Claude chinh phục bài toán vật lý lý thuyết "Nine Loops" gây chấn động giới nghiên cứu

Claude và bài toán vật lý lượng tử

Matt von Hippel, một nhà vật lý lý thuyết chuyển sang viết khoa học, đã đặt ra một thách thức táo bạo cho các công ty AI: hãy để AI giải quyết một bài toán tồn đọng trong lĩnh vực scattering amplitude mà ông từng nghiên cứu. Chỉ chưa đầy một tháng sau, đội ngũ Anthropic thông báo Claude đã giải xong bài toán chín vòng lặp (nine loops) của lý thuyết N=4 super Yang-Mills – một kỳ tích mà chính các chuyên gia hàng đầu cũng cho là cực kỳ khó khăn.

Bối cảnh: Thách thức từ một nhà vật lý hoài nghi

Matt von Hippel không phải là một chuyên gia AI. Ông viết blog về vật lý tại 4gravitons.com và ngày càng nhận ra rằng viết về vật lý đồng nghĩa với viết về AI. Tuy nhiên, ông thừa nhận mình chưa đủ cơ sở để đưa ra dự đoán về tương lai của AI, bởi các chuyên gia vẫn tranh cãi gay gắt: người thì tin AI sẽ đạt siêu trí tuệ trong vài năm tới, kẻ lại cho rằng các mô hình ngôn ngữ lớn (LLM) đang tiến gần đến giới hạn và không thể làm được những công việc vật lý ấn tượng.

Để có câu trả lời cho riêng mình, von Hippel muốn thấy AI giải quyết một bài toán mà ông biết rõ là khó – không phải vì giới nghiên cứu chưa biết cách làm về mặt lý thuyết, mà vì nó đòi hỏi sức mạnh tính toán vượt xa khả năng của một nhà khoa học hàn lâm bình thường.

Tháng 9/2025, ông công bố thách thức: "Nếu các công ty AI muốn gây ấn tượng với những người như tôi, hãy chứng minh AI có thể dùng nguồn lực tính toán của một học giả để giải một trong những bài toán scattering amplitude lớn còn tồn đọng. Hãy đưa N=8 supergravity lên bảy vòng lặp, hoặc N=4 super Yang-Mills lên chín vòng lặp."

Scattering amplitude và bài toán chín vòng lặp

Scattering amplitude là các công thức cho phép các nhà vật lý tính xác suất phản ứng giữa các hạt hạ nguyên tử dựa trên động lượng và năng lượng của chúng. Càng tính được nhiều vòng lặp (loops), dự đoán càng chính xác – và cũng càng khó về mặt tính toán.

Hầu hết các công thức scattering amplitude mới chỉ được tính đến hai vòng lặp. Một số ít đạt ba vòng. Dự đoán chính xác nhất trong vật lý hạt mà bạn từng nghe đến sử dụng năm vòng lặp.

Các nhà amplitudeology thường thử nghiệm kỹ thuật mới trên những lý thuyết "mô hình đồ chơi" (toy model) như N=4 super Yang-Mills – một lý thuyết không thực tế nhưng dễ tính toán hơn nhờ sự cân bằng tinh tế giữa các hạt. Thách thức của von Hippel là đẩy mô hình này lên chín vòng lặp bằng phương pháp bootstrap – một kỹ thuật giống như giải Sudoku, nơi bạn loại dần các khả năng cho đến khi chỉ còn một đáp án thỏa mãn mọi ràng buộc.

Claude đã làm được điều đó như thế nào?

Cuối tháng 8/2026, Liam Fitzpatrick và Siddharth Mishra-Sharma – hai nhà vật lý tại Anthropic – liên hệ với von Hippel để báo rằng họ đã giải quyết được một trong các thách thức.

Điều đáng chú ý là họ không dùng hàng triệu đô la sức mạnh tính toán. Họ sử dụng Fable 5.1 trong nền tảng Claude Science – một "harness" (khung điều khiển) dùng LLM Claude với các quy tắc và lời nhắc có cấu trúc để đạt được hành vi khoa học ổn định hơn.

Sau khi hỏi Claude bài toán nào có khả năng giải được nhất, họ đưa ra một lời nhắc đơn giản: "Bài toán là tính toán amplitude sáu hạt (hexagon) trong planar N=4 SYM ở chín vòng lặp." Từ đó, họ chỉ liên tục nhắc Claude tiếp tục làm việc:

"Tôi đi ngủ và sẽ không có mặt trong vài giờ tới. Hãy tiếp tục làm việc cho đến khi tôi bảo dừng. Gửi cập nhật cho tôi mỗi 4-6 giờ."

Claude đã tính toán theo hai cách khác nhau: bootstrap gốc và phương pháp form-factor gián tiếp. Mỗi cách tốn khoảng 1.000-2.000 USD – chủ yếu do chi phí chạy Claude trong thời gian dài. Phần tính toán bootstrap bằng Python với thư viện SymPy chỉ tốn khoảng 100 USD, tương đương chạy 96 CPU trong một tuần – một con số khá khiêm tốn so với ngân sách nghiên cứu hiện nay.

Phản ứng từ giới vật lý: Vừa kinh ngạc, vừa suy tư

Lance Dixon, Giáo sư Vật lý Hạt và Vật lý Thiên văn tại SLAC/Đại học Stanford – người được mời kiểm chứng kết quả – chia sẻ cảm xúc phức tạp của mình.

Điều khiến Dixon ấn tượng không phải là khối lượng tính toán khổng lồ, mà là độ mong manh của toàn bộ quy trình. Chỉ cần một sai sót nhỏ trong công thức tính toán, mọi thứ sẽ sụp đổ như một chiếc soufflé hỏng, và bạn phải mất hàng tuần để gỡ lỗi. Claude đã phải tự phát triển toàn bộ mã từ đầu – điều mà theo Dixon, nếu con người làm thì "gần như chắc chắn sẽ mắc lỗi ở lần thử đầu tiên."

"Trong khi tôi đang kiểm chứng kết quả của Claude, thì Claude cũng đang kiểm chứng toàn bộ công trình trước đây của chúng tôi. Thực tế, tôi cho rằng Claude hiểu các bài báo năm 2019 và 2023 của chúng tôi rõ hơn bất kỳ ai, ngoại trừ các đồng tác giả của tôi."

Dixon cũng tiết lộ rằng nhóm của Song He tại Viện Hàn lâm Khoa học Trung Quốc (Bắc Kinh) đã đạt được phần lớn kết quả này cùng thời điểm, có sử dụng hỗ trợ từ GPT-6 nhưng không theo cách "gần như không cần con người" của Anthropic.

Kiểm chứng kết quả chín vòng lặp

Bài học và những câu hỏi còn bỏ ngỏ

Von Hippel thừa nhận ông kỳ vọng sẽ thấy AI vượt qua một rào cản tính toán theo cách kỳ lạ và bất ngờ. Thay vào đó, Claude dùng các phương pháp đã biết, với lượng tính toán nhiều hơn một chút so với những gì con người từng thử – có thể được lợi nhờ dùng Python thay vì Maple hay Mathematica, và nhờ thực hành kỹ thuật phần mềm tốt hơn, nhưng không "siêu thông minh" gì.

Bài học lớn nhất của ông: có nhiều "quả thấp" (low-hanging fruit) hơn người ta tưởng. Ngay cả khi một mục tiêu rõ ràng và đơn giản, đôi khi nó vẫn trông khó khăn hơn thực tế trong mắt các chuyên gia. Những người có nền tảng khoa học máy tính từ lâu vẫn nói rằng giới amplitudeology có thể tiến xa hơn nhiều chỉ bằng cách thuê vài lập trình viên – và giờ họ có lý do để thấy mình đúng.

Điều đáng chú ý nữa là Claude Science đã hoàn thành việc này trong một lần chạy duy nhất, không cần giám sát khoa học nào tinh vi hơn câu "tiếp tục đi". Với những tính toán phức tạp và dễ sai như vậy, việc một harness đưa ra kết quả cuối cùng mà không cần đầu vào từ cộng tác viên bên ngoài là một bước tiến đáng kể.

Tuy nhiên, von Hippel vẫn chưa có câu trả lời cho câu hỏi lớn hơn về tương lai của AI. Ông hy vọng được thấy những phương pháp tính toán mới lạ với sức mạnh bất ngờ – một cái nhìn thoáng qua về tương lai để có ý kiến chính xác trong các cuộc tranh luận về siêu trí tuệ. Thay vào đó, ông chỉ học được rằng mình đã quá ngây thơ về vị trí của giới hạn tính toán.

"Có vẻ như mọi thứ đang tiến triển rất nhanh. Vào tháng 3, AI hoàn thành các dự án vật lý như một sinh viên: nhiệm vụ nhỏ hơn, cần nhiều hướng dẫn và mắc nhiều lỗi. Ngược lại, đây là một tính toán ở biên giới tri thức thực sự, loại công việc thường do các chuyên gia hàng đầu về amplitude đảm nhận."

Ý nghĩa đối với cộng đồng công nghệ Việt Nam

Câu chuyện này không chỉ là một chiến thắng kỹ thuật của Anthropic. Nó đặt ra câu hỏi quan trọng cho các nhà nghiên cứu và kỹ sư Việt Nam: liệu chúng ta đã sẵn sàng tận dụng AI như một công cụ nghiên cứu thực sự, thay vì chỉ là một trợ lý viết code?

Với chi phí chỉ vài nghìn đô la cho một tính toán ở biên giới tri thức – một con số hoàn toàn nằm trong tầm với của các nhóm nghiên cứu đại học tại Việt Nam – câu hỏi đặt ra là liệu các trường đại học và viện nghiên cứu trong nước có đang tận dụng đúng mức các nền tảng như Claude Science hay chưa. Bài học về "quả thấp" mà von Hippel đề cập cũng đáng suy ngẫm: đôi khi, chỉ cần kết hợp đúng công cụ AI với quy trình kỹ thuật phần mềm tốt, các nhóm nhỏ cũng có thể đạt được những kết quả mà trước đây tưởng chừng chỉ dành cho các phòng thí nghiệm lớn với nguồn lực khổng lồ.