Model Claude Fable 5.1, pracując na platformie Claude Science, obliczył sześciocząstkową amplitudę rozpraszania w teorii N=4 super Yang-Millsa na dziewięciu pętlach, czyli wynik, którego do tej pory nie miał nikt w tej dziedzinie fizyki teoretycznej. Całość kosztowała około 1-2 tys. dolarów, a poprawność wyniku potwierdził Lance Dixon ze SLAC National Accelerator Laboratory, autor poprzedniego rekordu na ośmiu pętlach.
- Model Claude Fable 5.1 na platformie Claude Science obliczył sześciocząstkową amplitudę rozpraszania w teorii N=4 super Yang-Millsa na dziewięciu pętlach – wynik bezprecedensowy w tej dziedzinie, który Lance Dixon ze SLAC National Accelerator Laboratory zweryfikował przez dwa tygodnie, potwierdzając jego poprawność.
- Całe obliczenie kosztowało około 1–2 tys. dolarów (sam bootstrap ok. 100 dolarów) i wymagało 96 procesorów przez tydzień, a Claude użył znanych metod bootstrapu i narzędzia Python z biblioteką SymPy, pisząc cały kod od zera.
- Kilka dni po Anthropic zbliżony wynik – symbol amplitudy na dziewięciu pętlach – uzyskał niezależnie zespół Songa He z Chińskiej Akademii Nauk, korzystając ze wsparcia GPT-6 tylko przy części ograniczeń, co Dixon skomentował z humorem: w ciągu dwóch tygodni ubiegła go maszyna, a potem jeszcze ludzie wspierani przez maszynę.
Anthropic opisał całą historię 25 września 2026 roku w gościnnym tekście Matta von Hippela, byłego fizyka teoretyka, a dziś dziennikarza naukowego. To on sześć tygodni wcześniej publicznie rzucił firmom AI wyzwanie, a na końcu dostał wynik, który sam określa jako mniej przełomowy, niż się spodziewał. I właśnie to jest w tej historii najciekawsze.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Matt von Hippel rzucił wyzwanie firmom AI 7 sierpnia
Wyzwanie pojawiło się na blogu 4gravitons.com, który von Hippel prowadzi od lat. W opublikowanym 7 sierpnia 2026 roku wpisie „It Only Counts When AI Gets to My Field” napisał, że firmy AI zrobią na nim wrażenie dopiero wtedy, gdy przy mocy obliczeniowej dostępnej dla zwykłego naukowca rozwiążą jeden z dużych otwartych problemów fizyki amplitud rozpraszania.
Von Hippel wskazał dwa konkretne cele:
- obliczenie amplitudy w supergrawitacji N=8 na siedmiu pętlach,
- obliczenie amplitudy w teorii N=4 super Yang-Millsa na dziewięciu pętlach.
Sam pomysł nie był wyłącznie jego. W późniejszym wpisie na blogu von Hippel przyznał, że wyzwanie wyrosło z dyskusji na Lancefest, czerwcowej konferencji na cześć Lance’a Dixona. Anastasia Volovich przedstawiła tam obliczenie na dziewięciu pętlach jako punkt odniesienia, według którego należałoby mierzyć ewentualne „przejęcie” fizyki przez AI.
Pod koniec sierpnia z von Hippelem skontaktowali się Liam Fitzpatrick i Siddharth Mishra-Sharma, dwaj fizycy zatrudnieni w Anthropic. Wybrali drugi cel.
Każda kolejna pętla to skok trudności obliczeń
Amplitudy rozpraszania to wzory, które pozwalają na podstawie pędów i energii cząstek subatomowych obliczyć, jak prawdopodobne są konkretne reakcje między nimi. Porównanie takich przewidywań z danymi z eksperymentów, np. z Wielkiego Zderzacza Hadronów, może ujawnić ślady nowej fizyki.
Pełnych amplitud praktycznie nie da się policzyć, więc fizycy stosują przybliżenia ucinane na określonej liczbie „pętli”. Liczba pętli mówi, jak złożone oddziaływania między cząstkami są uwzględniane. Więcej pętli oznacza dokładniejszy wynik i znacznie trudniejsze obliczenia. Według von Hippela większość amplitud policzono do dwóch pętli, nieliczne do trzech, a najdokładniejsze znane przewidywanie w fizyce cząstek wymagało pięciu. W komentarzach na blogu von Hippel dodał, że złożoność amplitud rośnie co do zasady silniowo, czyli szybciej niż wykładniczo.
N=4 super Yang-Mills to tzw. teoria-zabawka. Nie opisuje realnego świata, bo każda cząstka ma w niej aż cztery supersymetryczne partnerki, ale właśnie przez tę nadmiarową symetrię liczy się w niej łatwiej. Fizycy testują na niej nowe techniki, zanim przeniosą je na prawdziwe cząstki.
Dotychczasowe obliczenia opierały się na metodzie zwanej bootstrapem. Zamiast rozpisywać wszystkie możliwe oddziaływania, zaczyna się od ogólnej postaci odpowiedzi zapisanej w specjalnym „alfabecie”, a potem wykreśla możliwości niezgodne z kolejnymi znanymi regułami i wynikami innych metod. Von Hippel porównuje to do sudoku. W 2023 roku Lance Dixon i Andy Liu doszli tą drogą do ośmiu pętli, i to okrężnie: przez prostszy obiekt zwany czynnikiem kształtu (form factor) i symetrię nazwaną dualnością antypodyczną.
Fable 5.1 w Claude Science liczył tydzień na 96 procesorach
Fizycy z Anthropic nie użyli żadnego wewnętrznego modelu ani superkomputera. Pracowali z modelem Fable 5.1 w Claude Science, płatnej platformie dla naukowców, którą w branży nazywa się „harnessem”, czyli nakładką prowadzącą model według ustrukturyzowanych reguł i promptów.
Zanim zaczęli, zapytali Claude’a, które z dwóch zadań ma największe szanse powodzenia. Potem polecenie sprowadzało się do jednego zdania z opisem problemu, a dalsza „opieka naukowa” polegała głównie na prośbach, by kontynuował pracę i co kilka godzin raportował postępy.
Liczby z relacji von Hippela i Anthropic:
| Parametr | Wartość |
|---|---|
| Metody obliczeń | dwie niezależne: klasyczny bootstrap oraz okrężna droga przez czynnik kształtu |
| Koszt jednego podejścia dla użytkownika | ok. 1-2 tys. dolarów |
| Koszt samego obliczenia metodą bootstrap | ok. 100 dolarów |
| Zasoby obliczeniowe | 96 procesorów przez tydzień |
| Narzędzia | Python z biblioteką SymPy |
| Udział modelu językowego w kosztach | według von Hippela ponad 90 proc. |
Lance Dixon zwraca uwagę na coś innego niż skala obliczeń. Cała procedura jest według niego bardzo krucha: jeden błąd w przepisie i wszystko się sypie, a wiele szczegółów konstrukcji nigdy nie trafiło do publikacji, bo są zbyt nudne, by je dokumentować. Claude musiał więc napisać cały kod od zera.
Lance Dixon przez dwa tygodnie sprawdzał wynik Claude’a
Dixon, profesor fizyki cząstek i astrofizyki w SLAC i na Uniwersytecie Stanforda, dowiedział się o wyniku 1 września 2026 roku. Sam zakładał, że bezpośrednie policzenie amplitudy na dziewięciu pętlach jest zbyt trudne, a jego zespół od 2023 roku planował dojść do niej okrężnie, najpierw przez czynnik kształtu.
Z gotowej amplitudy łatwo wrócić do czynnika kształtu, więc Dixon weryfikował wynik głównie tą drogą. Oznaczało to, że przez dwa tygodnie sprawdzał obiekt, nad którym jego zespół pracował od kilku lat. Pytanie, czy to go frustruje, zadał sobie w dopisku do tekstu von Hippela i odpowiedział przecząco. Jego zespół od dawna deklarował, że jest w stanie zweryfikować każde rozwiązanie podsunięte przez maszynę. Do tego Claude użył dokładnie metod wypracowanych przez Dixona i współpracowników, a wynik podał w formacie, którego oni sami używali.
„Claude rozumie nasze prace z 2019 i 2023 roku lepiej niż jakikolwiek człowiek” / „Claude understands our 2019 and 2023 papers better than any human”
Dixon dodaje przy tym wyjątek dla swoich współautorów. Prawdziwy moment rachunku sumienia przyjdzie według niego dopiero wtedy, gdy modele językowe zaczną formułować nowe zasady fizyczne przed ludźmi.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Zespół Songa He z Pekinu doszedł do wyniku niemal równocześnie
Kilka dni po kontakcie z Anthropic do von Hippela i Dixona odezwał się Song He z Chińskiej Akademii Nauk w Pekinie. Jego grupa (Song He, Jirong Jing i Xiang Li) policzyła większość wyniku na dziewięciu pętlach, a dokładniej część amplitudy nazywaną symbolem.
Zespół Songa He korzystał ze wsparcia GPT-6 przy wyznaczaniu części ograniczeń, ale nie przy całej konstrukcji obliczeń. To zasadnicza różnica wobec podejścia Anthropic, w którym człowiek praktycznie nie ingerował w przebieg pracy. Dixon podsumował to z humorem: w ciągu dwóch tygodni ubiegła go maszyna, a potem jeszcze ludzie wspierani przez maszynę.
Wyniki opublikują ludzie, czyli zespoły Dixona i Songa He, z pełną analizą dla przyszłych badaczy.
Najbardziej cenię w tej historii to, że jej autor nie dał się ponieść. Von Hippel liczył, że zobaczy AI, które obchodzi barierę obliczeniową nową, nieznaną metodą. Zamiast tego zobaczył AI, które starannie wykonało znany przepis, tylko z lepszym warsztatem programistycznym niż ludzie z tej dziedziny. Dla mnie to wcale nie jest rozczarowanie. Pokazuje, ile w nauce leży „nisko wiszących owoców”, których nikt nie zerwał, bo wszyscy zakładali, że się nie da, albo nie mieli programisty.
Jednocześnie widzę tu dwa pytania, na które nikt jeszcze nie odpowiedział. Pierwsze dotyczy weryfikacji: ten problem wybrano akurat dlatego, że Dixon miał gotowe narzędzia do sprawdzenia wyniku. W wielu dziedzinach takich narzędzi nie ma, a model działający tydzień bez nadzoru może wyprodukować coś, czego nikt nie zdoła rzetelnie sprawdzić. Drugie dotyczy kształcenia młodych naukowców. Jeśli obliczenia na poziomie eksperta kosztują tysiąc dolarów, to skąd weźmiemy ekspertów, którzy za dziesięć lat będą umieli ocenić, czy maszyna się nie pomyliła?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Von Hippel: to nie przełom w metodzie, tylko nowa miara tego, co da się zrobić za tysiąc dolarów
Matt von Hippel otwarcie przyznaje, że nie dostał tego, na co liczył. Chciał zobaczyć, jak AI przesuwa granice obliczeniowe w nieoczekiwany sposób, a przekonał się głównie, że sam źle oszacował, gdzie ta granica leży. Claude użył znanych metod i nieco większej mocy obliczeniowej, niż próbowali dotąd użyć ludzie.
Najważniejszy wniosek von Hippela jest praktyczny: w nauce jest więcej łatwo osiągalnych celów, niż sądzą eksperci. W komentarzach pod swoim wpisem ujął to jako sytuację, w której do dziedziny dotarł nie tyle większy komputer, ile profesjonalne podejście do programowania, bo SymPy mogło okazać się wydajniejsze od systemów Maple i Mathematica, z których korzystali fizycy.
W swoim wpisie z 25 września von Hippel zestawia wynik Anthropic z ogłoszonym 8 września rozwiązaniem problemu Naviera-Stokesa przez OpenAI. OpenAI przypisało ten wynik wewnętrznemu, niedostępnemu publicznie modelowi i zapowiedziało, że nie będzie ubiegać się o milion dolarów nagrody Instytutu Claya. Von Hippel pisze, że tamten wynik kosztował 15 mln dolarów, a nine-loops około tysiąca. Jego zdaniem nie mówi to wiele o przełomach definiujących całe dziedziny, ale bardzo dużo o tym, co może dziś zrobić fizyk teoretyk z niewielkim budżetem.
Równie ważne jest dla niego tempo zmian. W marcu AI wykonywało według niego zadania fizyczne na poziomie studenta, z mnóstwem prowadzenia za rękę i błędów.
„Nie sądzę, żeby dało się to zrobić sześć miesięcy temu” / „I don’t think they could have done this six months ago.”
Von Hippel dodaje, że skoro Anthropic nie użył wewnętrznego modelu, inni naukowcy szybko spróbują podobnych zadań. Jeśli w relacji cokolwiek przesadzono, wyjdzie to na jaw.
Anthropic zapłacił autorowi tekstu, Dixon dostał kredyty na Claude’a
Tekst na stronie Anthropic zawiera ujawnienie powiązań, które trzeba znać przy ocenie całej historii:
- Anthropic zaprosił von Hippela do napisania tekstu i zapłacił mu za poświęcony czas.
- Pracownicy Anthropic komentowali wersje robocze, ale treść i opinie należą do autora.
- Lance Dixon weryfikował wynik niezależnie i otrzymał kredyty na korzystanie z Claude’a.
Na swoim blogu von Hippel wyjaśnił, że jako wolny strzelec nie ma etatu i nie chciał pisać za darmo kosztem pracy dziennikarskiej. Stawka mieściła się według niego pośrodku tego, co płacą redakcje. Nie podpisał z Anthropic żadnej umowy, nawet NDA, żeby móc swobodnie opisać ewentualne naciski. Przyznaje też, że nie widział logów pracy modelu i nie podchodził do sprawy sceptycznie od początku. Dla oceny wyniku największe znaczenie ma jednak niezależna weryfikacja Dixona oraz to, że zespół Songa He doszedł do zgodnego wyniku inną drogą.
Von Hippel zdradził jeszcze jeden szczegół: Anthropic nie skonsultował się z Dixonem przed rozpoczęciem obliczeń, tylko zgłosił się do niego z gotowym wynikiem. Autor wyzwania przyznaje, że go to zaskoczyło, i zaapelował, by przy kolejnych problemach z jego listy firma najpierw rozmawiała z naukowcami, którzy nad nimi pracują.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Następna granica: dziesięć pętli i supergrawitacja N=8
Drugi cel z listy von Hippela, amplituda w supergrawitacji N=8 na siedmiu pętlach, pozostaje nierozwiązany. Na tym obliczeniu zależy fizykom od lat, bo miałoby ono rozstrzygnąć, czy teoria ta daje w czterech wymiarach nieskończoności. Sam blog von Hippela nazywa się 4gravitons właśnie od tego pytania.
Otwarte jest też pytanie o kolejną pętlę N=4. Von Hippel zaznacza, że przy budżecie rzędu 100 dolarów na obliczenia musi istnieć liczba pętli, przy której Claude będzie musiał wymyślić nową technikę albo poniesie porażkę. Założył, że ta granica leży na dziewięciu pętlach, i się pomylił. Może to być dziesięć, jedenaście albo dwadzieścia.
Von Hippel uważa też, że w obliczeniach amplitud dla rzeczywistych cząstek, gdzie konkurencja między grupami jest większa, łatwo osiągalnych wyników może być mniej. Mimo to zachęca tamte zespoły, by sprawdziły, czy naukowe nakładki AI potrafią samodzielnie doprowadzić do końca graniczne obliczenia, i by miały przygotowany plan weryfikacji takich wyników.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym gościnnego tekstu Matta von Hippela z dopiskiem Lance’a Dixona „Yes, Claude can do Nine Loops” opublikowanego przez Anthropic 25.09.2026, oryginalnego wyzwania na blogu 4gravitons: „It Only Counts When AI Gets to My Field” z 07.08.2026 oraz wpisu z pytaniami i odpowiedziami 4gravitons: „It Got to My Field” z 25.09.2026. Kontekst dotyczący rozwiązania problemu Naviera-Stokesa przez OpenAI zweryfikowano w komunikacie OpenAI oraz w relacjach Axios i CNN.
Cytaty Lance’a Dixona, profesora SLAC National Accelerator Laboratory i Uniwersytetu Stanforda, oraz Matta von Hippela, fizyka i dziennikarza naukowego, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji na temat obliczeń amplitud rozpraszania z użyciem AI, w tym publikacji zespołów Lance’a Dixona i Songa He.
