Anthropic 研究：研究人员如何利用 Claude 进行科学发现

AI 在科学研究中的概述

AI 正通过增强人类在认知研究任务中的能力，日益改变着科学进程。Anthropic 最近对 207,049 次使用 Claude、Claude Code 和 Claude Science 的研究会话进行了分析，结果显示科学家们已经积极地将 AI 整合到他们的工作流程中，且使用模式与模型的理论能力高度相关。

各领域与任务的使用模式

Claude 在科学领域的使用并不均衡；它主要集中在计算机科学、数学和统计学等形式科学中。虽然像 Claude 这样的通用接口被用于广泛的任务，但 Claude Code 在计算工作中的使用比例明显更高。

在整个研究生命周期中，数据分析和写作是最常见的 AI 辅助任务，其所占时间显著超过了研究人员通常分配给这些活动的时间。相反，涉及数据收集和构思的任务——研究人员认为这些任务非常重要——在 AI 使用中的比例仍然不足。这种差距很可能是由于许多数据收集任务的物理性质，以及当前模型在高级假设生成方面的局限性所致。

能力与采用率之间的相关性

Anthropic 为研究任务制定了“理论 AI 能力”评分，发现科学家在 AI 能力最强的领域使用 AI 最多。非常适合强化学习 (RL) 且本质上主要是认知性的任务，其采用率最高。相比之下，物理和人际交往任务，或受严格监管限制的任务，AI 的整合程度极低。这表明，随着 AI 模型处理复杂、多步骤认知过程的能力不断提高，其应用范围可能会扩展到更专业的科研领域。

专业工具与自主性

像 Claude Science 这样的专业接口证明了特定领域的 AI 工具可以弥合通用 AI 与复杂科学工作流程之间的差距。Claude Science 会话的特点包括：

• 更高的复杂性： 超过 80% 的使用需要博士水平的专业训练。
• 更高的自主性： 超过 70% 的会话是在高度 AI 自主的情况下完成的。
• 任务专业化： 用户将这些工具用于复杂任务，例如为蛋白质-配体相互作用提出机制模型，这在通用聊天会话中很少见。

研究加速的潜力

基于当前的能力和调查数据，Anthropic 估计，广泛采用 AI 可以使计算机科学和统计学等领域的研究产出翻倍。在更具推测性的场景中，如果 AI 能够自动化所有非物理研究步骤，认知密集型领域的产出理论上可以增加多达 15 倍。然而，物理瓶颈仍然是一个重大制约因素；依赖物理实验的生物学和化学等实验科学，预计收益会较为温和（3-4 倍），除非伴随着自动化实验室基础设施的进步。

未来展望与风险

研究人员对 AI 在科学领域的未来持乐观态度，约 40% 的人预计到 2030 年 AI 将能够自主开展完整的科研项目。虽然这些进步有望通过更快的发现来增进人类福祉，但它们也带来了新的挑战。其中包括需要人类监督以确保安全和伦理一致性，AI 可能因产出增加而使科学界不堪重负，以及必须重组研究组织以充分实现这些新工具所承诺的生产力提升。