Anthropic 研究 20.7 万 Claude 科研会话：科学家如何使用 Claude

Johannes Hermle*、Ben Jones*、Lukas Althoff*、Ryan Heller、Thomas Lyttelton、Carolyn Stein、Nathan Wilmers、Maxim Massenkoff、Peter McCrory

*报告主要作者

概述

• 我们测量什么。AI 有望加速科学发现，但加速幅度取决于 AI 能做什么，以及科学家如何使用它。我们采用隐私保护方法，研究了 207,000 个 Claude 和 Claude Code 科研会话，以了解 Claude 在各科学领域和研究任务中的使用情况。我们开展这项研究，是为了帮助公众更好地了解当今 AI 在科学领域的现状，并评估 AI 未来可能对科学发现产生的影响。
• 科学家在哪些领域使用 Claude。相对于各领域的研究人员数量，Claude 在形式科学领域（如计算机科学、数学和统计学）使用更多，在健康和基于实验室的物理科学领域使用较少。科学家主要用 Claude 分析数据和写作。仅数据分析一项就占 Claude 会话的约三分之一，占 Claude Code 会话的近一半。科学家较少用它来生成想法和收集数据，尽管在一项配套调查中，他们将这些任务列为对科学发现最重要的任务。不过，专为科研工作设计的专用 AI 工具可能缩小科学家实际使用 AI 的研究任务与他们视为最重要的任务之间的差距。例如，在 Claude Science 上，想法生成所占的使用比例约为 Claude 上的两倍。
• Claude 的使用如何反映 AI 能力。我们构建了一个衡量指标，用来评估 AI 在理论上能多好地完成每项研究任务。AI 最适合的任务（在该指标上排名前 20%）获得的 Claude 使用量，是研究人员投入这些任务的时间所预测的两到四倍。AI 最不适合的任务（排名后 20%），包括大多数体力工作，获得的 Claude 使用量非常少。我们在各领域观察到同样的模式：AI 能出色完成许多任务的领域，如计算机科学和统计学，使用 Claude 更多。
• 这对科学发现速度可能意味着什么。我们用一个简单模型探索了 AI 可能以多大幅度加速研究的几种情景。如果现有的 AI 能力得到广泛采用，它们可能使某些领域的研究产出翻倍。如果 AI 能承担所有非体力研究工作，计算机科学和统计学等领域的产出可能提高多达 15 倍，而化学和生物学等受物理瓶颈制约的实验科学领域，产出将提高三到四倍。在我们对积极使用 AI 的研究人员的调查中，约 40% 预计到 2030 年 AI 模型将能自行开展完整的研究项目。

引言

科学曾被描述为“无尽的前沿”（Bush 1945）。但历史上，我们探索这一前沿的速度受限于一种稀缺资源：人类研究者的时间和才华。人工智能可以通过放大研究人员的能力来缓解这一限制，同时改变发现的过程和探索的速度（Wang et al. 2023; Amodei 2024）。很少有 AI 应用能比这更关乎人类福祉。鉴于研究相比大多数经济部门具有高度认知属性，AI 在这一领域的影响可能尤其大、来得尤其早。

近期的一些例子显示，AI 在科学发现中扮演着越来越重要的角色。在结构生物学领域，AlphaFold 预测了超过 2 亿个蛋白质的三维结构（Jumper et al. 2021; Varadi et al. 2024），其研发者分享了 2024 年诺贝尔化学奖。在材料科学领域，GNoME 预测了 38 万种稳定的新晶体（Merchant et al. 2023）。在数学领域，研究人员借助 AI 系统帮助解决悬置数十年的 Erdős 问题、为一个千禧年大奖难题给出潜在证明，并在其他重大问题上取得进展，从公开猜想一直到验证里程碑式的证明（Anthropic 2026a, 2026b; OpenAI 2026a, 2026b; Tsoukalas et al. 2026）。

除了这些进展之外，大部分科学进步都涉及许多专业化、相互关联的研究任务，而这些任务在不同领域之间差异很大。AI 能在多大程度上加速科学发现，不仅取决于 AI 的能力，也取决于它在这些任务中如何被采用。在本报告中，我们利用隐私保护基础设施，研究 Claude、Claude Code 和 Claude Science 在科学场景中的使用情况。我们记录了使用方式在不同领域和任务之间的差异，找出这些使用模式背后的原因，并勾勒出 AI 加速研究的几种可能情景。

Claude 在科学领域的使用因学科而异。相对于研究人员数量，计算机科学、数学和统计学等形式科学对 Claude 的使用更多，而健康和以实验室为基础的物理科学使用较少。从研究任务来看，科学家更多用 Claude 分析数据和写作，较少用于采集数据或生成想法与假设。这与随附的科学家调查中自报的 AI 使用情况一致。

为了理解这些差异，我们构建了一个衡量 AI 理论能力的指标。在该指标上得分更高的任务和领域，Claude 的使用率也更高。这些任务和领域往往更偏认知性质，也更适合强化学习——即 AI 通过反复尝试获得的反馈来学习。简而言之，科学家似乎是在 AI 最擅长的地方使用它。

基于这些发现，我们勾勒了 AI 加速科学进步的可能情景。以当前能力，某些领域的研究产出最多可能翻倍，主要来自任务层面的增强。我们调查中的研究人员预期未来能力会大幅提升。在一个假设情景中，如果 AI 完全自动化所有非物理性工作，计算机科学或统计学这类高度认知型领域的产出最多可增长 15 倍。由于加速潜力最大的领域包括那些生产 AI 本身的领域，这些收益可能形成额外的反馈回路：更快的 AI 研究产出能力更强的 AI，而这反过来又能进一步加速研究。

更快的科学发现固然能给人类带来巨大益处，但 AI 驱动的研究也伴随着风险和不确定性。人类监督减少，可能导致有人去追求危险或不道德的研究。AI 还可能重塑研究人员的职业生涯，使研究工作变得更有或更缺乏回报，并改变人类追求知识这一事业所承载的意义感。

我们如何开展这项研究

这项研究的目标是衡量科学家使用 Claude 的不同方式，同时保护他们工作内容的细节。为此，我们采用保护隐私的基础设施，分析消费者方案中 Claude 的科研使用情况。我们用一个语言模型充当“分类器”，读取每段会话记录，并按照预定义分类体系（Alamos 与 Althoff 2026 提出的 SciNet 分类法）为其打上一组固定类别的标签，例如所属领域和涉及的研究任务。研究团队为本报告保留和分析的，只有这些标签（如“化学”或“数据清洗”），不涉及对话中的其他信息。本研究使用的分类器都不会提取或存储开放式信息，也不会记录研究内容细节，例如研究数据集、假设、实验方法、早期发现或未发表论文。结果仅以汇总形式报告，且只针对达到最低不同账户数门槛的单元格。本研究引入的所有分类器见附录。

我们的测量分两步进行。第一个分类器判断一段会话记录是否涉及科研工作。第二个分类器再把每段此类记录归入 SciNet 分类法中的领域、子领域和任务。SciNet 包含 7,262 项任务，覆盖 34 个领域和 318 个子领域。分类法中的部分任务（如撰写论文稿件）是所有领域共有的，另一些则只属于特定领域或子领域。例如，在分类法中，预测光吸收和发射光谱这一任务就专属于材料科学。这些任务合在一起，覆盖了产出新研究发现的全过程。

我们的主样本包含 2026 年 8 月 2 日至 9 月 30 日期间消费者方案中的 207,049 段会话，这些会话均被归入某个科学领域和研究任务：其中 128,914 段来自 Chat 和 Cowork——两个分别用于对话和知识工作的通用界面，下文统称“Claude”；另有 78,135 段来自 Claude Code，这是一个智能体式编程工具，直接操作用户文件，编写并运行代码。我们还研究了 Claude Science 会话的补充样本。样本构建的细节见附录。

把使用数据与结构化的研究任务分类法结合起来，我们就能研究哪些领域采用了 Claude，以及用于研究过程的哪些环节。这项研究为越来越多试图衡量 AI 技术在科学发现中应用情况的工作添砖加瓦（Kobak 等 2025；Liang 等 2025；Hao 等 2026；Codreanu 等 2026）。

Claude 的使用情况在不同科学领域有何差异

我们先描述 Claude 的使用情况在不同科学领域间的差异。图 1 将某领域的会话占比与该领域全球研究人员占比作对比，让我们大致了解各科学领域的相对使用情况。¹ 在 Claude 上，会话占比最高的三个领域是计算机科学（11.9%）、工程学（8.4%）和医学（7.7%），它们同样属于全球研究人员数量最多的领域之列。² 总体来看，研究人员占比更高的领域，其 Claude 会话占比往往也更高（双对数相关系数为 0.79）。

不过，仅凭研究人员数量，无法解释各领域的 Claude 使用情况。在图 1 中，位于 45 度线上方的领域，其使用量相对自身规模偏高；位于线下方的领域则偏低。形式科学领域的相对使用率尤其高，包括计算机科学、数学和统计学。社会科学的使用率同样较高。相比之下，化学等物理科学领域的相对使用率往往偏低，因为这类工作大多在实验室中进行。医学也是如此——按会话量计算，它是第三大领域，而研究人员的大量时间都花在病人身上。

在 Claude Code 上，使用情况与领域规模的相关性较弱（与研究人员数量的双对数相关系数为 0.62），并且集中在定量程度更高的领域。计算机科学领域的研究人员仅占全球的 4.3%，却贡献了 Claude Code 会话的 32.7%。³ 数学、统计学等其他形式科学的相对使用率也很高。艺术与人文学科以及社会科学的相对使用率较低，经济学除外——它是一个定量程度相对较高的领域。

在比较这 34 个领域下的 318 个子领域时，我们观察到类似的模式（图 2）。⁴ 这一更细粒度的子领域视角显示，人工智能与机器学习尤为突出：尽管其研究人员仅占全球的 1.2%，却分别占 Claude 会话的 5.0% 和 Claude Code 会话的 15.2%。更普遍地说，无论属于哪个大的科学门类，计算类子领域都是采用率最高的群体之一。这些子领域包括计算生物学、计算语言学和计算神经科学。机器人学的相对使用率也很高，这可能是因为尽管它聚焦于物理系统，却在很大程度上建立在计算方法之上。

Claude 的使用情况如何因研究任务而异

除了了解哪些领域在使用 Claude，我们还希望弄清科学家用它来做什么。研究工作涉及许多不同的任务，从提出假设、分析数据，到撰写研究论文。为了更好地了解 Claude 如何支持科学发现，我们研究了使用情况在这些任务之间的差异。为此，我们把每个会话归入 SciNet 的 7,262 项任务之一。这些任务有些是所有领域通用的，比如起草稿件；有些则针对特定领域或子领域，比如通过差异基因表达分析比较肿瘤亚型，这属于癌症生物学。该分类体系区分了研究任务与非研究任务：前者是研究人员为产出新的科学发现而执行的任务，后者则包括教学、同行评审以及为院系或领域提供的服务。⁵ 我们的分析仅限于涵盖八个类别的研究任务：(1) 数据分析，(2) 写作与沟通，(3) 数据收集，(4) 阅读与知识获取，(5) 理论分析，(6) 设计与开发（软件、材料和创意作品），(7) 构思与假设生成，以及 (8) 其他，例如研究管理。

我们分别计算每个任务类别在 Claude 和 Claude Code 会话中所占的比例。为了判断某一类别的使用量是高还是低，我们参考了 SciNet 估算的研究人员通常在该类别上花费的时间占比。这些时间估算基于一个 LLM 分类器，并用两类数据做了验证：一是记录研究人员在每个任务上耗时的湿实验室研究方案，二是数千篇学术论文中各任务的出现频率（见附录）。这提供了一个基准，用来判断 Claude 在不同任务类别上的使用比例是遵循还是偏离了研究人员的时间分配。

按任务类别的使用情况。数据分析任务的绝对使用量最高，且相对于研究人员的时间投入明显偏高。数据分析占 Claude 会话的 33.7%、Claude Code 会话的 48.1%，而研究人员在该类任务上的时间占比为 27.6%。写作与沟通任务的使用量也很高，在 Claude 上尤为突出（32.0%，研究人员时间占比为 16.0%）。⁶数据收集任务的相对使用量较低，占研究人员时间的 28.6%，却只占 Claude 会话的 11.5%、Claude Code 会话的 11.9%。存在物理障碍的数据收集任务，如临床或生化数据的采集，这种偏低尤为明显。可以更多依赖数字化流程的数据收集任务，如检索档案文件或文本，偏低程度较轻；而纯数字化的数据收集任务，如收集在线数据，则可能偏高。构思与假设生成任务的使用量同样偏低，占 Claude 会话的 4.2%、Claude Code 会话的 2.1%，而研究人员在该类任务上的时间占比为 7.1%。

将观测到的使用情况与调查证据对比。除了分析 Claude 和 Claude Code 会话，我们还对 528 名科学家做了调查，他们自报的 AI 使用情况与我们在会话中观察到的模式一致。样本主要是生命与健康科学领域、积极采用 AI 的研究人员。⁷与图 3 所示的 Claude 使用模式一致，受访者自报的 AI 使用量在数据分析和写作与沟通上最高，在构思与假设生成和数据收集上较低。受访者还表示，在数据分析和写作与沟通上更多是共享或委托 AI 完成（图 4）。

调查还询问了哪些类别对产出重要研究成果最关键。受访者将构思与假设生成排在第一位，数据收集排在第二位。值得注意的是，这两类在自报使用情况和 Claude 会话中都偏低。偏低的原因可能各不相同。数据收集很大一部分是物理性的，而构思不是。就构思而言，科学家可能更愿意自己产生想法，也可能认为 AI 的能力有限。我们的数据也可能低估了构思，因为它往往融入许多其他研究任务，难以分类。但 AI 在高层级构思上也可能确实较弱，比如选择研究哪个问题、设计研究来回答它。

Claude Science 在生物学与生物医学领域的应用。Claude 和 Claude Code 是通用型接口，而面向科学领域的专用 AI 工具正日益普及。为了研究这类工具能否支撑更专业、要求更高的科研工作，我们借助隐私保护分析基础设施，对比了 Claude Science 与 Claude、Claude Code 在生物学和生物医学工作上的表现。

Claude Science 把 Claude 与众多原本彼此割裂的研究工具和数据库连接起来，起到整合并加速科研工作流的作用。科研人员往往要在多个平台之间来回切换，每个平台的数据结构或查询语言各不相同，才能把不同的工具和数据库组合到研究中。例如，生物学家要研究现有药物能否作用于某个特定蛋白，通常得分别查询该蛋白的功能、结构、已针对它测试过的化合物，以及相关的药物试验或论文。Claude Science 把这些环节整合进同一个工作流。

Claude Science 的使用集中在生命科学领域。排名前两位的领域是生物医学科学和生物学，合计占会话总量的 50% 以上。在这些领域内，我们评估了哪些任务相对于 Claude 所执行的任务出现得格外频繁。

我们发现，研究人员使用 Claude Science 完成的任务比使用 Claude 时更专业（图 5）。例如，“为蛋白质—蛋白质或蛋白质—配体相互作用提出机制模型”这一任务在 Claude Science 上出现的可能性是 Claude 上的 5.6 倍。该任务要求在单个分子接触的层面解释一个蛋白如何与另一个蛋白或小分子（如药物）结合。Claude Science 很适合这类任务，因为它能从多个已连接的数据库中收集蛋白质结构和结合数据，并整合成一个可检验的相互作用模型。相比之下，Claude Science 相对较少用于撰写稿件或与协作者沟通等一般性任务。此外，我们发现构思与假设生成占 Claude Science 会话的 8%，与这类任务在研究人员时间中所占的比例大致相当，这说明面向科学的专用 AI 工具能够支持更复杂、更有创造性的工作。

聚焦生物医学科学和生物学，并采用我们在先前工作中提出的经济基元框架（Appel 等，2026）的度量方法，我们发现 Claude Science 上的任务比 Claude 和 Claude Code 上的任务耗时更长、更复杂，执行时的自主性也更高（图 6）。这与专用 AI 工具被用于要求更高的任务这一判断相符。⁸Claude Science 的会话所包含的工作，若没有 AI 辅助，完成所需的人力时间几乎是 Claude 和 Claude Code 上工作的两倍。这些会话的内容也更高级。据估计，Claude Science 的使用中超过 80% 需要博士水平的训练（20 年教育），而其他接口上这一比例约为 50%–70%。超过 70% 的 Claude Science 会话是在高度 AI 自主的情况下完成的，远高于 Claude（23.7%），也略高于 Claude Code（64.1%）。

Claude 使用产出。最后，用 Claude 产出的成果在不同领域呈现出明显差异（图 7）。⁹ 文档、报告、学术论文等文字类成果在社会科学与人文学科中相对更常见，自然科学与形式科学则较少。反过来，代码、软件输出、数据等技术类成果在自然科学与形式科学中更频繁。整体来看，健康科学在产出类型上更接近社会科学。Claude Code 上的技术类成果出现频率约为 Claude 的两倍，但各领域的总体分布格局相似（见附录）。

使用方式与能力的关系

AI 的使用情况是否与 AI 能力同步？领域规模能解释 Claude 使用差异的一部分，但并非全部。例如，计算机科学领域的研究者使用 Claude 的程度远超该领域规模所能预测的水平，而营养学领域的研究者则用得少得多。同样，研究者把自身时间花在哪里，也不能完全预测他们最常在哪些环节使用 Claude。数据分析、写作等大类任务的使用占比远高于其研究时间占比，而数据收集、构思与假设生成等任务的使用占比则小得多。在此，我们检验这些使用差异是否反映了 AI 实际具备的能力。

为衡量特定任务上的 AI 能力，我们先用大语言模型分类器构建能力评分。对于每项任务，SciNet 都列出了科学家完成任务所需执行的各个步骤。例如，化学中有一项任务涉及纯化反应混合物，而该任务的一个步骤是装填色谱柱。分类器会看到分类体系中成对的步骤，并被问及 AI 更能胜任哪一个。我们用 Bradley–Terry 模型汇总这些比较结果——国际象棋选手的 Elo 评分正是基于这一模型，依据两两对局结果进行排名。某个步骤在比较中获胜，得分就上升；落败则下降。随后我们对每项任务各步骤的得分取平均，得到任务级评分（详见附录）。我们将这一指标称为理论 AI 能力，将某项任务的具体得分称为其AI 能力评分。

为比较不同任务的使用情况，我们考察的是：相对于研究者在该任务上投入的时间，Claude 的使用量是偏高还是偏低。例如，某项任务占研究者 5% 的时间，却占 Claude 会话的 10%，说明其使用量是预期的两倍，比值为 2。比值为 1 表示 Claude 的使用量与研究者投入该任务的时间相符。比值低于 1 则表示，相对于该任务所耗费的研究者时间，Claude 的使用量偏少。

图 8 显示，这一使用比例会随任务的 AI 能力评分升高而急剧上升。在能力评分最低的 20% 任务中，例如纯化反应混合物和进行参与式观察，Claude 几乎不被使用。在能力评分处于中位数时，该比例约为 1，即使用量与研究人员投入的时间大致相当。而在能力评分最高的 20% 任务中，例如数据可视化和应用统计检验，Claude 的使用量约为研究人员在这些任务上通常投入时间的两倍，Claude Code 则约为四倍。这些规律表明，科学家对 Claude 的使用与 AI 能力评分高度同步。Claude Code 的梯度更陡，反映出它专注于计算类工作，而这类工作的能力评分更高。

理论上的 AI 能力会因任务不同而存在差异，原因有很多。为了理解这些差异，我们把每个任务的 AI 能力评分与三组由大语言模型推导出的任务特征联系起来：任务是否适合强化学习（RL）；工作主要是认知型、人际型还是体力型；以及是否存在限制 AI 使用的监管规定（图 9；定义和数据来源见附录）。

先看 RL 适用性。在强化学习中，AI 模型会反复尝试一项任务，成功时获得奖励，从而学会如何完成该任务。当成功易于验证、可以在计算环境中模拟大量示例、并且反馈能够快速给出时，任务就特别适合 RL（Lambert et al. 2024；Guo et al. 2025）。我们使用 SciNet 中针对这三个 RL 相关组件的任务级指标，并将它们汇总为一个指数。任务的能力评分与其 RL 指数评分高度相关（相关系数为 0.78），而后者是单独分类的。这表明，AI 在最容易应用 RL 的研究任务上能力最强。

其他重要的任务特征涉及工作的性质。有些研究任务本质上是认知型的，另一些则需要体力动作或人际接触。体力型任务通常超出了纯认知机器的能力范围。此外，监管限制也可能限制 AI 的使用。以认知型工作为特征的任务，AI 能力评分更高（相关系数为 0.69）。相比之下，涉及更多体力工作的研究任务，AI 能力评分更低（−0.57）。包含人际工作的研究活动（−0.31）或涉及 AI 使用监管限制的研究活动（−0.38），评分也往往更低。

同样的任务特征还能预测研究人员在给定任务上使用 Claude 的程度（图 10）。在 RL 适用性最低的五分之一任务中，Claude 几乎不被使用。而在最高的五分之一任务中，相对于研究人员投入的时间，Claude 的使用量高得不成比例：Claude 为两倍，Claude Code 为四倍。这与 Claude 使用量和整体 AI 能力评分之间的关联相似——在整体评分最高的 20% 任务中，使用量同样达到预期水平的两到四倍。

在以认知为主的任务中，Claude 的使用量同样高得不成比例。相比之下，体力型和人际型任务中 Claude 的使用量较低。在监管障碍限制 AI 辅助的任务中，Claude 的使用量也较低。总体而言，在高度专业化的各类研究任务中，使用量与能力指标之间存在很强的关联。

不同科学领域依赖的研究活动组合各不相同。对于细分研究任务，使用量与能力评分之间的相关性，是否有助于解释为什么有些领域比其他领域更多地使用 Claude？我们的数据表明确实如此：一个子领域每位研究者的 Claude 使用量，往往随其各项任务的平均 AI 能力评分上升而增加（Claude 的相关系数为 0.45，Claude Code 为 0.57），如图 11 所示。

各领域之间也存在显著差异，这说明 Claude 的使用还受到 AI 能力之外的因素影响。健康科学领域的研究者使用 Claude 相对较少，与其任务对应的 AI 能力评分相比偏低，原因可能是医疗数据和研究受到监管，限制了 AI 的使用，或使其更难整合。形式科学、社会科学以及艺术与人文学科的研究者使用 Claude 的程度则高于 AI 能力评分的预测。这些领域的许多工作通过文本和代码完成，这很可能有利于采用 AI 工具。物理科学和生命科学领域的 Claude 使用情况总体上与 AI 能力评分更为吻合，不过个别子领域可能有所偏离。

理论 AI 能力还能预测研究者允许 Claude 自主工作的程度。图 12 显示，自主使用情况与子领域的理论 AI 能力相关。换言之，理论 AI 能力更高的子领域不仅更多地使用 AI，而且使用方式也更自主。

AI 驱动的研究加速情景

科学技术进步的速度取决于好的想法以及实现这些想法的手段。从历史上看，两者都受限于人的能力。研究者数量有限，每个人用于提出假设、设计合适的实验、运行分析并综合研究结果的时间也有限。

AI 可以通过两种方式缓解这些限制。第一，它可以承担研究者目前所做的工作，让他们能够探索更多想法。第二，它可以贡献研究者原本可能想不到的想法。第二种方式最终可能最为重要，但更难衡量，因此我们的分析聚焦于第一种。

方法

我们考察了 AI 推动科学加速的三种情景。情景 1 假设当前 AI 能力得到广泛采用，这一假设基于我们的调查和 AI 能力评分估算得出。情景 2 和情景 3 是假设的未来情形：AI 将 75% 或 100% 的非物理研究步骤完全自动化——这些步骤是 SciNet 中构成每项研究任务的各个具体动作——并从 AI 能力评分最高的步骤开始。在三种情景中，研究者都继续执行物理步骤。这些情景仅作示例，并非预测。它们展示了物理工作、理论 AI 能力和 AI 成本可能如何影响科学研究的加速，以及哪些领域可能加速最快。

针对每个场景，我们报告两项指标。第一项是AI 占比：在一项研究中，AI 可以承担的研究人员时间比例。考虑到研究人员目前的时间分配方式，它衡量的是 AI 能释放出多少人类研究时间，这一指标直接来自我们上面的分析。研究人员可以把释放出来的时间转投其他工作，从而提高研究产出。第二项指标是加速倍数，用来估算这种增益：在固定研究预算下，研究产出相对于没有 AI 时的增长幅度。它告诉我们，同样的预算能多产出多少研究成果。释放出的时间并不会一比一地转化为更多产出，一方面是因为研究人员会把精力转向 AI 帮助较小的任务，另一方面是因为 AI 本身也有成本。

场景 1 的 AI 占比来自我们的调查，调查记录了五个 AI 使用层级：无、辅助、共享、委托和自主。我们假设这些层级对应 AI 承担研究人员在某个任务步骤上 0%、25%、50%、75% 和 100% 的时间。在每个任务类别内，我们按 AI 能力得分对任务步骤排序，然后按照调查中报告的相同比例，为每个任务步骤分配 AI 使用层级，得分最高的步骤分配最高层级。以构思和假设生成环节为例，17% 的回复报告未使用 AI，53% 报告辅助使用。因此，AI 能力得分最低的 17% 构思任务步骤被分配零 AI 占比，接下来的 53% 被分配 25%，依此类推。由于受访者很可能是 AI 的重度使用者，我们把他们报告的使用情况视为 AI 当前能力的代理指标。最后，我们把 AI 释放的研究人员时间从任务步骤汇总到领域层面（见附录）。

为了计算加速倍数，我们使用创意生产函数，这是描述研究投入（如研究人员时间）如何转化为研究产出的标准经济模型。在该模型中，一篇论文需要完成许多研究任务（Jones 2026）。这些任务互为补充，某一环节强并不能完全弥补另一环节弱。随着 AI 让某些任务成本降低，研究人员会把精力转向 AI 帮助较小的任务，从而缓解限制整体收益的瓶颈。例如，研究人员可以花更多时间提出新问题，或开展更多物理实验来扩充实证证据。我们依据 Ahmadpoor 和 Jones（2019）校准这些瓶颈对整体收益的限制程度。关于 AI 成本，我们假设 AI 智能体每小时成本为 30 美元，研究人员每小时成本为 95 美元，并且 AI 每节省一小时研究人员时间，需要运行 0.2 小时。这些是示例性假设：AI 成本采用当前公开标价。正如我们在下文讨论的，这些成本越低，给定预算内能完成的研究就越多，加速倍数也越大。附录描述了模型和假设。

场景 1：当前能力

以现有能力，如果AI得到广泛采用，它可以承担完成一项新研究所需研究者时间的27%–52%，各学科中位数为38%（图13左图）。这些比例意味着研究加速幅度从艺术学科的1.35倍、人类学的1.36倍、化学的1.41倍，到计算机科学的1.96倍和统计学的2.02倍不等（图13右图）。加速幅度之所以有限，是因为如今的AI工作大多是辅助性或分担性的，而非自主完成，研究者仍然要在几乎每个环节上投入大量时间。即便是AI就绪度最高的领域——其工作几乎完全是认知性的——加速幅度也只有约2倍。这些估算的前提是AI广泛普及，且研究者将其应用于当前所有有用的环节。

学科间的差异主要由两个因素解释。第一个是体力工作，没有物理层面的集成，AI无法承担这类工作。在农业科学、生物医学科学、化学和材料科学等实验室与野外科学中，38%–41%的研究者时间花在体力环节上，而各学科中位数仅为4%。仅体力工作占比这一项，就能解释AI占比差异的约三分之一。第二个因素是认知工作中AI能力评分的分布。艺术和歷史花在体力环节上的时间很少（分别为10%和4%），但其认知环节的AI能力评分较低，或许是因为定性和解释性工作不太适合强化学习。相比之下，计算机科学和统计学的评分高、AI占比大，这主要得益于数据分析——这是各学科中AI能力评分最高的一类工作。

在Claude上使用比例更高的学科，其AI占比往往也更大（图14）。AI占比的计算完全没有使用Claude的使用数据，因此这一关系进一步证明，AI的实际使用情况与理论上的AI能力是吻合的。

情景2和情景3：更高程度的自动化

这两个更具推测性的情景高度依赖对AI覆盖范围和成本的假设。在它们之中，更高程度的自动化会大幅提升AI占比和加速幅度，并拉大学科之间的差距。

在情景2中，75%的非体力环节可由AI完成，加速幅度在计算机科学达到约8倍，统计学和图书馆与信息科学约7倍，经济学约6倍。大多数其他社会科学、数学、物理学和天文学达到4–5倍，而实验室科学和医学科学约为2–3倍。实验室科学以及艺术与人文学科获益最少，但原因各不相同。在实验室科学中，大量工作是体力性的，仍须由研究者完成。在艺术与人文学科中，工作大多是认知性的，但AI能力评分较低，因此被自动化的环节很少。在计算机科学中，自动化环节占非体力研究者时间的82%，而在艺术学科中仅占28%。历史学、人类学和艺术的加速幅度约为2倍或更低。

在情景3中，艺术与人文学科走在前列，而实验科学则依然受到制约。一旦AI将所有非物理步骤自动化，较低的AI能力评分便不再限制认知工作，AI可以在许多领域承担几乎全部研究工作（图13左侧面板）。在这一推测性情景中，物理任务较少的领域——包括统计学、计算机科学、经济学、数学、心理学以及大部分社会科学和艺术与人文学科——达到约15–16倍。而实验室或实地工作较多的领域，如生物学、化学、材料科学、农业科学和生物医学科学，仅达到3–4倍。在缺乏自动化实验室的情况下，这些领域约占总研究时间40%的物理步骤仍然是瓶颈。

这些情景带来两点启示。第一，物理瓶颈依然强大。AI在没有物理集成的情况下无法执行的步骤，会占据研究者的时间和预算，从而限制加速幅度。第二，在不存在此类瓶颈的地方，非凡的进展速度成为可能，而AI的成本则成为限制因素。在我们的假设下，一项由AI完全自动化的任务，其成本仍约为研究者亲自执行成本的十六分之一，因此加速幅度接近约16倍并止步于此。更低的AI成本会按比例提高这一上限，例如，将AI成本减半，进展速度就会翻倍。如果成本大幅下降，包括AI日后自动化的更难任务，那么没有物理瓶颈的领域可能会加速到远超这些估计的水平。

这些计算存在重要局限，且影响是双向的。我们没有考虑研究团队层面之外的领域层面约束。例如，大型强子对撞机等设施只能运行有限数量的实验。我们也只计算了研究者和AI的时间成本，没有计算机器或实验投入的成本，而这些在健康、物理和生命科学中可能相当可观。我们也没有考虑用模拟替代物理实验，而这可能缓解某些领域的瓶颈。最后，我们没有考虑想法的质量。如果AI能识别出成功率更高的更好假设，研究可能会进一步加速；如果研究品味仍然为人类独有，加速则会较慢。

研究者的预期

上述情景描述了一系列可能性。研究者自身的预期可以基于专业知识提供独特的指引。为了收集他们的观点，我们对生命与健康科学领域研究者的调查询问了他们预计AI独立工作时，何时能在不同类别的科研工作上匹敌其领域内最优秀的研究者（图15）。受访者的近期预期很高：超过一半预计AI到2027年在数据分析上能匹敌顶尖研究者，38%表示AI已经达到这一水平。到2030年，94%预计AI将在数据分析上匹敌最优秀的研究者，89%在写作上，72%在构思和数据收集上。对构思和数据收集的预期较低，这与目前Claude在这些任务上的使用较少相一致。

对于无需人类介入的端到端 AI 研究，人们的预期更为保守，但研究者仍预计会有显著进展。约 40% 的受访者认为到 2030 年 AI 能独立完成完整的研究项目，约 64% 认为到 2035 年可以实现，不过有 16% 的人认为这永远不会发生。对于 AI 自主产出科学突破，预期则更为谨慎：约半数研究者认为这要到 2035 年之后才可能实现，甚至永远无法实现。总体来看，许多研究者预计未来十年自动化水平会很高，这与我们更激进的自动化情景大体一致。这些预期能以多快的速度、在多大程度上成为现实，不仅取决于 AI 作为软件技术的进步，也取决于能否建成克服物理障碍的自动化实验室。

将以往的调查证据与实际结果对比可以发现，AI 的进展常常被大幅低估（Rosenberg et al. 2026）。例如，2022 年年中的一项调查显示，对于 AI 在国际数学奥林匹克竞赛中达到金牌水平，领域专家给出的中位估计是 2030 年，超级预测者给出的则是 2035 年（Karger et al. 2023）。而 AI 在 2025 年就实现了这一里程碑，比这些预测提前了五到十年。尽管预测者系统性地低估了 AI 能力的进展，但也有少数例外，主要集中在需要在物理世界中执行的领域，比如生物学中 AI 辅助的实验室任务。

讨论

如果 AI 能帮助加快科学发现，就可能有助于提高生活水平、加快疾病治疗的进展。我们的估算表明，潜在收益相当可观。但 AI 研究能力的提升并不会自动转化为快速进展；能否实现这种加速，还取决于我们如何应对若干制约因素。

首先，采用速度可能大幅滞后于能力。新技术的扩散通常很慢（Comin and Hobijn 2010），而生产率的提升往往要等到组织围绕新技术完成重组之后才会显现（David 1990; Brynjolfsson, Rock, and Syverson 2021）。个体的学习过程、组织或系统层面的摩擦，以及 AI 获取或基础设施方面的限制，都可能拖慢采用速度。

其次，研究可能仍会面临 AI 无法消除的瓶颈。物理实验成本高、速度慢，即便 AI 能力极强，也可能大幅限制进展。在上文的情景中，我们在实验台科学领域尤其能看到这一点。选择研究什么可能是另一个瓶颈。研究问题在很大程度上决定了一个研究项目的价值，而 AI 能否提出好问题仍不清楚。如果构思环节是瓶颈，那么即便回答某个特定问题变得便宜得多，加速也会受到限制。反过来，如果 AI 在提出高质量假设方面超越人类，加速可能更为显著，尤其是在检验假设成本高昂的领域。

第三，AI 赋能的研究可能提升研究产出的数量或质量，而这两者对科学的影响并不相同。新论文激增可以加速一个领域的发展，但也可能超出科学家吸收或验证成果的能力。另一方面，从显微镜、望远镜到统计软件，新技术在历史上一直提升了科学洞见的质量，AI 同样可以让更全面的分析和更宏大的项目变得可行。而随着论文生产变得更容易，研究界可能越来越奖励那些特别新颖或高质量的工作。更高效的研究究竟带来更多数量还是更高质量，取决于研究者的选择，以及期刊、资助方和机构设定的激励。

第四，研究的组织方式可能以难以预料的方式发生变化。随着 AI 能力更强、自主性更高，AI 系统可能主导验证、审稿和重要成果的传播，从而缓解上述的吸收问题。更远的未来，AI 研究智能体还可能借助机器人和自动化实验室，组成自己的大型社群，独立于人类推进科学前沿。这种自主的 AI 研究将带来一系列问题：人类如何跟踪新知识、能否理解这些知识，以及知识是如何产生的。

第五，更自主的 AI 系统可能加大一项挑战：确保 AI 驱动的研究始终与人类目标保持一致。随着 AI 智能体变得更强、更有创造力，让人类参与关键的研究决策——比如研究哪些问题、如何研究——可能对安全和人类福祉至关重要。科学发现本身，或研究的副产品，也可能带来风险，尤其是在生物学领域：加速医学进步的能力，同样可能产生危险的知识或材料。在这种情况下，可能有必要在研究过程中设置刻意的检查点，这意味着我们要接受更慢的进展以降低风险。

最后，研究者所从事的工作可能发生显著变化。一个影响可能是研究者工作满意度的变化。如果 AI 接管了令人愉快或有成就感的工作，满意度可能下降，选择科研职业的人也会减少。如果 AI 接管的是研究者觉得枯燥的工作，满意度则可能上升。行政事务就是一个潜在目标。在美国，联邦资助项目的主要研究者报告称，约 44% 的研究时间花在满足行政要求而非做研究上（Schneider et al. 2020），减轻这一负担可能带来巨大好处，既节省时间，又提升整体满意度。归根结底，净效应并不确定，并且可能随 AI 能力的演进而变化。一种乐观的看法是，AI 将拓展发现的机会，而这正是科研职业令人满足的核心所在。如果科学是一场驶向“无尽前沿”的航行，AI 或许是一艘新船，让研究者能在广阔的研究问题与发现之海中走得更远。

附录

可在此处获取。

参考文献

Ahmadpoor, Mohammad and Benjamin F. Jones, “Decoding Team and Individual Impact in Science and Invention,” Proceedings of the National Academy of Sciences, 2019, 116 (28), 13885–13890.

Alamos, Cristian 与 Lukas Althoff，《SciNet：科学的解剖》，数据集，2026年。https://www.anatomyofscience.com/

Amodei, Dario，《慈爱机器：AI 如何让世界变得更美好》，文章，2024年10月。https://darioamodei.com/essay/machines-of-loving-grace

Anthropic，《进一步了解 Claude 的数学能力》，研究文章，2026a年8月10日。https://www.anthropic.com/research/riemann-zeta

Anthropic，《形式化费马大定理》，研究文章，2026b年9月4日。https://www.anthropic.com/research/formalizing-fermats-last-theorem

Appel, Ruth 等，《Anthropic 经济指数报告：经济基元》，研究文章，2026年1月15日。https://www.anthropic.com/research/anthropic-economic-index-january-2026-report

Brynjolfsson, Erik、Daniel Rock 与 Chad Syverson，《生产率 J 曲线：无形资产如何补充通用目的技术》，《美国经济杂志：宏观经济学》，2021年，13 (1)，333–372。

Bush, Vannevar，《科学：无尽的前沿——致总统的报告》，华盛顿特区：美国政府印刷局，1945年。

Codreanu, Mihai 等，《AI 在科学中的应用：早期洞察》，arXiv 预印本 arXiv:2609.28504，2026年。https://arxiv.org/abs/2609.28504

Comin, Diego 与 Bart Hobijn，《技术扩散初探》，《美国经济评论》，2010年，100 (5)，2031–2059。

David, Paul A.，《发电机与计算机：现代生产率悖论的历史视角》，《美国经济评论》，1990年，80 (2)，355–361。

Eloundou, Tyna 等，《GPT 就是 GPT：大语言模型的劳动力市场影响潜力》，《科学》，2024年，384 (6702)，1306–1308。

Guo, Daya 等，《DeepSeek-R1 通过强化学习激励大语言模型的推理能力》，《自然》，2025年，645 (8081)，633–638。

Hao, Qianyue 等，《人工智能工具扩大了科学家的影响力，却收窄了科学的关注范围》，《自然》，2026年，649 (8099)，1237–1243。

Jones, Benjamin F.，《人工智能在研发中的应用》，载 Ajay Agrawal、Erik Brynjolfsson 与 Anton Korinek 编，《变革性 AI 的经济学》，芝加哥：芝加哥大学出版社，2026年，37–61。

Jumper, John 等，《用 AlphaFold 实现高精度蛋白质结构预测》，《自然》，2021年，596 (7873)，583–589。

Karger, Ezra 等，《预测生存性风险：来自长期预测锦标赛的证据》，预测研究所工作论文 1，2023年。https://forecastingresearch.org/research/existential-risk-persuasion-tournament

Kobak, Dmitry 等，《通过超额词汇探究生物医学出版物中 LLM 辅助写作》，《科学进展》，2025年，11 (27)，eadt3813。

Lambert, Nathan 等，《Tülu 3：推动开放语言模型后训练的前沿》，arXiv 预印本 arXiv:2411.15124，2024年。https://arxiv.org/abs/2411.15124

Liang, Weixin 等，《量化科学论文中的大语言模型使用情况》，《自然-人类行为》，2025年，9 (12)，2599–2609。

Liu, Yinhong 等，《与人类判断对齐：成对偏好在大型语言模型评估器中的作用》，载《第一届语言建模会议（COLM）论文集》，2024年。

Mantiuk, Rafał K., Anna Tomaszewska, and Radosław Mantiuk, “Comparison of Four Subjective Methods for Image Quality Assessment,” Computer Graphics Forum, 2012, 31 (8), 2478–2491.

Massenkoff, Maxim et al., “Anthropic Economic Index Report: Cadences,” research post, June 26, 2026. https://www.anthropic.com/research/economic-index-june-2026-report

Merchant, Amil et al., “Scaling Deep Learning for Materials Discovery,” Nature, 2023, 624 (7990), 80–85.

OpenAI, “An OpenAI Model Has Disproved a Central Conjecture in Discrete Geometry,” research post, May 20, 2026a. https://openai.com/index/model-disproves-discrete-geometry-conjecture/

OpenAI, “On the Navier–Stokes Millennium Prize Problem,” research post, September 8, 2026b. https://openai.com/index/navier-stokes-solution/

Parshall, Daniel and Andrea Lopez-Luzuriaga, “Measuring AI’s Economic Reach: A Multi-Dimensional Task Taxonomy,” George Washington University Center for Economic Research Working Paper 2026-005, 2026. https://www2.gwu.edu/~forcpgm/2026-005.pdf

Robinson-Garcia, Nicolas et al., “Meta-Research: Task Specialization Across Research Careers,” eLife, 2020, 9, e60586.

Rosenberg, Josh et al., “How Accurate Have AI Progress Forecasts Been So Far?” research post, Forecasting Research Institute, September 22, 2026. https://forecastingresearch.org/research/ai-progress-accuracy-update

Schneider, Sandra L. et al., “2018 FDP Faculty Workload Survey: Report of Primary Findings,” Federal Demonstration Partnership, 2020. https://thefdp.org/wp-content/uploads/FDP-FWS-2018-Primary-Report.pdf

Shah, Nihar B. et al., “When Is It Better to Compare than to Score?” arXiv preprint arXiv:1406.6618, 2014. https://arxiv.org/abs/1406.6618

Tomei, Philip Moreira and Bouke Klein Teeselink, “What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning,” arXiv preprint arXiv:2605.02598, 2026. https://arxiv.org/abs/2605.02598

Tsoukalas, George et al., “Advancing Mathematics Research with AI-Driven Formal Proof Search,” Science, 2026, 394 (6820), 234–239.

Varadi, Mihaly et al., “AlphaFold Protein Structure Database in 2024: Providing Structure Coverage for over 214 Million Protein Sequences,” Nucleic Acids Research, 2024, 52 (D1), D368–D375.

Wang, Hanchen et al., “Scientific Discovery in the Age of Artificial Intelligence,” Nature, 2023, 620 (7972), 47–60.