Anthropic报告：20.7万次科研会话，AI把科学加速了几倍？

Anthropic 刚发布一份新报告，题为《How researchers use Claude》，核心就是摸清科学家究竟拿 Claude 干了什么。

研究团队以隐私保护的方式，对 Claude 和 Claude Code 上 20.7 万次科研会话做了分析，另外向 528 位科学家发放了问卷。

他们还借助一个经济学模型推演：假如 AI 真被大规模用起来，科学研究能被加速到什么程度？

报告给出四条结论：

• 若按研究人员数量折算，计算机、数学、统计这些形式科学对 Claude 的使用最多；医学，以及需要进实验室的化学、生物，使用最少

• 科学家拿 Claude 干得最多的是数据分析和写作；反倒是他们自己觉得最要紧的「想点子」和「采数据」，用得最少

• AI 越擅长的任务，被用得越多：能力排在前 20% 的任务，使用量达到按耗时推算的 2 到 4 倍

• 以现有能力，部分领域的研究产出可以翻一倍；要是 AI 把全部非体力研究工作都包下来，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

样本取自今年 8 月 2 日到 9 月 30 日个人订阅用户的 207,049 次科研会话。

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

具体操作是拿两个模型充当分类器：头一个判断该会话是否属于科研，第二个再把它归入某个领域、子领域和具体任务。

分类依据的是一套名为 SciNet 的科研任务体系，共 7262 个任务，覆盖 34 个领域、318 个子领域。

无论小到「预测材料的光学吸收和发射光谱」这种材料科学专属任务，还是大到「起草论文」这种各学科通用的事，都收在其中。

报告主笔之一 Lukas Althoff，本身就是 SciNet 的作者之一。

全程研究团队能看到的只有「化学」「数据清洗」这类标签，数据集、假设、实验方法和未发表论文都看不到；结果也只在独立账号数量足够多时才汇总上报。

在 Claude 上，会话量排前三的领域是计算机科学（11.9%）、工程（8.4%）和医学（7.7%），这几个领域本身的研究人员也最多。

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？

整体来看，一个领域的研究者越多，会话量也越大（对数相关系数 0.79）。

但光看人数，解释不了全部。

图中落在对角线上方的领域，使用量超过「应有份额」，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，是化学这类要进实验室的物理科学，还有医学（医生的大量时间都花在病人身上）。

到了 Claude Code 上，差距就更夸张了。

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

社会科学与人文学科在 Claude Code 上的使用量并不高，经济学是唯一的例外——这门学科本身偏向量化分析。

把范围缩小到 318 个子领域，情况如下：

其中人工智能与机器学习最为显眼：该领域研究者只占全球的 1.2%，却贡献了 Claude 上 5.0%、Claude Code 上 15.2% 的科研会话。

换句话说，做 AI 研究的人，正拿 AI 来做 AI 研究……

无论归入哪个大类，计算类子领域都属于使用率最高的一批，计算生物学、计算语言学、计算神经科学都是例子。

机器人学的使用率同样不低——它研究的虽是物理系统，但方法上对计算依赖很深。

报告将科研任务划成八类：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，外加其他一类（科研管理等）。

随后，报告用各类任务的会话占比，去对照研究人员日常花在这类任务上的时间占比。

数据分析占的份额最大。

Claude 上这一比例为 33.7%，Claude Code 上达到 48.1%；而研究人员实际投入数据分析的时间只占 27.6%。

写作与交流在 Claude 上占 32.0%，接近其时间占比（16.0%）的两倍。

有两类任务的使用则偏少。

数据采集耗去研究人员 28.6% 的时间，在 Claude 和 Claude Code 上却都只占 11% 出头。需要动手的采集（临床数据、生化数据）用得越少，纯线上的数据收集反倒偏多。

构思与假设生成更低，分别只有 4.2% 和 2.1%，而它的时间占比为 7.1%。

问卷结果与会话数据大体吻合：

有意思的是，问卷让科学家为四类任务的重要性分配 100 分，排在首位的是构思与假设生成（35.6 分），数据采集以 23.6 分居第二。

科学家眼中最重要的两件事，恰恰是 AI 用得最少的两件事。

报告认为，这两件事各有各的原因。

数据采集多半是体力活，AI 本来就插不上手。构思不属于体力活，原因可能是科学家更愿意自己动脑，也可能觉得 AI 想不出好点子，还可能是构思分散在各类任务中，分类器没能统计完整。

当然，另一种可能是：AI 在高层次构思上确实还欠火候，比如选定研究哪个问题、如何设计研究来回答它。

从产出物看，领域之间的差异同样明显。

在 Claude 的全部科研会话中，52% 产出的是文档、报告、论文等文字成果，21% 产出的是代码、软件输出、数据等技术成果。

社会科学与人文学科偏文字，自然科学与形式科学偏技术，健康科学则更接近社会科学。生物学是唯一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。

假设一位生物学家想知道某款已有药物能否对某个蛋白质起作用，他得逐个平台去翻这个蛋白质起什么作用、长什么结构、哪些化合物已经测过、又有哪些相关药物试验和论文，而各平台的数据结构和查询语言又互不相同。Claude Science 做的事，就是把这套流程并成了一条。

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。

落到这两个领域，Claude Science 给出「提出蛋白质结构与功能的假设」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」与「提出药物与靶点相互作用的假设」则同为 5.6 倍。至于协调合作者、在会议上展示成果这类通用事务，Claude Science 上出现的次数明显更少。

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。

接着由 LLM 对任意两个步骤做两两比较，看 AI 更拿手的是哪一个，再交给 Bradley-Terry 模型汇总——国际象棋 Elo 等级分用的正是这套模型，赢的次数越多，得分越高。

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。

能力分排在最低 20% 的任务（纯化反应混合物、参与式观察），几乎无人用 Claude 完成，使用比仅为 0.2 左右。靠近中位数的任务，使用比约为 1。能力分最高的那 20% 任务（数据可视化、统计检验），Claude 上的使用比约 2.1，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 适配度垫底的那五分之一任务，Claude 基本派不上用场；适配度最高的五分之一则相反，按耗时折算，Claude 上的用量是 2 倍，Claude Code 上达到 4 倍。换句话说，AI 能干的活，边界几乎就是强化学习能覆盖的范围——对错能被快速验证的事情，AI 学起来最快，科学家也最早把它交出去。

落到子领域这一层，规律没有变化：

某个子领域的任务平均 AI 能力分越高，那里的人均使用量就越大，两个相关系数分别是 0.45 和 0.57。

也有明显跑偏的。健康科学领域的实际用量低于能力分所预示的水平，医疗数据和医学研究受到的监管可能是原因。形式科学、社会科学、人文学科反倒用超了预期，这些领域的工作本来就要靠文字和代码推进，大概与此有关。

还有一点：样本只覆盖个人订阅用户。一个猜测是，医院、药企这类机构出于合规考量，多半走企业版或 API，压根不在统计里；医学领域「用得少」，或许有一部分就是样本结构造成的。

能力分不只决定用多少，也决定敢放多少手：

子领域的 AI 能力分越高，交给 Claude 自主完成的任务比例也越高，相关系数为 0.47 和 0.31。需要说明的是，「AI 能力分」本身就是 LLM 判断出来的，等于让 AI 评估 AI 擅长什么；各项任务占研究人员多少时间，同样出自分类器估算，报告用实验记录和论文数据做了校验。

但只用这套能力分推算「AI 能接手多少时间」，结果和真实使用量仍然吻合（后文会提到），至少说明打分没有太离谱。

那么，AI 究竟能给科研提速多少？

报告给出两条路径：一条是接过研究人员手头的活，腾出时间让他们追更多想法；另一条是 AI 自己提出人想不到的思路。第二条或许才是终局，却难以量化，模型里只计算了第一条。

他们设置了三个情景：

• 情景一：现有 AI 能力得到广泛采用

• 情景二：AI 将 75% 的非体力研究步骤完全自动化

• 情景三：AI 将 100% 的非体力研究步骤完全自动化

三个情景中，体力步骤仍由人完成。

情景一的算法是：问卷里 AI 的五档参与程度——不用、辅助、共同完成、委派、自主——依次对应 AI 接手 0%、25%、50%、75%、100% 的工作量，再按能力分给每个步骤定档，能力分越高，档位越高。

从「省下时间」到「多出产出」，中间还隔着一道创意生产函数。

一篇论文牵涉许多环节，彼此互补，某一环再快也补不上另一环的慢。AI 让部分环节变便宜后，研究人员会把精力挪向 AI 帮不上忙的地方，比如多花时间提新问题、多做实验，瓶颈也跟着换了位置。

成本假设是这样的：AI Agent 每小时 30 美元，研究人员每小时 95 美元，AI 每替研究人员省下 1 小时，自身要运行 0.2 小时。

情景一假定AI维持现有能力。按这一假设，它能把27%到52%的研究时间接过去，中位数为38%。

换算成加速倍数，低的有艺术的1.35倍、人类学的1.36倍、化学的1.41倍，高的有计算机科学的1.96倍、统计学的2.02倍。

即便在最适合AI的领域，加速也就2倍上下。原因在于眼下AI多数时候只是打辅助、一起干，几乎每一步研究，人还是得搭进去大量时间。

真正把差距拉开的是体力活儿。

农业科学、生物医学、化学、材料科学这类泡实验室、跑野外的学科，38%到41%的研究时间耗在体力步骤上。整个领域的中位数才4%。单这一项，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。艺术和历史基本没有体力活，占比分别只有10%和4%，可它们认知步骤的能力分偏低，大概是因为定性和诠释类的活儿不太吃强化学习这一套。

下面这张图可以当个旁证：

算AI时间占比时，Claude的使用数据一点没派上用场，两者却仍呈正相关，系数0.58。这说明实际使用情况确实跟着AI能力在走。

情景二假设75%的非体力步骤被自动化。此时计算机科学约8倍，统计学、图书情报学约7倍，经济学约6倍。

社会科学大多、数学、物理和天文学落在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，症结是步骤能力分低，挤不进那被自动化的75%。计算机科学里，被自动化的步骤占非体力时间的82%，艺术里只有28%。

情景三假定非体力步骤全部自动化，局面随之反转。

能力分不再是卡点。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这些几乎没有体力活的领域，都能跑到15到16倍。

生物、化学、材料、农业、生物医学却只有3到4倍。体力步骤占了这些学科约40%的研究时间，成了绕不过去的瓶颈。

人文学科在前两个情景里垫底，到终局反倒和计算机并列第一。它们的问题只是AI眼下还做不好，并非AI做不了。

那个16倍的天花板，说到底来自成本假设。

跑AI只要0.2小时、花6美元；研究人员干同样的活，1小时要95美元。两边差约16倍，因此哪怕任务被彻底自动化，提速上限也就16倍左右。

报告也讲得很直白：AI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。

报告还专门点出，加速潜力最大的领域，恰好包括研发AI的那些学科。

这就可能多出一个反馈循环：AI研究变快，产出更强的AI，更强的AI再让研究更快。

这些推算的局限也很明显，而且两个方向都有。

模型没把领域层面的约束算进去，比如大型强子对撞机能跑的实验就那么多；它只算了人力和AI的成本，仪器和实验材料没算，用模拟替代实体实验也没考虑。

想法本身的质量同样没纳入。假如AI能提出成功率更高的假设，加速会更快；假如科研品味始终只属于人类，加速就会慢下来。

问卷里还有一问：要是让 AI 独自干活，它得等到什么时候，才能比肩受访者所在领域最厉害的研究者？

数据分析这一项，38% 的受访者觉得 AI 眼下就已经到位，过半数人押注 2027 年能实现。放到 2030 年，认为 AI 在数据分析上追平顶尖研究者的占 94%，写作是 89%，构思和数据采集各为 72%。

可一说到「全程无人插手、从立项到收尾都由 AI 跑完」，受访者的态度明显收紧：约 40% 的人认为 2030 年可以办到，约 64% 把时间推到 2035 年，另有 16% 干脆认为永远不会有这一天。

那要是 AI 独自搞出重大突破呢？约一半受访者给出的答案是 2035 年之后，或者永远。

需要说明的是，参与调查的人多来自生命与健康科学领域，本身又是 AI 的重度使用者，预期偏高并不意外。

不过报告也提醒了一句：回看历史，人们对 AI 进展的预判常常严重偏低。

2022 年年中做过一次调查，领域专家预测 AI 摘得国际数学奥赛金牌的中位年份是 2030 年，超级预测者则给到 2035 年。实际结果是 2025 年就拿到了，比专家预估早了 5 到 10 年。

被高估的情况只是少数，且大多出在需要动手落地的环节，例如 AI 辅助的生物实验，说到底还是卡在体力上。

报告末尾谈到了 AI 提速科研的几项前提与风险。

头一条是落地总慢于能力。新技术铺开本就不快，生产率要等组织围着它重新调整之后才会抬升。

第二条，有些瓶颈 AI 绕不过去。除了动手做的实验，还有「选题」这一关：一个项目值不值钱，很大程度上由研究问题决定，而 AI 提问题的本事行不行，目前没人说得清。

第三条关乎产出的是数量还是质量。论文一旦暴增，科学家可能来不及消化和核验；最终往哪边走，要看期刊、资助方和机构如何设置激励。

第四条，AI 越自主，就越可能接手验证、审稿和成果传播，甚至在自动化实验室里形成一套不依赖人类的研究圈子。真到那一步，人类还能不能读懂这些新知识，就成了新问题。

第五条是安全。哪些题目值得做、该怎么做，这类关键判断最好仍有人把关。生物学尤其敏感：能推动医学前进的能力，同样可能造出危险的知识或材料，必要时只能接受慢一点的进展来换取风险下降。

最后落在科研人员的感受上。AI 若拿走的是有成就感的那部分，满意度会掉，愿意入行的人也会减少；若拿走的是琐碎的部分，满意度反而会升。

美国联邦资助项目的首席研究员们自述，约 44% 的科研时间耗在应付各类行政要求上。话说回来，要是 AI 能先把这 44% 的表格填了，恐怕没哪位科学家会说不。