Anthropic报告研究Claude加速科研

刚刚，Anthropic 发了一份新报告《How researchers use Claude》，专门研究科学家们到底在用 Claude 来干什么。

他们用隐私保护的方式，分析了 20.7 万次 Claude 和 Claude Code 上的科研会话，又找了 528 位科学家做问卷。

最后，还用一个经济学模型推演了一下：如果 AI 真的被广泛用起来，科学研究到底能被加速多少？

报告的结论有四条：

•  按研究人员的数量折算，计算机、数学、统计这些形式科学用 Claude 用得最多，医学和要进实验室的化学、生物用得最少 

•  科学家主要拿 Claude 做数据分析和写作，而他们自己认为最重要的「想点子」和「采数据」，反倒用得最少 

•  AI 越擅长的任务，被用得越多：能力排名前 20% 的任务，使用量是按耗时推算的 2 到 4 倍 

•  以现有能力，部分领域的研究产出能翻一倍；如果 AI 能包揽全部非体力的研究工作，计算机和统计的产出最多能涨 15 倍，生物和化学则只有 3 到 4 倍

样本是今年 8 月 2 日到 9 月 30 日，个人订阅用户的 207,049 次科研会话。

其中 128,914 次来自 Chat 和 Cowork（报告里统称 Claude），78,135 次来自 Claude Code。

具体做法是用两个模型当分类器：第一个先判断这次会话是不是在做科研，第二个再把它归到某个领域、子领域和具体任务上。

分类用的是一套叫 SciNet 的科研任务体系，一共 7262 个任务，覆盖 34 个领域、318 个子领域。

小到「预测材料的光学吸收和发射光谱」这种只属于材料科学的任务，大到「起草论文」这种所有学科都要做的事，都在里面。

而报告的主笔之一 Lukas Althoff，正是 SciNet 的作者之一。

整个过程中，研究团队只能看到「化学」「数据清洗」这样的标签，看不到数据集、假设、实验方法和未发表的论文，结果也只在独立账号足够多时才汇总报告。

在 Claude 上，会话量最大的三个领域是计算机科学（11.9%）、工程（8.4%）和医学（7.7%），本身也是研究人员最多的几个领域。

不过……这里我想说的是，你特么的也不让我用生物化学啊！！！要不你放开试试？

不过整体上，一个领域的研究者越多，会话也越多（对数相关系数 0.79）。

但只看人数解释不了全部。

图里落在对角线上方的领域，用得比「应有份额」更多，包括计算机、数学、统计这些形式科学，以及社会科学。

落在下方的，则是化学这类要进实验室的物理科学，还有医学（医生们的大量时间都花在病人身上）。

到了 Claude Code 上，差距就更加夸张了。

计算机科学只占全球研究人员的 4.3%，却贡献了 32.7% 的科研会话。

社会科学和人文学科在 Claude Code 上则用得很少，唯一的例外是经济学，一个相对偏量化的学科。

再细到 318 个子领域：

最突出的是人工智能与机器学习。它只占全球研究人员的 1.2%，却分别占了 Claude 和 Claude Code 上 5.0% 和 15.2% 的科研会话。

也就是说，研究 AI 的人，正在用 AI 研究 AI……

而不管是哪个大类，计算类的子领域都是用得最多的那批，比如计算生物学、计算语言学、计算神经科学。

机器人学的使用率也很高，虽然研究的是物理系统，但它高度依赖计算方法。

报告把科研任务分成了八类：数据分析、写作与交流、数据采集、阅读与知识获取、理论分析、设计与开发、构思与假设生成，以及其他（比如科研管理）。

然后拿每一类的会话占比，去对比研究人员平时花在这类任务上的时间占比。

数据分析是绝对的大头。

在 Claude 上占 33.7%，在 Claude Code 上占 48.1%，而研究人员花在它上面的时间只占 27.6%。

写作与交流在 Claude 上占了 32.0%，差不多是时间占比（16.0%）的两倍。

用得偏少的则是两类。

数据采集占了研究人员 28.6% 的时间，在 Claude 和 Claude Code 上却都只有 11% 出头。越是需要动手的采集（临床数据、生化数据）越少用，纯线上的数据收集反而用得偏多。

构思与假设生成更低，只有 4.2% 和 2.1%，时间占比则是 7.1%。

问卷结果和会话数据基本对得上：

尴尬的是，问卷还让科学家们给四类任务的重要性分配 100 分，排第一的正是构思与假设生成（35.6 分），第二是数据采集（23.6 分）。

科学家们觉得最重要的两件事，正好是 AI 用得最少的两件事。

报告认为，这两件事的原因各不相同。

数据采集很多是体力活，AI 本来就碰不到。构思则不是体力活，可能是科学家更愿意自己想，或者觉得 AI 想不出好东西，也可能是构思散落在各种任务里，分类器没统计全。

当然，还有一种可能是 AI 在高层次的构思上确实还不行，比如决定研究哪个问题、怎么设计研究去回答它。

从产出物来看，各领域的差别同样不小。

Claude 上的全部科研会话里，52% 产出的是文档、报告、论文这类文字成果，21% 产出的是代码、软件输出、数据这类技术成果。

社会科学和人文学科偏文字，自然科学和形式科学偏技术，健康科学则更像社会科学。而生物学，是唯一一个技术成果多于文字成果的领域。

Claude 和 Claude Code 都是通用工具，报告还专门看了 Anthropic 面向科研推出的 Claude Science。

它把原本分散在各处的科研工具和数据库接到了一起。

比如生物学家想研究某个现有药物能不能作用于某种蛋白质，通常要分别去查这个蛋白质的功能、结构、已经测过的化合物、相关的药物试验和论文，每个平台的数据结构和查询语言还都不一样。Claude Science 则把这些整合成了一个工作流。

Claude Science 的用户集中在生命科学，生物医学（31.1%）和生物学（24.1%）加起来超过一半。

在这两个领域里，「提出蛋白质结构与功能的假设」在 Claude Science 上出现的概率是 Claude 的 6.0 倍。

「提出蛋白质与蛋白质、蛋白质与配体相互作用的机制模型」和「提出药物与靶点相互作用的假设」都是 5.6 倍。而协调合作者、在会议上展示成果这类通用事务，在 Claude Science 上则少得多。

构思与假设生成占了 Claude Science 会话的 8%，差不多是 Claude 上的两倍，也基本追平了研究人员花在这类任务上的时间占比。

同样在生物和生物医学领域，Claude Science 上的任务，人类单独完成平均要 10.3 小时，Claude 和 Claude Code 上分别是 4.9 和 5.9 小时。

需要博士水平训练的会话，Claude Science 上占 82.7%，另外两个是 48.0% 和 67.7%；高度自主完成的占 73.3%，另外两个是 23.7% 和 64.1%。

图里的斜线柱，是把 Claude 和 Claude Code 的子领域和任务构成调成和 Claude Science 一样之后的结果，数值几乎没怎么变（比如 Claude 的自主比例只从 23.7% 变成 25.2%）。

所以差距并不来自题目不同，同一类题，科学家在 Claude Science 上就是做得更深，也更愿意放手。

当然，自家的报告夸自家的新产品，这一节看看就好……

为什么各领域、各任务的使用差异这么大？报告给出的答案是：AI 能做好什么，科学家就用什么。

为了衡量 AI 在每个任务上的能力，他们先把每个任务拆成具体步骤，比如化学里的「纯化反应混合物」，其中一步是装填色谱柱。

然后让一个 LLM 两两比较任意两个步骤，判断 AI 更擅长哪个，再用 Bradley-Terry 模型汇总，也就是国际象棋 Elo 等级分背后的同一个模型，赢得多分数就高。

使用率则用「使用比」来衡量。一个任务占研究人员 5% 的时间，却占了 10% 的会话，使用比就是 2。

能力分最低的 20% 的任务（纯化反应混合物、参与式观察），几乎没人用 Claude 来做，使用比只有 0.2 左右。中位数附近的任务，使用比约为 1。

能力分最高的 20% 的任务（数据可视化、统计检验），使用比在 Claude 上约 2.1，在 Claude Code 上约 3.9。

那 AI 的能力分又是由什么决定的呢？

相关性最强的是 RL 适配度，相关系数高达 0.78。

一个任务越容易验证对错、越容易在计算环境里大量模拟、反馈越快，就越适合强化学习，AI 在这个任务上的能力分也越高。

认知类工作的相关性也很高（0.69），体力类（−0.57）、人际类（−0.31）和受监管限制的任务（−0.38）则都是负相关。

同样这几个特征，也和科学家用不用 Claude 紧密相关。

RL 适配度最低的那五分之一任务，Claude 几乎用不上；最高的五分之一，在 Claude 上的使用量是按耗时推算的 2 倍，在 Claude Code 上则是 4 倍。

所以 AI 擅长的范围，几乎就是强化学习能覆盖的范围，能被快速验证对错的事，AI 学得最快，科学家也最先交给它。

换到子领域的层面也一样：

一个子领域任务的平均 AI 能力分越高，人均使用量也越高（相关系数 0.45 和 0.57）。

但有些领域明显偏离了这条线。健康科学用得比能力分预期的少，可能是医疗数据和医学研究的监管限制了 AI 的使用。

形式科学、社会科学和人文学科则用得比预期多，大概是因为这些领域的工作本来就靠文字和代码完成。

另外，样本只包含个人订阅用户。

我大胆猜测一下……医院和药企这类机构，出于合规考虑多半走的是企业版或 API，并不在统计范围内，医学「用得少」，会不会有一部分是样本本身造成的？

能力分的高低，不只影响用多少，还影响放不放手：

AI 能力分越高的子领域，让 Claude 自主完成任务的程度也越高（相关系数 0.47 和 0.31）。

这里的「AI 能力分」本身也是由 LLM 判断出来的，相当于让 AI 来评估 AI 擅长什么；各任务占研究人员多少时间，也是分类器估算的（报告用实验记录和论文数据做了校验）。

不过，用这套能力分单独算出来的「AI 能接手多少时间」，和真实使用量依然对得上（后面会讲到），至少说明这套打分没有太离谱。

那 AI 到底能让科研快多少呢？

报告认为 AI 加速科研有两条路。一是接手研究人员现在做的工作，让他们有时间去追更多的想法；二是 AI 自己提出研究人员想不到的想法。

第二条也许最终更重要，但很难衡量，所以模型里只算了第一条。

他们设了三个情景：

•  情景一：现有 AI 能力被广泛采用 

•  情景二：AI 完全自动化 75% 的非体力研究步骤 

•  情景三：AI 完全自动化 100% 的非体力研究步骤 

三个情景里，体力步骤都还是由人来做。

情景一的推算方式，是把问卷里 AI 的五档参与程度（不用、辅助、共同完成、委派、自主），分别对应为 AI 接手 0%、25%、50%、75%、100% 的工作量，再按能力分给每个步骤分配档位，能力分越高的步骤分到的档位越高。

从「省下的时间」到「多出的产出」，中间还隔着一个创意生产函数。

一篇论文需要很多环节，环节之间互补，某个环节再快也弥补不了另一个环节的慢。AI 让一部分环节变便宜之后，研究人员会把精力转向 AI 帮不上忙的环节，比如花更多时间提新问题、做更多实验，瓶颈也随之转移。

成本方面，报告假设 AI Agent 每小时 30 美元，研究人员每小时 95 美元，AI 每帮研究人员省下 1 小时，自己要跑 0.2 小时。

在情景一里，以现有能力，AI 能接手 27% 到 52% 的研究时间，中位数 38%。

对应的加速倍数，从艺术的 1.35 倍、人类学的 1.36 倍、化学的 1.41 倍，到计算机科学的 1.96 倍、统计学的 2.02 倍。

即使是最适合 AI 的领域，也只有 2 倍左右，原因是今天的 AI 大多是辅助或共同完成，研究人员在几乎每一步上都还要花大量时间。

拉开差距的主要是体力工作。

农业科学、生物医学、化学、材料科学这些实验室和野外学科，38% 到 41% 的研究时间花在体力步骤上，而领域中位数只有 4%，光是这一项就解释了约三分之一的差异。

另一个因素是认知工作本身的能力分。艺术和历史几乎没有体力活（分别只占 10% 和 4%），但它们的认知步骤能力分低，大概因为定性和诠释类的工作不太适合强化学习。

这张图则是一个旁证：

AI 时间占比的计算完全没用到 Claude 的使用数据，但两者依然正相关（0.58），说明使用情况确实在跟着 AI 能力走。

到了情景二，75% 的非体力步骤被自动化，计算机科学约 8 倍，统计学、图书情报学约 7 倍，经济学约 6 倍。

大多数社会科学、数学、物理和天文学在 4 到 5 倍，实验科学和医学则只有 2 到 3 倍。

历史、人类学和艺术在 2 倍及以下，因为它们的步骤能力分低，排不进被自动化的那 75%。在计算机科学里，被自动化的步骤占了非体力时间的 82%，在艺术里只有 28%。

到了情景三，全部非体力步骤被自动化，局面就反转了。

能力分不再是限制，几乎没有体力活的领域，包括统计、计算机、经济、数学、心理学、大部分社会科学，以及人文艺术，都能达到 15 到 16 倍。

而生物、化学、材料、农业、生物医学这些学科只有 3 到 4 倍，占了约 40% 研究时间的体力步骤，成了绕不过去的瓶颈。

人文学科在前两个情景里垫底，到了终局反而和计算机并列第一。它们的问题只是 AI 现在还做不好，而不是 AI 做不了。

而那个 16 倍的天花板，其实来自成本假设。

AI 跑 0.2 小时花 6 美元，研究人员干 1 小时要 95 美元，两者相差约 16 倍，所以一个被完全自动化的任务，最多也就快到 16 倍。

报告也明说了，AI 的成本减半，这个天花板就翻倍。 在没有体力瓶颈的学科里，token 的价格，直接就是科研速度的上限。

报告还特意提到，加速潜力最大的领域，正好包括研发 AI 的那些学科。

这可能会形成一个额外的反馈循环：AI 研究更快，产出更强的 AI，更强的 AI 又让研究更快。

这些推算也有明显的局限，而且往两个方向都有。

模型没考虑领域层面的约束（比如大型强子对撞机能跑的实验就只有那么多），只算了人力和 AI 的成本、没算仪器和实验材料，也没考虑用模拟替代实体实验。

想法的质量同样没算进去。如果 AI 能提出成功率更高的假设，加速会更快；如果科研品味始终只属于人类，加速就会慢下来。

问卷还问了科学家们一个问题：AI 独立工作时，什么时候能赶上你所在领域最顶尖的研究者？

在数据分析上，38% 的人认为 AI 已经做到了，超过一半的人认为到 2027 年就能做到。

到 2030 年，94% 的人认为 AI 会在数据分析上赶上顶尖研究者，写作是 89%，构思和数据采集都是 72%。

对「没有人参与、端到端完成整个研究」，大家就保守得多。约 40% 的人认为到 2030 年能实现，约 64% 认为要到 2035 年，也有 16% 认为永远不会。

至于 AI 独立做出重大突破，大约一半的人认为要到 2035 年以后，或者永远不会。

当然，这批受访者主要来自生命和健康科学，而且都是 AI 的积极使用者，预期偏乐观是可以想见的。

但报告也提到，过去人们对 AI 进展的预测，往往是严重低估的。

2022 年年中的一次调查里，领域专家预测 AI 拿到国际数学奥赛金牌的中位时间是 2030 年，超级预测者给的是 2035 年。

结果 AI 在 2025 年就做到了，提前了 5 到 10 年。

少数被高估的例外，主要集中在需要在物理世界里执行的领域，比如 AI 辅助的生物实验……又回到了体力瓶颈上。

报告最后也讨论了 AI 加速科研的几个前提和风险。

一是采用往往滞后于能力。新技术的扩散通常很慢，生产率的提升往往要等组织围绕新技术重组之后才会显现。

二是有些瓶颈 AI 消除不了，除了体力实验，还有「选题」。研究问题在很大程度上决定了一个项目的价值，而 AI 能不能提出好问题还不清楚。

三是 AI 带来的究竟是更多的论文，还是更好的论文。论文数量暴增可能会让科学家来不及消化和验证，最终走向哪边，取决于期刊、资助方和机构怎么设计激励。

四是更自主的 AI，可能会接手验证、审稿和传播成果的工作，甚至在自动化实验室里形成独立于人类的研究社群。到那时，人类还能不能理解这些新知识，也会成为问题。

五是安全。哪些问题值得研究、怎么研究，这类关键决策最好还是让人参与。

生物学尤其如此，能加速医学进步的能力，同样可能产出危险的知识或材料，必要时得接受更慢的进展来降低风险。

最后是科研人员的工作体验。如果 AI 拿走的是有成就感的部分，满意度会下降，愿意做科研的人也会变少；如果拿走的是繁琐的部分，满意度就会上升。

美国联邦资助项目的首席研究员们，自述要把约 44% 的科研时间花在满足各种行政要求上。

当然，如果 AI 能先把这 44% 的表格给搞定了，估计没有哪位科学家会反对吧？

◇ ◆ ◇