※ 引述《jackliao1990 (j)》之銘言：
: https://www.anthropic.com/research/yes-claude-can-do-nine-loops
: https://smsharma.io/cosmic-nine-loops/
: 此成果已通過史丹佛大學和Lance Dixon的驗證
Lance Dixon 在該blob上面有一個一般人比較看得懂的感想，
所以我把整篇文章翻譯+轉過來。他的角度看LLM挺正面的
我認識的大多數理論物理學家都知道，
當前大型語言模型（large language models）的時代，
將會徹底改變我們思考物理學的方式。
問題只在於：這場變革究竟什麼時候才會真正讓人切身感受到？
對我而言，那一刻發生在9月1日。
Anthropic 的 Liam Fitzpatrick 和 Siddharth Mishra-Sharma
告訴我，Claude 已經計算出了平面 N=4 超楊-米爾斯理論
（planar N=4 super Yang-Mills）中的九迴圈六粒子 MHV 散射振幅
（nine-loop MHV six-particle amplitude），並請我驗證它的結果。
我不打算解釋上一句中的所有技術術語；Matt 已經在前文介紹過相關背景。
不過，我確實需要說明，這裡其實有兩個彼此相關的對象：
一個叫做「散射振幅」（amplitude），
另一個則是我們稱為「形狀因子」（form factor）的東西。
兩者都有各自的迴圈階數（loop order）：一迴圈、兩迴圈、三迴圈，依此類推。
即使我們已經找到了大量讓計算變得比較容易的技巧，
每增加一個迴圈階數，在計算上都會比前一階更困難。
此外，在相同的迴圈階數下，形狀因子比散射振幅更容易計算。
2023 年，Andy Liu 和我展示了如何利用形狀因子，
以及一種我們稱為「對蹠對偶」（antipodal duality）的奇特對稱性，
來得到八迴圈的散射振幅。
自 2023 年以來，我和我的合作者一直把做到九迴圈當作目標：
首先是九迴圈的形狀因子，然後再進一步做到九迴圈的散射振幅，
並使用我們在 2023 年提出的方法。
我原本認為，直接計算散射振幅會太困難。
所以，當我發現 Claude 居然可以直接做到時，我真的相當驚豔。
倒不是因為這是一項非常龐大的計算工作，
而是因為整個計算架構非常脆弱：
只要你在計算流程中的任何一個地方犯下一點錯誤，
整套東西就會像失敗的舒芙蕾一樣整個塌掉，
而你只能開始納悶到底是哪裡出了問題（然後進行除錯）。
此外，這套建構方法裡有非常多細節，
無聊到根本不可能在論文中全部記錄下來。
因此，Claude 必須從零開始自行建立所有這些程式碼。
從九迴圈的散射振幅回頭得到形狀因子，相對而言就容易多了，
而我主要也是透過這個方式來驗證結果。
這意味著，過去兩週，我一直在驗證一個結果——九迴圈的形狀因子——
而這正是我們團隊花了好幾年一直努力想要得到的成果
而一台機器，竟然解決了一個我原本認為太難、無法直接完成的問題。
這件事會讓我個人感到不舒服嗎？會讓我感到心灰意冷嗎？
不會，原因有兩個。
第一，我們團隊原本就已經在進行一項計畫：
使用客製化的 Transformer 模型來預測更高階的迴圈計算結果。
我們當時的一句口號就是：
「我們擁有所有必要的工具，可以驗證機器所提供的任何候選解。」
Claude 是另一種類型的 Transformer 模型，
而且它的規模可能比我們自己打造的模型大上超過一百萬倍。
但既然我們當初說過，我們可以驗證 AI 模型給出的任何結果，
那麼我們現在確實能夠、也應該這麼做。
第二個原因是，如果你仔細看看 Claude 是如何解決這個問題的，
就會發現，它使用了我和我的合作者們多年來所發展出的所有方法，
而且它呈現解答的方式——也許是特意給我們一個方便——
竟然和我們早已建立好的格式完全相同。
所以，當我在驗證 Claude 的結果時，
Claude 同時也正在驗證我們過去所有的工作。
事實上，我甚至可以斷言，Claude 對我們 2019 年和 2023 年兩篇論文的理解，
比任何人類都要好——當然，我的共同作者們除外。
我寫完這段之後，Song He 告訴我，
他的研究團隊也已經計算出了九迴圈散射振幅中稱為「symbol」的那一部分。
（不知為什麼，大家似乎就是很喜歡跑來告訴我他們在九迴圈方面取得的成果。）
Song 的團隊使用了 AI（GPT-6）來協助他們計算其中一些約束條件，
但並沒有讓 AI 負責整體的框架。
所以現在，在短短兩週之內，
我先後被「機器」以及「人類加機器」搶先完成了成果。
回到 Claude 的這次計算：
在我看來，對一個大型語言模型而言，
能夠執行我們所制定的這套複雜計算流程中的所有步驟，
並且妥善組織和調度所需的計算能力，
本身就是一項相當了不起的成就。
但真正需要我們進行更深層反思的時刻，
將會是在大型語言模型開始比人類更早提出新的物理原理與洞見之後。
看起來LLM對這研究提供的幫助跟數學界最近看到的滿像的
除去contribution的爭議部分，我覺得理論研究領域應該正面看待LLM呀