ANTHROPIC ECONOMICS · 207,049 次科研会话
Claude 正在帮科学家
做哪一段研究？
答案有点反直觉：它最常接手的，是分析数据和写论文；科学家认为最重要的“提出好问题”，反而用得最少。AI 正在加速科研，但不是平均加速。
01 / 先用一分钟读懂报告
Claude 不是穿白大褂的
“自动科学家”。
它更像一支数字研究助理队。
在普通 Claude 中，两类任务合计占 65.7%；在 Claude Code 中，数据分析单项就占 48.1%。
偏偏在科学家眼中，这两项分别是第二重要和最重要的研究环节。
文字和代码就是“实验台”；在 Claude Code 中，计算机科学占全部科研会话的 32.7%。
模型能读论文，却不能亲手装色谱柱、照顾患者或替你跑完湿实验。
AI 先吃掉的是屏幕里的工作，而不是实验台上的工作。
01A / 87 秒代码科普动画
按下播放，
让数据自己讲故事。
没有生成视频、没有图片素材。每个数字、文字、线条与转场都由网页代码实时绘制；豆包 Seed-TTS 2.0 提供旁白，时间轴负责让画面与字幕同步。
次科研会话
最常做的，不一定是最重要的。
统计能检验
患者要接触
这是情景推演，不是未来预言。
仍在人类手里
二十万次科研对话，揭开了一个反直觉的答案。
纯代码画面 · 豆包 Seed-TTS 2.0 中文旁白 · 支持暂停、重播与静音 · 减少动态效果偏好下自动关闭循环装饰动画
02 / 这份报告怎样“看见”科研使用
没有偷看实验内容，
只给会话贴标签。
Anthropic 分析的是 2026 年 8 月 2 日至 9 月 30 日的消费者套餐会话：128,914 次来自 Claude / Cowork，78,135 次来自 Claude Code。分类模型先判断是不是科研，再按 SciNet 体系标记领域、子领域和任务。
研究团队保留的是“化学”“数据清洗”这类标签，而不是数据集、假设、实验方法或未发表结果；结果只以汇总形式出现，并设最低独立账户门槛。
读报告前要记住：这不是全球科学家的随机抽样。会话来自 Claude 用户，问卷对象主要是美国和加拿大、且主动申请过 AI 科研资助的生命与健康科学研究者，他们大概率比普通科学家更爱用 AI。
03 / 实验一：科研时间去了哪里
切换工具，
看任务如何重新排队。
彩色柱是会话占比，细线是科学家实际花在该任务上的时间。柱子越过细线，说明 AI 被“超额使用”；没到细线，则是 AI 仍进不去的地带。
注：横轴以 50% 为满格；“研究时间”为 SciNet 估算基准。为保持易读，未显示 Other 类别。
04 / 报告最值得琢磨的裂缝
科学家把 AI 用在
最容易的地方，
却把价值放在最难的地方。
规则明确、反馈快、答案容易检查，正好适合强化学习与代码执行。
决定“什么问题值得研究”需要品味、背景判断与承担方向错误的代价。
这并不只是“模型还不够聪明”。好问题很难被即时打分，也缺少海量可重复训练的环境；而统计检验能运行、代码能报错、图表能肉眼检查。报告发现，任务对强化学习的适配度与理论 AI 能力相关系数达到 0.78。换句话说：容易得到反馈的科研劳动，最先被 AI 学会。
05 / 不只是“哪个学科人多”
计算学科像有码头，
AI 一上岸就能开工。
研究团队把一个领域的会话占比，与它在全球研究人员中的占比进行比较。计算机、数学、统计和经济学明显高于其人员规模；化学、临床、营养和兽医等需要实验或接触患者的领域则偏低。
普通 Claude 的使用更分散，但计算机科学仍以 11.9% 位居第一。
计算生物学、计算语言学、计算神经科学都高于各自母学科；机器人虽面对物理世界，也因大量依赖计算方法而使用偏高。
医疗领域的理论可自动化程度不低，但隐私、监管、系统接入和责任边界会压低真实采用率。能力只是条件，组织许可才是入口。
06 / 实验二：能力越高，使用越多
拖动“AI 能力”，
观察科学家是否放手。
报告把 7,262 类任务拆成步骤，像 Elo 排名一样两两比较“AI 更擅长哪一步”。最低五分位几乎没人用 Claude；最高五分位的使用强度是研究时间所预测的 2—4 倍。
07 / 实验三：把科研加速器推到底
同一台 AI，
为何有人起飞、有人堵车？
选择一个情景，柱长表示在固定研究预算下，产出可能变成原来的多少倍。请注意：后两档是为了看清瓶颈而设的假想世界，不是 Anthropic 对未来的承诺。
报告估算：AI 接手 27%—52% 的研究时间；跨学科中位数为 38%。
08 / 专用工具会改变使用方式
给模型接上数据库，
它就不只会“写摘要”。
Claude Science 把分散的生命科学工具和数据库接进同一工作流。它的样本中，创意与假设占 8%，约是普通 Claude 的两倍，也接近研究者实际花在这类任务上的时间。
这提示一个关键方向：通用聊天框解决的是“能不能回答”，科研系统还要解决“能不能找到可靠数据、调用专业工具、留下可复核过程”。
以上仅比较生物学和生物医学会话。产品用户与任务构成不同，不能把差异直接解释为产品造成的因果效果。
09 / 科学家自己怎么预测未来
乐观得惊人，
又没有乐观到底。
认为 AI 已能在数据分析上匹敌顶尖研究者
预计 AI 将匹敌顶尖研究者的数据分析能力
预计 AI 可独立完成从问题到发现的完整项目
预计 AI 可独立完成完整科研项目
但仍有 16% 的受访者认为“完整项目无人在环”永远不会发生。对“自主做出重大突破”的判断更谨慎：约一半认为要等到 2035 年以后，甚至永远不会发生。
10 / AI 加速后，科学会得到什么
先出现的可能不是更多突破，
而是更多论文、代码与待验证结果。
普通 Claude 会话的主要产物
计算机科学恰好也是“生产下一代 AI”的领域，因此报告特别指出：科研加速可能形成自我强化循环。
如果论文生成速度暴涨，同行评审、复现、知识吸收和发现真正重要结果的能力不会自动同步。科学共同体可能不得不让 AI 参与验证、审稿和传播——这能缓解拥堵，也会把“谁来监督验证者”的问题推到台前。
11 / 真正决定速度的，是整套科研系统
换发动机不够，
还要重铺道路。
报告的讨论部分比“15 倍”更重要：能力出现，不代表生产率立即出现。电力和计算机的历史都说明，组织往往要重构流程、岗位和制度，收益才会兑现。
采购、IT 接入、数据权限、研究者学习成本和机构惯性，会让采用远慢于模型升级。
越自主的研究代理，越需要可追溯过程、独立复核与关键节点的人类签字。
特别是生物领域，能力既可能加速药物发现，也可能产生危险知识；检查点不是“低效”，而是安全成本。
如果它拿走行政负担，研究者会更快乐；若也拿走构思、探索和成就感，科研职业的吸引力可能下降。
美国联邦资助项目的负责人曾报告：约 44% 的研究时间花在满足行政要求，而非研究本身。相比“替科学家想问题”，先消灭重复行政劳动也许更现实、更快产生价值。
12 / 贝有解读：这不是一张未来时刻表
报告测到了使用，
估算了能力，
模拟了加速。三者不能画等号。
会话占比告诉我们人们拿它做什么，却没有直接衡量论文更正确、发现更重要或工作真的节省了多少小时。
能力分数主要来自模型对任务步骤的成对判断；它很有解释力，但仍是代理指标，不是逐项实验考核。
任务彼此互补。分析再快，如果实验、审批、设施和好问题没变，研究仍会堵在最慢的一环。
产出暴涨也会带来审稿、复现和吸收危机。速度最终要服从安全、伦理与人类真正想追求的问题。
最后，只记住这一幕
AI 把科研流水线的传送带开快了。
但“往哪儿开”，还没有交给机器。
今天的 Claude 最像一位擅长读、写、算、编程的数字研究伙伴。它让可验证的认知劳动先降价，却尚未消除好问题、物理实验、组织采用、科研安全与人类判断这些瓶颈。真正的科学加速，不只是换一个更强的模型，而是重做工具、实验室、审查机制与研究组织。