Anthropic 统计 20.7 万次科研会话:数据分析和写作占大头,构思与数据采集反而偏少
核心概要
Anthropic 用隐私保护方法分析了 2026 年 8 月至 9 月间 207,049 次 Claude 与 Claude Code 科研会话,按 SciNet 分类体系标注学科与任务。数据分析占 Claude 会话的 33.7%、Claude Code 会话的 48.1%,而研究人员自报最重要的构思与假设生成只占 4.2% 和 2.1%。团队另建“理论 AI 能力”评分,发现能力最高的前 20% 任务获得的 Claude 使用量是按其占用科研时间预期的两到四倍。
深度剖析
科研人员使用 Claude 的分布并不跟随各学科的研究人员规模,而是偏向计算密集、以文本和代码为主的领域。 按会话份额,Claude 上最大的三个领域是计算机科学 11.9%、工程 8.4%、医学 7.7%;但相对各领域全球研究人员数量,形式科学使用更多,化学等实验室物理科学和医学使用更少。 会话份额与研究人员份额的对数—对数相关系数为 0.79(Claude)和 0.62(Claude Code);计算机科学只占全球研究人员 4.3%,却占 Claude Code 会话的 32.7%。
按任务看,Claude 被大量用于数据分析和写作,而研究人员自己认为最重要的构思与数据采集使用偏少。 SciNet 估计研究人员把 27.6% 的时间用于数据分析、16.0% 用于写作与交流、28.6% 用于数据采集、7.1% 用于构思与假设生成。 数据分析占 Claude 会话 33.7%、Claude Code 会话 48.1%;写作与交流占 Claude 会话 32.0%;数据采集只占 11.5% 和 11.9%;构思与假设生成占 4.2% 和 2.1%。
启示与展望
分析对象是消费版 Claude、Claude Code 的 207,049 次会话以及补充的 Claude Science 会话,配套调查覆盖 528 名主要来自美国和加拿大生命与健康科学、且主动申请 AI 科研额度的研究人员。加速情景是说明性推演而非预测,假设 AI 智能体每小时成本 30 美元、研究人员每小时 95 美元,且每节省一小时研究人员时间需运行 0.2 小时 AI。
作者说明加速计算未考虑大型设施层面的实验容量限制、机器与实验投入成本、用模拟替代物理实验,也未考虑想法质量;若 AI 提出更可能成功的假设,加速会更大,若研究品味仍专属于人,加速会更慢。调查样本是重度 AI 用户,作者将其自报使用视为当前 AI 能力的代理。构思使用可能被低估,因为它常嵌入其他任务、难以分类。
