AI助力科学发现：研究人员如何应用Claude

Anthropic 首次公开了一项大规模研究，试图回答一个越来越紧迫的问题：AI 到底在怎样改变科学研究？研究团队用隐私保护方法分析了 20.7 万个 Claude 和 Claude Code 的研究类会话，覆盖不同学科和研究任务，目的是摸清 AI 在科学领域的真实使用状况，并评估它对未来科研速度的可能影响。结论有几层：科学家目前主要拿 Claude 做数据分析和写作，而不是构思创意；AI 能力越强的任务，被用得越多；如果现有能力被广泛采用，部分领域的研究产出可能翻倍。 先看使用分布。按各学科研究人员数量做相对比较，Claude 在计算机科学、数学、统计这类形式科学中用得更多，在健康和实验室基础科学中用得偏少。从任务类型看，数据分析单独占了 Claude 会话的约三分之一，在 Claude Code 上更是接近一半；写作紧随其后。有意思的是，在配套的调查中，科学家们把“提出想法”和“收集数据”列为对科学发现最重要的任务，但实际用 AI 做这两件事的比例并不高。研究团队指出，专门为科研设计的 AI 工具可能缩小这个落差——比如在 Anthropic 的 Claude Science 产品上，创意生成的使用占比大约是普通 Claude 的两倍。 研究还构建了一个衡量指标，评估 AI 在理论上能多好地完成每项研究任务。结果呈现出明显的“能力匹配”规律：AI 最擅长的前 20% 任务，实际使用量是研究人员投入时间所预测水平的 2 到 4 倍；而 AI 最不擅长的后 20% 任务（大多涉及物理操作）几乎无人问津。跨学科也是同样的模式——计算机科学、统计这些 AI 能胜任大量任务的领域，Claude 的使用率明显更高。 至于对科研速度的影响，研究团队用简单模型做了情景推演：如果现有 AI 能力被广泛采用，部分领域的研究产出可以翻倍；如果 AI 能承担所有非物理性的研究工作，计算机科学和统计等领域的产出可能提升多达 15 倍，而化学、生物学这类受物理瓶颈制约的实验科学，产出增幅大约在 3 到 4 倍。在对活跃使用 AI 的研究人员的调查中，约 40% 的人预计到 2030 年 AI 模型能独立完成完整的研究项目。这项研究的背景并不难理解：科学常被称为“无尽的前沿”，但探索速度长期受限于人类研究者的时间和人才储备，而科研的高度认知属性，意味着 AI 在这一领域的渗透可能比其他行业更早、更猛。AlphaFold 预测超 2 亿个蛋白质结构并摘得 2024 年诺贝尔化学奖、GNoME 预测 38 万种稳定新晶体、AI 协助攻克数学界的 Erdős 难题和千禧年大奖难题，都是已经发生的例证。对 AI 从业者来说，这项研究给出的信号是：科研场景的 AI 需求远未饱和，尤其是创意生成和数据收集这两块“科学家认为最重要、但用得最少”的空白，正是工具型产品的机会所在。