※ 引述《jackliao1990 (j)》之铭言：
: https://www.anthropic.com/research/yes-claude-can-do-nine-loops
: https://smsharma.io/cosmic-nine-loops/
: 此成果已通过史丹佛大学和Lance Dixon的验证
Lance Dixon 在该blob上面有一个一般人比较看得懂的感想，
所以我把整篇文章翻译+转过来。他的角度看LLM挺正面的
我认识的大多数理论物理学家都知道，
当前大型语言模型（large language models）的时代，
将会彻底改变我们思考物理学的方式。
问题只在于：这场变革究竟什么时候才会真正让人切身感受到？
对我而言，那一刻发生在9月1日。
Anthropic 的 Liam Fitzpatrick 和 Siddharth Mishra-Sharma
告诉我，Claude 已经计算出了平面 N=4 超杨-米尔斯理论
（planar N=4 super Yang-Mills）中的九循环六粒子 MHV 散射振幅
（nine-loop MHV six-particle amplitude），并请我验证它的结果。
我不打算解释上一句中的所有技术术语；Matt 已经在前文介绍过相关背景。
不过，我确实需要说明，这里其实有两个彼此相关的对象：
一个叫做“散射振幅”（amplitude），
另一个则是我们称为“形状因子”（form factor）的东西。
两者都有各自的循环阶数（loop order）：一循环、两循环、三循环，依此类推。
即使我们已经找到了大量让计算变得比较容易的技巧，
每增加一个循环阶数，在计算上都会比前一阶更困难。
此外，在相同的循环阶数下，形状因子比散射振幅更容易计算。
2023 年，Andy Liu 和我展示了如何利用形状因子，
以及一种我们称为“对蹠对偶”（antipodal duality）的奇特对称性，
来得到八循环的散射振幅。
自 2023 年以来，我和我的合作者一直把做到九循环当作目标：
首先是九循环的形状因子，然后再进一步做到九循环的散射振幅，
并使用我们在 2023 年提出的方法。
我原本认为，直接计算散射振幅会太困难。
所以，当我发现 Claude 居然可以直接做到时，我真的相当惊艳。
倒不是因为这是一项非常庞大的计算工作，
而是因为整个计算架构非常脆弱：
只要你在计算流程中的任何一个地方犯下一点错误，
整套东西就会像失败的舒芙蕾一样整个塌掉，
而你只能开始纳闷到底是哪里出了问题（然后进行除错）。
此外，这套建构方法里有非常多细节，
无聊到根本不可能在论文中全部记录下来。
因此，Claude 必须从零开始自行建立所有这些程式码。
从九循环的散射振幅回头得到形状因子，相对而言就容易多了，
而我主要也是透过这个方式来验证结果。
这意味着，过去两周，我一直在验证一个结果——九循环的形状因子——
而这正是我们团队花了好几年一直努力想要得到的成果
而一台机器，竟然解决了一个我原本认为太难、无法直接完成的问题。
这件事会让我个人感到不舒服吗？会让我感到心灰意冷吗？
不会，原因有两个。
第一，我们团队原本就已经在进行一项计画：
使用客制化的 Transformer 模型来预测更高阶的循环计算结果。
我们当时的一句口号就是：
“我们拥有所有必要的工具，可以验证机器所提供的任何候选解。”
Claude 是另一种类型的 Transformer 模型，
而且它的规模可能比我们自己打造的模型大上超过一百万倍。
但既然我们当初说过，我们可以验证 AI 模型给出的任何结果，
那么我们现在确实能够、也应该这么做。
第二个原因是，如果你仔细看看 Claude 是如何解决这个问题的，
就会发现，它使用了我和我的合作者们多年来所发展出的所有方法，
而且它呈现解答的方式——也许是特意给我们一个方便——
竟然和我们早已建立好的格式完全相同。
所以，当我在验证 Claude 的结果时，
Claude 同时也正在验证我们过去所有的工作。
事实上，我甚至可以断言，Claude 对我们 2019 年和 2023 年两篇论文的理解，
比任何人类都要好——当然，我的共同作者们除外。
我写完这段之后，Song He 告诉我，
他的研究团队也已经计算出了九循环散射振幅中称为“symbol”的那一部分。
（不知为什么，大家似乎就是很喜欢跑来告诉我他们在九循环方面取得的成果。）
Song 的团队使用了 AI（GPT-6）来协助他们计算其中一些约束条件，
但并没有让 AI 负责整体的框架。
所以现在，在短短两周之内，
我先后被“机器”以及“人类加机器”抢先完成了成果。
回到 Claude 的这次计算：
在我看来，对一个大型语言模型而言，
能够执行我们所制定的这套复杂计算流程中的所有步骤，
并且妥善组织和调度所需的计算能力，
本身就是一项相当了不起的成就。
但真正需要我们进行更深层反思的时刻，
将会是在大型语言模型开始比人类更早提出新的物理原理与洞见之后。
看起来LLM对这研究提供的帮助跟数学界最近看到的满像的
除去contribution的争议部分，我觉得理论研究领域应该正面看待LLM呀