小數點後八位不是證據：BootLoops 要 AI 的科學計算留下可重算的紀錄

當 AI 開始代做科學計算，重點從「會不會答對」移到「能不能被檢查」。BootLoops 這套開源工具鏈把模型、科學軟體與驗收規則接在一起，讓數字可以被另一種方法重算與比對。

把一條積分丟給聊天機器人，幾秒鐘後它回你一串小數點後八位的數字，版面乾淨，口氣篤定。這串數字可能真的算過，也可能只是看起來像答案的文字。大型語言模型依提示生成內容，它可以把數字直接寫進文字裡，也可以真的呼叫程式去執行；兩種方式產出的數字外觀相同，可追溯的程度卻差得很遠。

十月三日，APPI News 刊出張饒輝介紹 BootLoops 的長文，處理的就是這個落差。BootLoops 是一套開源工具鏈，嘗試把大型語言模型、現成的科學計算軟體、工具文件與驗收規則接進同一個工作流程，讓部分量化計算可以被重複執行，並留下比對依據。

一句話講清楚：給模型一間設備齊全、出餐要過檢查的廚房

BootLoops 官方把它稱為 LLM harness。harness 直譯是馬具，在這裡指包在模型外圍的工具與協調層：模型負責讀工具手冊、寫程式、挑演算法、執行計算並儲存中間產物；每走到關鍵節點，就按研究者事先寫好的測試規則檢查一次。

用廚房來比喻。新廚師手速再快，也不該讓他徒手開罐頭：爐具、量杯、秤、食譜都是現成的（科學軟體與手冊），廚師可以自由組合，但每道菜出餐前要過固定的檢查點，溫度對不對、份量秤了沒。檢查點由主廚設定，廚師換人做，檢查點留下來。官網列出的用途包括計算積分、代數化簡、高精度運算與誤差界定，工具多來自數學、物理與電腦科學領域；這些元件原本散落在不同軟體裡，共同索引與流程降低了逐一拼接的門檻。

流暢的答案沒有檢查入口

模型的輸出再流暢、小數位數再多，都不能單獨當作正確的證據。文字裡列出的數字難以追溯；改用程式執行，輸入、函式、版本與輸出都有了紀錄，多出一條可追的路徑，但程式仍可能寫錯，輸入也可能不合題意。

更麻煩的是問題定義。精確的科學計算要先講清楚數學式、變數與單位、邊界條件、誤差處理。題目描述含糊時，模型可能自行補上條件。一條沒寫清楚積分範圍與精度要求的題目，模型會自己假設範圍與精度，數字照樣漂亮，只是它回答的是另一道題，而後續驗算救不回錯誤的問題定義。這也是 BootLoops 把「模型會不會犯錯」轉成流程設計問題的原因：任務是否適合量化、結果可否交給另一種方法檢查、錯誤發生時能不能定位，這些都能在流程裡事先安排。同一種把主張接到證據上的要求，也出現在我們先前整理的OpenAI 安全案例：每個主張都要附證據與負責人，方向一致：說了不算，要能查才算。

一條積分怎麼驗：兩種算法，加一組沒見過的點

積分是官網最直接的例子。先用直接數值積分取得近似值，再用解析式或另一種演算法計算同一個函數；結果在預定精度內吻合，就多了一項計算一致的證據。BootLoops 官方介紹還提醒一個細節：用未參與擬合的測試點檢查結果，降低程式只對已知答案調參數的風險。這很像防止背題的考試，題卷裡一定要有幾題補習班沒教過的新題，否則高分可能只是默寫。

交叉比對仍有極限。兩種方法可能共享同一個錯誤假設或同一份錯誤輸入，數字對得上，題目本身仍可能是錯的。數值檢查也回答不了模型適不適用、資料能不能代表研究對象、結果有沒有領域意義。計算正確性、研究設計與科學解釋是三個不同層面的問題，各自需要不同的檢查者與證據。代理工具的輸出要回到逐筆比對，我們在MCP 代理的來源驗證要逐份文件對帳也遇過同一道關卡。

30 個案例與 36 篇稿件，成績要分欄看

Anthropic 的文章提到 BootLoops 跑通了 30 個端到端積分案例；同文另一處提到三個月內產出 36 篇稿件，涵蓋 18 個領域。兩個數字常被讀成同一件事，其實欄位不同。積分案例走完了從出題到驗收的完整流程，是可重算、可比對的計算成果；稿件是模型參與產出的文件，三個月 36 篇說明產出速度與廣度，但稿件數量本身不能當成研究成果已通過驗證的證據。稿件要成立，還需要同儕審查等別的機制接手，那是另一套檢查。

這也是讀 AI for science 新聞時最值得多看一眼的地方。產量與驗證是兩個欄位，把它們併在同一格，帳就會算錯；一個計畫可以同時跑出很多稿件與很少通過驗收的案例，兩件事都真實存在。

導入之前，先檢查這幾件事

開源兩個字也要分開檢查。程式碼拿得到，不代表每個相依套件的授權條款相同，也不代表安裝、運算與維護沒有成本。採用前值得逐一確認：工具與模型服務的授權、支援的作業環境、運算資源需求，以及既有研究程式要不要搬進新流程。張饒輝在文中給了一個務實的判準：文件能不能讓人重現安裝與執行步驟，常比「開源」兩個字更能決定日後能不能交接。

BootLoops 的框架與底層模型是分開的，Claude、Gemini、ChatGPT 都可以使用，模型可替換，工具與驗收方式持續維護，這降低了流程綁死單一模型的程度。可替換也不代表表現相同，團隊仍要為使用的模型、提示內容、工具版本與運算環境留下紀錄，否則換模型之後的結果落差會變成無從解釋的謎。至於驗收條件，測試點、誤差上限、失敗的定義與停止規則，始終是人的工作，工具只負責執行。

帶走三個問題

下次再看到 AI 完成科學計算的消息，可以先問三件事。答案能不能用另一種方法重算？比對基準夠不夠獨立，有沒有用沒見過的測試點？新聞裡的數字屬於驗收過的案例，還是產出中的稿件？三題都答得上來，再決定要相信幾分。這波 AI 進入科學計算的真正考題，在於答案能不能被檢查；算得快這件事，機器早就拿滿分了。接下來值得盯的訊號也清楚：除了積分，物理與化學等領域什麼時候出現走完同樣驗收流程的可重算案例，那才是這條路線的進度條。

資料來源：本站編輯參考 APPI News〈AI 科學計算能信嗎？BootLoops 如何驗證結果〉（作者：張饒輝 Lightman Chang）改寫而成，原文出處；原文文字內容採 CC BY 4.0 授權。