Anthropic基于2026年8月至9月期间的20.7万次真实科研对话及528位一线科学家的调研数据，揭示了AI在科研领域的应用现状与未来潜力。研究显示，AI有望使计算机和数学领域的科研产出提升15倍，而物理、生物等依赖实体实验的学科提速幅度则限制在3至4倍。
学科渗透差异：形式科学领跑，实验学科滞后
AI在不同学科的渗透率呈现显著差异。计算机科学、数学和统计学等形式科学是Claude使用最密集的领域。尽管计算机科学家仅占全球科研人员的4.3%，却消耗了Claude Code 32.7%的会话量；在普通Claude对话中，其占比也高达11.9%。
其中，人工智能与机器学习领域表现尤为突出，研究人员占比仅1.2%，却占据了普通Claude对话的5.0%和Claude Code对话的15.2%。计算生物学、生物信息学等交叉学科的使用率同样远超预期。
相比之下，临床医学、化学和材料学等需要大量实体操作的学科，AI使用率明显偏低。医生和实验人员受限于面对病人或实验室操作的时间，AI目前难以介入这些物理环节。
应用场景分析：数据分析为主，核心构思参与不足
从具体任务来看，科学家主要利用AI进行数据分析和论文撰写。
- 数据分析：在普通Claude对话中占比33.7%，在侧重编程的Claude Code中飙升至48.1%，高居首位。
- 论文撰写：占普通Claude使用量的32.0%，位居第二。
- 核心环节缺失：决定研究成果重要性的“选题构思”和“数据收集”，AI参与度极低。选题仅占4.2%（Claude Code为2.1%），数据收集约占11.5%-11.9%。
调研显示，科学家在这些核心环节更倾向于依靠自身智慧，或认为当前通用AI能力尚不足以胜任，尤其是涉及临床或生化数据的实体收集壁垒较高。
专用工具突破：Claude Science提升深度科研能力
针对特定领域的专用工具正在改变这一局面。接入多个生物医学专业数据库的Claude Science，将原本割裂的查询工作流串联起来，显著提升了在硬核任务上的表现：
- 任务深度增加：提出蛋白质与小分子相互作用机制模型的频率是普通Claude的5.6倍；构思假说类任务占比翻倍至8%，追平科学家日常投入比例。
- 复杂度与自动化：单次任务平均需人类耗费10.3小时，超过80%的内容需博士级专业知识，且70%以上的任务由AI高度自主执行。
在产出类型上，人文学科主要生成文本，自然科学与形式科学主要生成代码和数据。生物学是唯一一个技术产物输出量全面超过文本产物的领域。
能力分布逻辑：强化学习适用度决定上限
AI在科研环节的应用温差，核心在于其理论能力分布不均。研究团队通过Elo积分模型评估发现：
- 高能力区：易于验证对错、可快速模拟反馈的任务（如数据可视化、统计检验），相关系数达0.78，调用量为正常耗时的2-4倍。
- 低能力区：涉及实体物理操作、人际接触或严格监管的任务（如柱层析纯化、实地观察），使用率几乎为零。
简言之，AI擅长什么，科学家就用它做什么。学科平均任务能力得分越高，科学家对AI的放权程度也越高。
未来加速预测：算力成本与物理瓶颈的双重制约
基于科研生产函数模型，研究推演了三种加速情境：
情境一：现有AI能力全面采纳
AI接管27%-52%的工作时间。计算机和统计学产出翻倍（提速约2倍），化学、人类学等领域提速最少（1.35-1.41倍）。
情境二：AI包揽75非物理步骤
计算机产出达8倍，统计学7倍。生物、化学、医学等受实体操作限制，整体提速停留在2-3倍。
情境三：AI包揽100%非物理步骤
纯脑力学科（统计、计算机、数学等）产出暴增15-16倍。实验学科因物理实验占据约40%的人力预算，产出倍数仍卡在3-4倍。
在无实体限制的学科中，科研速度上限将取决于AI算力开销。若算力成本减半，纯认知学科产出速度还可再翻一番。
科学家预期与挑战
528位受访科学家对短期工具进化充满信心：
- 2027年：超半数认为AI在数据分析上可匹敌人类顶级学者。
- 2030年：94%预计AI能胜任数据分析，89%看好学术写作，72%认为能承担选题与数据收集。40%的人认为届时可实现全流程无人值守科研。
- 重大突破：半数受访者认为AI独立做出公认的重大突破需等到2035年之后。
然而，技术落地仍面临现实阻碍：新工具普及缓慢、自动化实验室成本高昂、核心假说依然稀缺。若AI仅导致论文数量激增而无实质洞察，可能引发学术界的“消化不良”。此外，行政琐事占据了首席科学家44%的时间，若能由AI化解，人类学者方能回归科学探索本质。
来源：https://www.anthropic.com/research/how-researchers-use-claude