FRONTIER · 落到现实

20.7 万次科研会话：AI 用得最多的是跑数据和写稿，而科学家自己投票选出的「最重要」是出想法——它只占 4.2%

AI for Scientific Discovery: How Researchers Use Claude

Johannes Hermle、Benjamin Jones、Lukas Althoff、Ryan Heller、Thomas Lyttelton、Carolyn Stein、Nathan Wilmers、Maxim Massenkoff、Peter McCrory · Anthropic 经济学团队 三位 lead author 里最该认的是 Benjamin F. Jones——「科学与创新的经济学」这条线上的代表人物，这篇用来把「省下的时间」换算成「多出来的产出」的那个 ideas production function，出自他为《The Economics of Transformative AI》写的 R&D 那一章，而校准瓶颈强度所用的 Ahmadpoor & Jones (2019, PNAS) 同样是他的论文；Lukas Althoff 是 SciNet 的共同作者，这篇的整副骨架就是那份挂在斯坦福、7,262 个任务的公开数据集；另有 Carolyn Stein、Nathan Wilmers 两位学界经济学家，以及本栏第 70、75 篇里那两位 Massenkoff 与 McCrory · 这支队伍也是 Anthropic 经济指数（本栏第 19 篇）的同一支，手上握着别人拿不到的原料：真实会话

2026 年 11 月

为什么选它关于「AI 加速科学」的讨论一直在两极之间空转：要么拿几个明星成果说天翻地覆，要么拿论文产出说毫无动静。这篇第一次把问题压到任务颗粒度——7,262 个科研任务，每个都有「研究者花多少时间」与「AI 用了多少」的比值，于是「AI 用在哪、为什么是那里、天花板在哪」第一次有了可吵的数字，而不是观感。

11 月 5 日，Anthropic 的经济学团队放出一份 35 页报告：他们用隐私保护的方式分类了 20.7 万次科研会话（2026 年 8 月 2 日到 9 月 30 日，Claude 12.9 万次、Claude Code 7.8 万次），再配一份 528 位科学家的问卷，回答一个很具体的问题——AI 到底在科研的哪一段上真的被用起来了。答案有点扎人：科学家把 AI 大量用在分析数据和写稿上，而他们自己投票选出的「对做出重要研究结果最关键」的两件事——出想法、拿数据——恰恰是用得最少的两段。出想法与提假设在 Claude 上只占 4.2% 的会话，在 Claude Code 上只占 2.1%。

值得读有两层。第一层是颗粒度：市面上讲 AI 采用率的报告大多停在「某个行业里 x% 的人在用」，这篇停在任务上——7,262 个具体科研任务，每个任务都有一个「研究者平均花多少时间」对「AI 会话占多少」的比值，于是「用得多」和「用得少」第一次是可比的。第二层是报告后半段那个加速模型：如果 AI 把所有非体力环节全接走，计算机科学、统计学这类领域的产出能翻 15 到 16 倍，而生物、化学这些必须进实验室的只有 3 到 4 倍。这两个数之间的落差，就是本栏今年反复撞到的同一面墙——卡住 AI 加速科学的不是脑子，是手。而最该慢慢读的是他们怎么算出这两个数的：15 倍那个天花板不是能力上限，是价格。

不是问卷，是 20.7 万次真实会话压在一张 7,262 个任务的地图上

测量分两步：先用一个分类器判断这次会话是否涉及科研，再把它映射到 SciNet 分类里的某个领域、子领域和任务。SciNet 是这篇的骨架——一份挂在斯坦福、公开可下载的任务级数据库，7,262 个科研任务、34 个领域、318 个子领域，有的任务所有领域通用（比如起草稿件），有的只属于某个子领域（比如预测材料的光吸收与发射光谱）。隐私处理这一段写得很实：分类器只留标签——「化学」「数据清洗」——会话里的数据集、假设、实验方法、早期发现、未发表论文一概不提取不存储，结果只按聚合报告，且要求同一格子里有足够多的不同账号，账号太少的格子直接不画。但有条量程必须跟着读：样本是消费者套餐上的使用，企业与 API 不在内。所以它测的是「用 Claude 的科学家怎么用 Claude」，不是「全世界科研怎么用 AI」。这跟本栏第 50 篇是同一个调子：那篇最该读的也不是数字，是附录里那份「这些数字不能这么用」。

用得最多的，和他们说最重要的，不是同一批任务

把两列数字摆在一起，错位就出来了。分析数据占 Claude 会话的 33.7%、Claude Code 的 48.1%，而研究者本人花在这类任务上的时间是 27.6%；写作与沟通在 Claude 上占 32.0%，对应的时间份额只有 16.0%。另一头：数据采集吃掉研究者 28.6% 的时间，却只换来 11.5% 和 11.9% 的会话；出想法与提假设占 7.1% 的时间，只换来 4.2% 和 2.1%。而那份 528 人问卷要求受访者把 100 分分给四类工作时，「出想法」排第一，「拿数据」排第二。两处短缺的成因并不一样：数据采集大量是体力活，AI 伸不进去——有意思的是，同属采集、但能走数字流程的（调档案、扒文本）短缺就轻得多，纯线上采集甚至是超用的。出想法则完全是脑力活，报告给了三种解释：科学家更愿意自己想、他们觉得 AI 在这上面不行、或者出想法本就散落在别的任务里难以归类；但也老实写了第四种——AI 在「选哪个问题值得做、怎么设计研究去回答它」这种高层判断上，可能真的更弱。一个反证据来自 Claude Science（把 Claude 接到各类科研数据库的专用工具）：在那上面，出想法占到 8%，基本追平了研究者本人花在这件事上的时间份额。同一批人在专用工具里就敢让 AI 碰更难的活：Claude Science 上 80% 以上的使用被判定需要博士级训练（其他界面是 50%–70%），70% 以上是高自主度运行（Claude 只有 23.7%，Claude Code 64.1%），单次会话换算成无 AI 时的人工时长差不多是另两个界面的两倍；而「为蛋白–蛋白或蛋白–配体相互作用提出机理模型」这个任务，在 Claude Science 上出现的概率是 Claude 的 5.6 倍。

一把用国际象棋等级分算出来的能力尺子

为什么偏偏是这些任务？他们造了一把尺子。SciNet 给每个任务拆好了步骤，分类器被成对地问「这两个步骤 AI 哪个做得更好」，再用 Bradley–Terry 模型（给棋手算 Elo 等级分的那个模型）把海量两两比较聚合成分数——赢得多分就涨，输得多分就跌，步骤分平均成任务分，他们管这个叫「理论 AI 能力」。结果很干净：能力分最低那 20% 的任务（提纯反应混合物、做参与式观察这类）几乎没人用 Claude；在中位数附近，使用量和时间份额大致一比一；能力分最高那 20%（可视化数据、跑统计检验这类），Claude 的使用量是时间份额的约 2 倍，Claude Code 约 4 倍。更值得记的是能力分跟什么相关：跟「适不适合强化学习」的相关系数 0.78——成功容易验证、能在计算环境里大量模拟、反馈来得快；跟「是否纯脑力」0.69，跟体力 −0.57，跟人际 −0.31，跟监管限制 −0.38。翻成人话：AI 最能干的地方，就是能把对错判出来、能反复试的地方。这和本栏第 42 篇（把「发现」从「推理」里切出来）、第 49 篇（让模型自己出题，最值钱的是给点提示才做得出来的题）讲的是同一件事的三个侧面。领域层面也对得上：计算机科学只占全球研究者的 4.3%，却吃掉 Claude Code 会话的 32.7%；人工智能与机器学习这个子领域占研究者 1.2%，占 Claude Code 会话 15.2%；子领域的人均使用量与平均能力分的相关系数是 0.45（Claude）和 0.57（Claude Code）。健康科学是个说明问题的例外：任务能力分并不低，使用量却明显偏低，报告的猜测是医疗数据与科研合规的门槛——也就是说这把尺子只量能力，量不到制度。

15 倍的天花板是价格，3 倍的天花板是手

三个加速场景得会读。场景一假设今天的能力被充分采用：AI 能接走做出一项研究所需的 27%–52% 的研究者时间（各领域中位数 38%），折算成产出是 1.35 倍（艺术）、1.41 倍（化学）到 1.96 倍（计算机科学）、2.02 倍（统计学）——连最「AI 友好」的领域也就两倍，因为今天的用法大多还是辅助与共担，不是托管。场景二假设 75% 的非体力步骤被自动化：计算机科学到 8 倍、统计学 7 倍、经济学 6 倍，实验台科学只有 2–3 倍，而历史、人类学、艺术也只有 2 倍上下——后者卡住的理由跟实验科学完全不同，它们的工作几乎不含体力，但能力分低，于是轮不到被自动化。场景三假设 100%：统计、计算机、经济、数学和大部分社科人文冲到 15–16 倍，生物、化学、材料、农业、生物医学仍然只有 3–4 倍，因为它们约 40% 的研究者时间是体力步骤，没有自动化实验室就是硬地板。而 15–16 倍这个数本身不是能力上限，是价格：他们假设一小时 AI 智能体 30 美元、一小时研究者 95 美元，且每省下一个研究者小时要跑 0.2 小时 AI，算下来一个被完全自动化的任务仍要花研究者成本的约十六分之一，倍数于是顶在 16 附近。报告自己把这句说透了：AI 价格减半，这个天花板就抬一倍。研究者的预期比模型更激进——94% 认为 2030 年 AI 在数据分析上能追平本领域最强的人（38% 说现在就已经追平了），89% 认为写作上能，约 40% 认为 2030 年 AI 能不带人跑完一个完整研究项目，2035 年是 64%，而 16% 说永远不会。报告还补了一句扎心的历史：2022 年中那次调查里，领域专家预测 AI 拿下 IMO 金牌的中位数是 2030 年、超级预测者是 2035 年，实际发生在 2025 年——而预测得最准的那几个例外，恰恰都在需要动手的地方。

这篇最大的价值不是那两个加速倍数，是它把「AI 加速科学」这场空转的争论换成了一张可以逐格吵的表。以前谈这件事只有两种声音：拿几个明星成果说天翻地覆，或者拿论文总量说纹丝不动（本栏第 29 篇写的就是这把尺子根本没有刻度）。现在至少有了共同的底图：哪些任务 AI 真被用上了、哪些没有、为什么。而顺着这张表往下看，会看到一件比标题更重要的事：AI 的能力分布和科研价值的分布，对不上。使用量跟「适不适合强化学习」的相关系数是 0.78，而科学家投票里排第一的「出想法」在这把尺子上分数不高、在真实使用里也只占 4.2%。如果这个错位不动，AI 能做的是把「已经选定的问题」答得更快更便宜，而不是帮你选对问题——本栏第 80 篇（研究品味的翻倍周期从 14 个月掉到 3 个月，但 540 份方案里一个原创想法都没有）给的正是同一个结论的另一半。有一处我认为必须打折扣：这把能力尺子是 LLM 给 LLM 打的分。任务能力分由分类器两两比较生成，使用数据又来自同一家模型的用户，所以「使用量与能力分高度相关」这个核心发现，天然带着循环论证的嫌疑——同一个模型家族既定义了什么叫「AI 能做」，又产生了被用来验证的使用痕迹。作者给了一条对冲：场景一算出的 AI share 完全不含任何 Claude 使用数据，却仍与实际使用率相关。这条我认，但它只说明两套 LLM 判断彼此一致，不等于它们都对。真正能验的，只能是把这把尺子拿到使用数据之外的地方去——比如拿 Claude Science 上那些高自主度的会话反过来校准能力分。另外两个数字不该被当成预测。15–16 倍的天花板完全建在「AI 每小时 30 美元、研究者 95 美元、每省一小时跑 0.2 小时 AI」这组示例假设上，作者自己标明是用公开 list price 随手定的；而整个模型压根不考虑想法的质量——如果 AI 挑的问题更值得做，倍数会更高；如果研究品味始终是人的事，倍数会更低。最耐读的反而是那条 3 到 4 倍的地板。它说的是：就算模型明天全知全能，生物化学材料这些领域也只能快三四倍，因为四成时间要用手。本栏今年两次量过那只手——第 75 篇说机器人今天技术上能接走三成四的工时，算上价钱只剩 0.3%；第 86 篇说六个最强模型进真实验室，92 个任务只过了 45.3%，错法是拿冻着的样品去移液。所以这篇报告真正的读法是：把它的右半边（15 倍）当成软件进度条，把左半边（3 倍）当成硬件进度条，然后去看硬件那条跑到哪了。答案是：还在学怎么拿枪头。

AI 与科学科研加速使用数据物理瓶颈经济学

去读原文 本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。原文Anthropic《AI 与科学发现：研究者怎么用 Claude》：全部图表、任务份额与三个加速场景 → 原文报告 PDF（35 页）：附录里有能力分类器、RL 指数的定义，以及加速模型的全部假设 → 延伸SciNet：这篇赖以成立的那张地图——7,262 个科研任务、34 个领域，数据可下载 → 延伸同一周的另一半证据：Anthropic 生物实验室把 Claude 接进每一步，三天的纯化做成 90 分钟（参见本栏第 78 篇）→ 延伸经济指数一月报告：这篇用来判断「任务多长、多难、多自主」的那套 economic primitives 出自这里 →

上一篇把时钟停下来，它能做完 70%；让世界边想边走，只剩 14%——而专为低延迟造的那三个模型，全在榜底下一篇手摇计算机算了三周的方程，AI 一下午就能找出来——但诺奖挣在「知道三次方不行」上：交一个拟合最好的模型，等于把其余答案全藏了

本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。篇目由编辑独立选取，来源均经人工核实。