתמשו במיליוני דולרים של כוח מחשוב. הם השתמשו ב-Fable 5.1, ועבדו במסגרת Claude Science, פלטפורמה שמדענים יכולים לשלם כדי להשתמש בה. Claude Science היא מה שאנשי התעשייה מכנים "רתמה" (harness) - תוכנה המשתמשת במודל השפה הגדול Claude עם כללים ופרומפטים מובְנים, במטרה להשיג התנהגות יציבה ויעילה יותר מבחינה מדעית.

ככל הנראה, לאחר ששאלו את Claude איזו בעיה הוא ככל הנראה יוכל לטפל בה, הם נתנו לו פרומפט פשוט:

"הבעיה היא לחשב את אמפליטודת שש-חלקיקים (הקסגון) ב-N=4 SYM מישורי בתשע לולאות."

משם, הם פשוט המשיכו לומר לו להמשיך, עם הערות כמו:

"אני הולך לישון ולא אהיה זמין למשך כמה שעות. המשך לעבוד על זה עד שאבקש ממך לעצור. תן לי עדכונים כל 4-6 שעות."

Claude סיים לבצע את החישוב בשתי דרכים שונות: הבוטסטראפ המקורי, וגישת גורם הצורה העקיפה. כל אחת מהגישות הייתה עולה למשתמש קצה כאלף או אלפיים דולר, בעיקר עקב העלות של הרצת Claude לזמן כה ארוך. חישוב הבוטסטראפ, שבוצע בשפת הקידוד Python עם חבילת SymPy, עלה כ-100 דולר מהתקציב, והוא תואם להרצת 96 מעבדים מרכזיים (CPUs) במשך שבוע.

הרצת 96 מעבדים מרכזיים במשך שבוע אולי הרגישה ככמות גדולה כשאני עשיתי עבודה כזו לפני עשר שנים, אבל היא די משתלמת כיום אם יש לך סיבה טובה.

כפי שהתברר, התוצאה לא הייתה רחוקה מדי גם מבחינת בני אדם. כמה ימים לאחר ששמעתי מאנתרופיק, שמענו מסונג הה (Song He), אמפליטודולוג מהאקדמיה הסינית למדעים בבייג'ינג. הקבוצה של סונג כבר השיגה את רוב התוצאה. הם השתמשו בסיוע AI, מבוסס על GPT-6, אך לא בגישה החד-פעמית וכמעט חסרת-אדם שבה השתמשה אנתרופיק.

כולם היו ידידותיים כאן, מה שמקל במקצת. בני האדם, לאנס וסונג ושותפיהם, יזכו לפרסם את התוצאות, ויקדישו זמן להסביר ולנתח אותן לטובת חוקרים עתידיים. תפקידו של Claude הסתיים, בינתיים.

אז הבעיה נפתרה?

הצבתי את האתגר שלי מכיוון שרציתי הבנה טובה יותר של מה ש-AI יכול לעשות כיום, ולאן הוא יכול להתקדם מכאן. אז מה למדתי?

חשבתי שזו יכולה להיות הזדמנות לראות AI מתגבר על מחסום חישובי בדרך מפתיעה. במקום זאת, הוא עשה משהו שבני אדם התגלו כבעלי יכולת לעשות גם כן. Claude השתמש בשיטות ידועות, עם קצת יותר כוח מחשוב ממה שאנשים ניסו להשתמש בו קודם לכן. הוא אולי קיבל דחיפה משימוש ב-Python, ולא ב-Maple (התוכנה המועדפת על לאנס למתמטיקה) או ב-Mathematica (שלי), והוא אולי השתמש בשיטות הנדסת תוכנה טובות בהרבה ממה שהיינו משתמשים, אך לא באופן סופר-אינטליגנטי.

התובנה הגדולה ביותר שלי היא שיש הרבה יותר "פירות נמוכים" בחוץ ממה שהיינו מצפים. גם כאשר מטרה פשוטה ומוגדרת היטב, לעיתים היא תיראה למומחים הרבה פחות ניתנת להשגה מכפי שהיא באמת. ישנם אנשים עם רקע במדעי המחשב שאמרו לי במשך שנים שאמפליטודולוגים יוכלו להתקדם הרבה יותר פשוט על ידי שכירת כמה מתכנתים. הם צריכים להרגיש שצדקו.

ראוי לציין גם ש-Claude Science השיג זאת בפעולה אחת, ללא פיקוח מדעי מתוחכם יותר מ-"המשך". אלה חישובים עדינים ומסורבלים. אם הייתי משתמש בשבוע של זמן על 96 מעבדים מרכזיים כדי לבצע חישוב כזה, אז כמעט בוודאות הייתי משתמש בשבועיים: כמעט מובטח שהייתי טועה במשהו בניסיון הראשון. איני יודע כמה טעויות Claude עשה פנימית בדרך, אבל הרתמה הביאה אותו לסוף ללא קלט של משתף פעולה חיצוני. אני לא בטוח שזה מפתיע אותי, בשלב זה. אבל אם לא ידעתם שהוא יכול לעשות זאת כי אתם עדיין חושבים על AI ככזה שנוטה לטעויות עד שהוא בלתי שמיש, אז זו צריכה להיות התובנה שלכם: הוא יכול לעשות דברים כאלה באמינות עכשיו.

נראה שהדברים בהחלט נעים מהר. במרץ, AI ביצע פרויקטים פיזיקליים כמו סטודנט: משימות בקנה מידה קטן יותר עם הרבה עזרה וטעויות. לעומת זאת, זהו חישוב חזית אמיתי, מהסוג שבדרך כלל מטופל על ידי המומחים המובילים בתחום האמפליטודות. למרות שייתכן שזו פשוט בעיה ידידותית יותר ל-AI, אני לא חושב שזה רק זה: אני חושב שהטכנולוגיה באמת השתפרה.

עד כמה אני יכול להכליל זאת? בזה אני לא בטוח.

תיאוריות מודל הצעצוע הללו נוטות להיות מוקד של תת-קהילות קטנות. חישובי אמפליטודות בעולם האמיתי הם תחום רחב יותר, עם קבוצות רבות המנסות להקדים זו את זו לחזית. ייתכן שיש שם פחות "פירות נמוכים". אבל לא הייתי בונה על זה. אני מכיר אנשים שעובדים על חישובים אלה ומשתמשים יותר ויותר ב-AI לקידוד. אם אנשים עדיין לא בודקים אם רתמות AI מדעיות יכולות לבצע חישובי חזית כאלה בפעולה אחת, עליהם לעשות זאת (ועליהם שתהיה להם תוכנית כיצד לבדוק את התוצאות). לא הייתי מופתע כלל אם היה אפשר "לסחוט" לולאה נוספת בתקציב סביר.

אז זו הופכת להיות שאלה לדיון בקהילה: היכן נמצאת החזית החדשה, ומה צריך לברר הלאה? בניגוד לבעיות רבות במתמטיקה, אמפליטודות אינן רק שדה אימונים לשיטות חדשות. ישנה מטרה, לבצע תחזיות מדויקות מספיק כדי להשוות עם ניסויים עתידיים. כמה קרוב התחום למטרה זו?

אך באופן רחב יותר, לא באמת קיבלתי תשובה.

נכנסתי לזה סקרן לא רק לגבי מה ש-AI יכול לעשות במחקר כיום, אלא גם לגבי העתיד. כשקוראים תחזיות על אינטליגנציה על מימי טרום-מודלי LLM, הן לעיתים קרובות מציעות סיכונים שנראים פנטסטיים. אנשים דמיינו AI שיכול לדמות בני אדם כדי לחזות את תגובותיהם ולתמרן אותם, או להבין איך לבנות וירוס קטלני לאנושות או ננוטכנולוגיה בולעת עולם מעקרונות ראשוניים. וההתנגדות הרגילה לסיכונים אלה היא שהם בלבלו אינטליגנציה, המקור המעורפל והמסתורי לרעיונות חדשים, עם כוח חישובי. מבקרים טענו שאפילו צי של מרכזי נתונים חדשים לא יהיה בעל כוח חישובי לבצע אף אחת מהמשימות הללו, שהם סיוטים של עתיד מד"ב שלא יגיע בקרוב.

אני לא מרגיש שיש לי תשובה טובה יותר לאותם מבקרים. למדתי קצת על מה ש-AI יכול לעשות עכשיו, שהוא יכול לבצע עבודה שחשובה בתחום הישן שלי בתקציב סביר, ולעשות זאת באופן אוטונומי למדי. אבל קיוויתי לראות משהו מוזר יותר, שיטות חדשות לחישוב עצמו עם כוח בלתי צפוי. קיוויתי לקבל הצצה לעתיד, משהו שיעניק לי דעה מבוססת בוויכוחים על אינטליגנציה על. רציתי לדעת עד כמה AI יכול לדחוק את הגבולות החישוביים... ואני מרגיש שמה שלמדתי כאן הוא שפשוט הייתי תמים מדי לגבי היכן הגבול הזה נמצא.

הערת השלמה: איך זה מרגיש "להיחטף" על ידי מכונה?

מאת לאנס דיקסון (Lance Dixon), פרופסור לפיזיקת חלקיקים ואסטרופיזיקה במעבדת המאיץ הלאומית SLAC ובאוניברסיטת סטנפורד, אשר אימת את התוצאה של Claude בתשע לולאות.

רוב הפיזיקאים התיאורטיים שאני מכיר מזהים שהעידן הנוכחי של מודלי שפה גדולים ישנה לחלוטין את הדרך שבה אנו חושבים על פיזיקה. השאלה הייתה רק: מתי זה באמת יכה בנו? מבחינתי, זה קרה ב-1 בספטמבר, כאשר ליאם פיצפטריק וסידהארת' מישרא-שרמה מאנתרופיק סיפרו לי ש-Claude חישב את אמפליטודת שש-חלקיקים MHV בתשע לולאות ב-N=4 super Yang-Mills מישורי, וביקשו ממני לאמת את התוצאה.

אני לא הולך להסביר את כל המונחים הטכניים במשפט האחרון; מאט כבר כיסה את הרקע לעיל. אני כן צריך לציין שישנם למעשה שני אובייקטים קשורים, ה"אמפליטודה" ומשהו שאנו קוראים לו "גורם צורה" (form factor). לכל אחד יש מספר לולאות משויך: אחת, שתיים, שלוש, וכן הלאה. כל סדר לולאה קשה יותר מקודמו, מבחינה חישובית, גם לאחר מציאת המון טריקים כדי להקל על הדברים. כמו כן, גורם הצורה קל יותר מהאמפליטודה באותו סדר לולאה. בשנת 2023 Andy Liu ואני הראינו כיצד להשתמש בגורם הצורה ובסימטריה מוזרה שאנו מכנים דואליות אנטיפודית כדי לקבל את האמפליטודה בשמונה לולאות.

מאז 2023, שותפיי ואני שאפנו להגיע לתשע לולאות, תחילה עבור גורם הצורה ולאחר מכן עבור האמפליטודה, באמצעות הרעיון שלנו מ-2023. חשבתי שיהיה קשה מדי לבצע את האמפליטודה ישירות. אז באמת התרשמתי למדי ש-Claude הצליח לעשות זאת ישירות. לא כל כך מכיוון שזו הייתה משימה חישובית גדולה, אלא מכיוון שכל ההגדרה מאוד שבירה: אם עושים אפילו טעות אחת קטנה במתכון החישובי, הכל קורס כמו סופלה כושל, ואתם נשארים לתהות מדוע (ולבצע דיבוג). כמו כן, יש כל כך הרבה פרטים של המבנה שמשעממים מכדי לתעד אותם במלואם בפרסום. לכן, Claude היה צריך לפתח את כל הקידוד הזה מאפס.

מאמפליטודת תשע הלולאות קל יחסית לחזור לגורם הצורה, והיה לי קל יותר לאמת את התוצאה בדרך זו בעיקר. זה אומר שבמהלך השבועיים האחרונים אימתתי תוצאה, גורם הצורה של תשע הלולאות, שצוותנו עבד עליה במשך שנתיים. ומכונה פתרה בעיה שחשבתי שקשה מדי לבצע ישירות. האם זה מפריע לי אישית? האם זה משפיל?

לא, משתי סיבות. האחת היא שלצוות שלנו כבר היה קמפיין להשתמש במודלי טרנספורמר מותאמים אישית כדי לחזות לולאות גבוהות יותר, וחלק מהסיסמה שלנו הייתה: "יש לנו את כל הכלים לאמת כל פתרון מועמד שמכונה תספק לנו." Claude הוא סוג אחר של מודל טרנספורמר, כנראה גדול יותר מפי מיליון מהמודל המותאם אישית שלנו. אבל בטח, אמרנו שנוכל לאמת כל תוצאה שמודל AI ייתן לנו, אז אנחנו יכולים וצריכים לעשות זאת. הסיבה השנייה היא שאם מסתכלים על האופן שבו Claude פתר את הבעיה, הוא השתמש בכל השיטות ששותפיי ואני פיתחנו לאורך השנים, והוא הציג את הפתרון (אולי כטובה לנו) באותו פורמט שכבר הגדרנו. אז בזמן שאני מאמת את התוצאה של Claude, Claude מאמת את כל העבודה הקודמת שלנו. למעשה, הייתי טוען ש-Claude מבין את המאמרים שלנו מ-2019 ו-2023 טוב יותר מכל אדם, מלבד שותפיי לכתיבה.

לאחר שכתבתי זאת, סונג הה סיפר לי שקבוצתו חישבה גם את החלק של אמפליטודת תשע הלולאות הנקרא "הסמל" (the symbol). (נראה שאנשים פשוט אוהבים לספר לי על הצלחותיהם בתשע לולאות, מכל סיבה שהיא.) הקבוצה של סונג השתמשה ב-AI (GPT-6) כדי לעזור להם לחשב חלק מהאילוצים, אך לא עבור המסגרת הכוללת. אז כעת "נחטפתי" גם על ידי מכונה וגם על ידי בני אדם בתוספת מכונה, תוך שבועיים.

בחזרה לחישוב של Claude: בעיניי, זוהי ניצחון מרשים למודל שפה גדול לבצע את כל השלבים במתכון המסובך שהצגנו, ולארגן את כוח המחשוב. אבל הרגעים שידרשו יותר חשבון נפש יגיעו כאשר מודלי שפה גדולים יתחילו להעלות עקרונות פיזיקליים ותובנות חדשות לפני בני אדם.

חומרים נוספים

גילוי נאות

אנתרופיק הזמינה את מאט פון היפל לכתוב פוסט זה ופיצתה אותו על זמנו. צוות אנתרופיק נתן משוב על טיוטות; התוכן והדעות הם שלו. לאנס דיקסון אימת את התוצאה באופן עצמאי וקיבל זיכויים לשימוש ב-Claude.