Claude Science harness：无人值守算出九圈振幅
2026 年 9 月，理论物理里一条原本被认为「再多一圈就要换间接路线」的计算，被一套付费科学 agent 平台跑通了。主角不是新论文里的魔法公式，而是 Fable 5.1 + Claude Science harness：给定一句问题陈述，人类主要说「继续做、每 4–6 小时汇报」，系统沿已知 bootstrap 与 form-factor 两条路线算出平面 N=4 超杨–Mills（N=4 SYM）的九圈六粒子（hexagon）MHV 振幅，并由该方向权威 Lance Dixon 独立核验。
本文主张可以压成一句：刷新这类计算前沿的，是显式 harness 与长程 agent 循环，不是「再换一个更大的模型」口号。 它和站内 扩张 Harness，而不是堆上下文、ECC 的可核验 harness 优化、Strands Harness SDK 是同一条机制线；和 Claude「发现」类 CRISPR 酶系统 同属「科学 agent」，但对象不同——那篇是基因组模式识别与湿实验闸门，这篇是可核验的符号级计算振幅。
数字与过程描述一律以 Anthropic Research 客座文、作者本人博客、以及公开数据页 Cosmic9 为准；公开材料没写清的地方会标「未公开」，不编造 harness 源码级细节。
挑战从哪来：为什么「九圈」够硬
前理论物理学家、科学写作者 Matt von Hippel 在 2026-08-07 的博客里写过一条挑战：若 AI 公司想真正打动（或吓到）振幅学圈内人，就拿学术级算力预算，去碰该领域公认的大题——例如 N=8 超引力七圈是否发散，或 N=4 SYM 六粒子振幅推到九圈。[1][2] 他刻意挑的是「方法上已知、但算力与工程纪律看起来压不住」的题，而不是「需要全新物理概念」的谜题：他想测的是，当前系统能否在合理预算下，把大家都觉得太贵、太脆的计算做完。
振幅（scattering amplitude）是粒子物理用来算反应概率的公式。真实碰撞里几乎永远只能做近似；「圈数」（loop order）大致刻画相互作用允许多复杂——圈数越高，越接近完整答案，计算也越重。多数振幅只算到两三圈；振幅学家常用 N=4 SYM 这类「玩具模型」锤炼方法：它不描述真实世界，但因超对称平衡，变量组合更干净，适合把新技术推到极限。[1]
该方向的历史坐标（客座文转述）大致是：von Hippel 博士期间做过三圈；后来社区见到七圈；Lance Dixon（SLAC）等人几年前到八圈——且八圈振幅还借了 form-factor 与 antipodal duality（对偶映射）的间接路线。[1][3] 直接再推九圈，Dixon 本人认为「整条计算菜谱很脆」：任一步写错，整锅塌掉；许多细节又嫌太琐碎，论文里不会全部写死，代码几乎要从头搭。[3]
Anthropic 的物理学家 Liam Fitzpatrick 与 Siddharth Mishra-Sharma 读到挑战后接了 N=4 九圈这一题。据客座文，他们先问模型「哪个问题更可能啃得动」，再给出一句任务：
The problem is to compute the Six-particle (hexagon) amplitude in planar N=4 SYM at nine loops.[1]
之后人类干预被压到极简——例如「我要去睡了，几小时内别指望我；继续做，直到我说停；每 4–6 小时更新」。[1] 这不是「零人类」，而是把人类从逐步调试员降成稀疏闸门与进度观察者。
Claude Science 是什么：公开材料能钉住的 harness 层
客座文对 Claude Science 的定义很直白：它是科学家可付费使用的平台；在业内说法里就是 harness——用结构化规则与提示包裹 Claude，以换取更稳健、更适合科研的行为。[1] 模型档是 Fable 5.1。[1] von Hippel 在本人博客补充：他们没有用「内部神秘模型」，而是走科学家也能买的平台，因此同类题很快会被别人复测；他也坦承自己没看完整 LLM 日志，置信来自对谈细节与结果可核验性。[4]
公开材料没有放出 Claude Science 的完整源码、默认 Skills 清单或内部状态机图。能核对的是行为层事实：
- 长程无人值守循环：任务可跨数小时到数天；人类用「继续 / 睡觉去了」类指令维持自治，而不是逐步手把手改代码。[1]
- 工具化执行环境：bootstrap 路线用 Python + SymPy；计算侧对应约 96 CPU × 一周，约占端到端预算里 100 美元量级的数值算力。[1]
- 双路径交叉：同一目标做了 直接 bootstrap 与 间接 form-factor（含 antipodal duality） 两条路；任一路端到端大约 1000–2000 美元，成本大头是长时间跑 Claude，而不是集群 CPU。[1][4]
- 外部权威核验：结果交给 Dixon 验证；人类团队将正式发表与物理解读；Claude「角色告一段落」。[1][3]
- 公开可对照产物：九圈结果以与既有圈阶相同的格式放出；另有 Song He、Jirong Jing、Xiang Li 的并行九圈工作（他们用 GPT-6 辅助部分约束，但不是 Anthropic 这种近乎无人值守的 one-shot）。[1] Mishra-Sharma 维护的 Cosmic9 页进一步给出符号级文件、校验记录与方法说明，并写明「计算程序本身不公开」。[5][6]
把这些压成 harness 视角，会得到一张比「模型变聪明了」更有用的表：
| 层 | 这次公开能看到的 | 它不是 |
|---|---|---|
| 模型 | Fable 5.1 | 「换更大模型就自动出九圈」的证据 |
| Harness / 平台 | Claude Science：结构化规则与提示 + 可付费科研用法 | 已开源的完整 agent OS 说明书 |
| Agent 循环 | 长时自治、定期汇报、双路径实现、符号级自检与交叉 | 发明了新的振幅物理原理 |
| 人类闸门 | 选题/启停/稀疏催促；权威外部验证；发表权在人类 | 全程零人类；也不是湿实验闭环 |
| 证据落点 | Cosmic9 文件、Dixon 核验、双表示一致 | 仅靠新闻标题或聊天截图 |
站内 Hard Stop 关心的是失控 agent 如何被内核级抢占；Qwen Planner 与 harness 共演化 关心模型与驾驭层如何一起涨。本文这条线更窄：当「正确菜谱已知、执行极脆、耗时极长」时，谁负责把菜谱跑完而不塌锅。 答案在公开叙事里落在 harness，而不是新物理。
九圈结果：算出来了什么，边界在哪
可核对的结果主张
- 对象：平面 N=4 SYM 的九圈六胶子 MHV 振幅（客座文与 Dixon 附言用语：nine-loop MHV six-particle / six-gluon amplitude）。[1][3]
- 方法：已知 bootstrap 菜谱 + form-factor / antipodal duality 路线；Dixon 强调 Claude「直接」做振幅让他意外，因为他自己原计划更绕的路径。[3]
- 预算：端到端约 1k–2k 美元；其中 Python/SymPy bootstrap 的集群部分约 100 美元 / 96 CPU·周。[1]
- 时间线：挑战帖 2026-08-07；Anthropic 约 8 月底联系 von Hippel；Dixon 写到 2026-09-01 被告知结果并开始核验；Anthropic Research 客座文日期 2026-09-25。[1][2][3]
- 独立性：Song He 组几乎同时算出九圈振幅的 symbol 部分，AI 辅助程度不同；Dixon 自嘲「两周内被机器和『人+机器』各 scoop 一次」。[3]
- 公开数据：Cosmic9 给出 quintuple-coproduct 与 septuple-coproduct 两套表示，并记录二者在全部对比过的系数上一致；form-factor 计算由 Claude 完成；程序不公开。[5][6]
必须钉死的边界（避免标题党）
第一，这不是「AI 发明了新物理」。 von Hippel 的核心失望/清醒点就在这：他原想看到绕开算力墙的陌生新方法；实际看到的是已知方法 + 比预期更敢用的工程与算力纪律，外加 Python/SymPy 相对传统 CAS 工作流可能更利于 agent 编码。[1][4] Dixon 也写：真正让灵魂震颤的时刻，要等到模型在人类之前提出新物理原理。[3]
第二，脆弱性仍在。 Dixon 把整条菜谱比作「一错就塌的舒芙蕾」：公开叙事强调的是 harness 把脆流程跑完，而不是脆流程消失。[3] Cosmic9 的方法说明进一步列出假设与未测项（例如部分方向只靠通量管 OPE 数据钉死、程序未分发等）——这是科学结果页该有的边界，不是营销附录。[6]
第三，「无人值守」≠「无人类科学」。 人类仍负责出题、启停、付费、请权威验证、发表与物理解读。客座文写的是 without any scientific oversight more sophisticated than “keep going”——指的是计算过程中几乎没有领域专家逐步盯梢，不是科学共同体退出。[1]
并行发生的 Song He 组工作，正好提供对照基线：他们也推进到九圈 symbol，并用 GPT-6 辅助部分约束，但框架仍由人类主导，不是 Anthropic 叙事里那种近乎 one-shot 的长程自治。[1][3] 对读者，这两条线不宜打成「人和 AI 谁赢了」；更干净的读法是干预密度谱系——从「人写框架、模型填局部」到「人写成功标准、模型扛完整菜谱」。你的团队先要决定自己落在谱系哪一段，再决定 harness 该多强硬。
第四，可复现性是分层的。 结果文件与校验记录公开；生成这些文件的程序未公开。[5][6] 因此社区复现路径更接近「对照公开符号/样本系数 + 独立实现菜谱」，而不是「一键重放同一 harness 轨迹」。对工程团队，这反而提醒：若你要抄的是 harness，证据链应落在可复跑的检查点与交叉路径，而不是只落在最终 zip。
第五，推广半径未知。 von Hippel 明确说：玩具模型子社区的低垂果实，未必同密度存在于真实世界振幅的军备竞赛里；但他也不建议赌「没有」。更稳的读法是：凡是「方法已知、工程很重、验证可设计」的题，现在都值得用科学 harness 试 one-shot，并先想好如何验。[1][4]
公开校验页能多钉住什么（仍然不是程序复现）
Cosmic9 不是新闻通稿的附件，而是按 Dixon 既有 Cosmic 页风格组织的数据入口。对做 harness 的人，值得单独看一眼它强制公开的东西：两套符号表示（quintuple 与 septuple）的对照记录、样本词系数、八圈控制对照已发表结果、以及「方法 / 假设 / 未测项」专页。[5][6] 方法说明写得很硬：form-factor 计算是单一流水线给出模两个 31-bit 素数的符号；与独立 direct bootstrap 在全部对比过的系数上一致；同时列出例如「部分方向只靠近共线展开 T² 阶通量管数据钉死」「程序不分发」等未测与限制。[6]
这给产品叙事一个很实用的模板：宣称突破时，把「如何验」写成和「如何算」同级的交付物。 你不必开源整条 agent 轨迹，但应留下第二表示、低圈回归与抽样对照。反过来，若只有「模型说算完了」的会话摘要，就不该写成正式 blog 级结论。
Bootstrap 为什么像数独：脆，但可自动判错
客座文把 bootstrap 比作数独：先在专用字母表里记下所有可能，再被已知极限、对称性、与更易算的相关问题交叉掉不可能项，希望最后只剩唯一解，并留有余量查错。[1] 对 agent 而言，这类任务的友善之处在于——错往往表现为线性代数核维度不对、约束残差非零、与低圈已知答案不一致，而不是「文笔不太对」。不友善之处在于：菜谱步骤多、文档不全、任一步符号约定滑一下，后面所有「看起来很漂亮」的中间文件都可能是废品。[3]
因此「无人值守」能成立，前提几乎总是：错误可被机器看见。 若你的领域错误只能靠资深审稿人读出来，把人类闸门稀到睡觉，只是把返工推迟到更贵的时刻。
机制拆解：长程科学 agent 实际在优化什么
去掉品牌词，这次故事里可迁移的机制只有几条。
1. 把「正确控制」沉到循环外
站内 Growing Harness 的主张是：别让模型每次重新发明同样的控制决策。Claude Science 的公开描述更粗——「结构化规则与提示」——但行为上对齐同一方向：长时任务的继续条件、汇报节奏、工具使用惯例，不应每步靠用户即兴喊话。[1] 你看不到源码，仍能看到产品形态：付费平台默认带着科研向 harness，而不是裸聊天框。
2. 稀疏人类闸门，而不是逐步结对编程
人类指令样本几乎全是启停与续跑。[1] 这和编码 agent 里「每改完一个文件就问人」相反。适合这种闸门密度的任务特征很清楚：目标单句可陈述；中间状态可用计算检查（线性代数残差、有限域一致性、与低圈已知结果对照）；最终有外部 oracle（Dixon / 双路径 / 样本系数）。
若任务缺少可自动检查的中间不变量，把人类闸门稀到「去睡觉」通常只会更快生产自信的错。站内酶发现文已经演示过另一极：湿实验与功能未知必须由人接。酶发现文
3. 双路径与外部验证，当作 harness 的一等公民
Claude 自己跑了 bootstrap 与 form-factor 两路；Cosmic9 又把 form-factor 路线与独立 direct bootstrap 的 septuple 表示对齐。[1][5][6] 对 agent 系统设计，这意味着：交叉验证不是论文致谢里的礼貌，而是长程循环的退出条件。 单轨迹「看起来算完了」不够；要有第二条表示、低圈回归、或外部专家协议。
4. 成本结构在提醒：LLM 墙可能高于 CPU 墙
von Hippel 在 Q&A 里写到一个反直觉点：九成以上成本在 LLM，不在数值计算本身；用十倍于「人类写好代码再跑」的算力换结果，在差旅预算对照下仍可能更值。[4] 对团队排期，这意味着优化顺序常常是：
- 先让 harness 稳定跑完脆流程（正确性）；
- 再压缩模型在循环里的停留时间（成本）；
- 最后才纠结集群 CPU 规格。
这和 Strands 强调的上下文经济学、ECC 的「上下文窗外持久化」是同一账本的不同科目。
5. 软件工程纪律可能比「灵感」更决定成败
客座文提到：Claude 可能只是用了更好的工程实践（Python/SymPy vs Maple/Mathematica 工作流），谈不上超级智能式跳跃。[1] 评论区也有人指出：有可对照范例、可先在低圈回归的菜谱，对当前 agent 极友好。[4] 可抄的是「范例—回归—升一圈」的仓库结构，不是「相信模型会顿悟」。
团队可抄清单：抄 harness，不抄口号
下面清单按「你明天能改仓库」来写。假设你做的是长程科研/数据/符号计算类 agent，而不是又一个聊天包装。
A. 任务准入（先问能不能验）
- 一句话目标是否能写清？写不清就先别上无人值守。
- 中间不变量有哪些？残差、哈希、黄金样本、低版本回归、双实现一致——至少要有两类。
- 外部 oracle 是谁？人审、独立代码、已知低阶解析、第三方格式。没有 oracle 的「前沿」只适合 notes，不适合宣称突破。
- 失败是否可观测？Dixon 说的舒芙蕾型任务，必须让失败变成红灯，而不是静默出接近真相的垃圾文件。
B. Harness 最小装配（对齐公开行为，不假装复刻 Claude Science）
- 会话外状态：工作目录、检查点、待办、已验证产物清单；不要只靠越来越长的聊天历史。Growing Harness
- 续跑协议：明确「人类离线时继续 / 何时必须停 / 汇报节拍」。Fable 系长程工作流的公开提示指南也强调：把暂停条件写清楚，比枚举一万种例外更有效。[7]
- 工具面收窄：代码执行、作业提交、文件读写、测试跑法固定；少给「随便上网改题意」的自由度。
- 双路径或双表示：能并行就并行；不能并行就「实现 A + 独立校验 B」。
- 成本探针：分开记账「模型 token / 工具 CPU / 人工闸门次数」。这次案例的教训是：你以为贵的是集群，账单上贵的可能是模型。[1][4]
C. 人类闸门设计
| 闸门 | 建议密度 | 说明 |
|---|---|---|
| 选题与成功标准 | 高（开工前） | 人类写清验什么 |
| 中途科学判断 | 低（有自动检查时） | 避免逐步结对 |
| 破坏性对外动作 | 高（始终） | 发邮件、推正式库、花真钱调用 |
| 最终签署 | 高（发布前） | 权威核验或双盲对照 |
科学计算可以「睡觉去了」；把结果写进正式论文或生产配置，不能睡过去。站内 Hard Stop 讨论的是强制停机；这里对称的是强制验收。Hard Stop
D. 一次长程科学 run 建议留下的最小日志
对照这次公开时间线，团队若自己跑类似题，至少落盘这些字段（不必抄 Claude Science 内部格式）：
- 任务句与成功标准（含「验什么才算过」）。
- 模型档 / harness 版本 / 工具镜像哈希（可复述环境）。
- 人类干预时间线：每条启停、续跑、改题指令的时间戳与原文。
- 检查点：低圈回归是否绿、双路径是否分叉、最近一次残差/素数一致性摘要。
- 成本拆分：模型费用、CPU/GPU、人工小时；避免事后只记得「差不多一千刀」。
- 交付物清单：最终文件、样本对照脚本、未验证假设列表（直接学 Cosmic9 的「What remains untested」写法）。[6]
von Hippel 的 Q&A 还有一条对排期很狠的提醒：六个月前他不认为同等系统做得到；预测下一步时，不要默认「这就是能力上限」。[4] 日志的作用之一，就是让你三个月后能回答「到底是模型涨了、harness 涨了，还是题本来就没那么贵」。
E. 反例：什么情况下抄这篇会翻车
- 需要新概念，而不是多一圈已知菜谱（von Hippel 对量子引力类问题的评论：那是愿意咬哪颗子弹的问题，不是技术熟练度）。[4]
- 没有可自动检查的中间态（纯开放写作、无结构文献综述）。
- 验证成本高于生成成本（生成 1k 美元，验证要专家三个月且无法形式化）。
- 把「程序不公开」的结果页当成可复现工程——Cosmic9 很清楚地区分了数据可核与程序未分发。[5][6]
和站内 harness 线怎么对照
把几篇站内文放进同一坐标系：
| 文章 | 解决的问题 | 和九圈故事的交集 |
|---|---|---|
| 扩张 Harness | 控制沉成代码，少堆上下文 | 九圈依赖长程稳定控制，而非更长 prompt |
| ECC | 在现有 coding agent 外挂可核验层 | 同属「驾驭层产品化」；九圈侧是科研平台而非 IDE 插件 |
| Strands Harness | 循环控制做成可发货 SDK | 共享「显式 harness 产品」形态；科学场景多了符号校验与外部 oracle |
| 酶系统 ART | 科学 agent 的营销分层与湿实验边界 | 同厂科学叙事；对象从「假设生成」换成「可核验计算」 |
| Hard Stop / Qwen Planner（点到即可） | 失控遏制；模型×harness 共演化 | 九圈展示的是肯干活的共演化结果，不是遏制协议本身 |
若只记一句产品结论：当社区已经写出脆但完整的菜谱，瓶颈就从「会不会想」切换到「谁能在预算内不塌地跑完」。 这时买更大模型，不如先买（或长）一层带检查点、双路径与稀疏闸门的 harness。
结语
Matt von Hippel 的挑战原本想逼出「算力墙被奇异方法绕开」的未来预告片；他得到的是更土、也可能更重要的当下现实：低垂果实比专家体感更多；一笔约千美元级、带科学 harness 的长程循环，已经能把振幅学里「专家级、极脆、多阶段」的下一步算完，并交出可核验产物。[1][4]
对做 agent 系统的人，这不是「物理圈又被 AI 震撼」的软新闻，而是一次可引用的字段实验：
- 主张：harness × agent-loop 刷新计算前沿；
- 证据：Fable 5.1 + Claude Science、双路径、1k–2k 美元、Dixon 核验、Cosmic9；
- 边界：已知方法、程序未完全公开、新物理原理仍未出现、推广半径待测。
长期主义内容只需要把这三行钉牢。其余热度，留给时间线。
主要来源
- Matt von Hippel（Anthropic Research 客座），Yes, Claude can do Nine Loops（2026-09-25）；含 Lance Dixon 附言。披露：Anthropic 支付撰稿费；Dixon 获 Claude 使用额度。
- Matt von Hippel，It Only Counts When AI Gets to My Field（2026-08-07），原始挑战。
- 同上客座文中 Lance Dixon 附言（SLAC / Stanford）。
- Matt von Hippel，It Got to My Field（2026-09-25），撰稿立场、成本结构与边界 Q&A。
- Siddharth Mishra-Sharma 等，Cosmic9：九圈符号/函数文件与校验入口；程序未分发；大文件 Zenodo DOI 10.5281/zenodo.22949278。
- Cosmic9，method_and_validation.md：方法、假设、未测项与双表示对照。
- Anthropic 平台文档，Prompting Claude Fable 5.1（长程循环与检查点提示的一般指南；不是 Claude Science 内部实现说明）。