Anthropic 研究：科学家如何使用 Claude 开展科研

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

*报告主要作者

摘要

• 我们测量什么。AI 可能加速科学发现，但加速多少取决于 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 研究会话，以了解 Claude 如何跨科学领域和研究任务被使用。我们开展这项研究，是为了帮助公众更好地了解当今科学领域 AI 的现状，并评估 AI 未来可能对科学发现产生的影响。
• 科学家在哪里使用 Claude。相对于各领域的研究人员数量，Claude 在形式科学（如计算机科学、数学和统计学）中使用较多，在健康和基于实验室的物理科学中使用较少。科学家主要使用 Claude 分析数据和写作。仅数据分析一项就约占 Claude 会话的三分之一，以及 Claude Code 会话的近一半。科学家较少将其用于想法生成和数据收集，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。也就是说，专为科学工作设计的专用 AI 工具可能会缩小科学家使用 AI 的研究任务与他们认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份额约为 Claude 上的两倍。
• Claude 使用情况如何反映 AI 能力。我们创建了一个衡量指标，用于评估 AI 在理论上执行每项研究任务的能力。AI 最适合的任务（在该指标上排名前 20%）获得的 Claude 使用量是研究人员在这些任务上投入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相同的模式：AI 能够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。我们使用一个简单模型，探索了 AI 可能将研究加速多少的几种情景。如果现有 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 能够执行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室科学的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 模型将能够自行开展完整的研究项目。

引言

科学被描述为“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能。人工智能可以通过增强研究者的能力来缓解这一限制，从而改变发现的过程和探索的步伐（Wang et al. 2023; Amodei 2024）。很少有 AI 应用能比这更关乎人类福祉。鉴于研究相对于大多数经济部门具有高度认知性质，AI 在这一领域的影响可能尤其巨大且来得更早。

近期实例显示，AI 在科学发现中发挥着日益重要的作用。在结构生物学领域，AlphaFold 预测了超过 2 亿种蛋白质的三维形状（Jumper et al. 2021; Varadi et al. 2024），其创造者分享了 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，研究人员已使用 AI 系统帮助解决数十年前的 Erdős 问题、为一个千禧年大奖难题问题生成潜在证明，并在其他重大问题上取得进展，从开放猜想到验证里程碑式证明（Anthropic 2026a, 2026b; OpenAI 2026a, 2026b; Tsoukalas et al. 2026）。

除这些进展之外，大多数科学进步涉及许多专业化、相互关联的研究任务，这些任务在不同领域之间可能差异很大。AI 能在多大程度上加速科学发现，不仅取决于 AI 的能力，还取决于它在这些任务中的采用方式。在本报告中，我们使用隐私保护基础设施来研究 Claude、Claude Code 和 Claude Science 的科学用途。我们记录了使用情况在不同领域和任务之间的差异，识别了这些使用模式背后的原因，并概述了 AI 如何加速研究的各种情景。

Claude 在科学中的使用因领域而异。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，而健康和基于实验室的物理科学使用较少。在研究任务中，科学家更多使用 Claude 进行数据分析和写作，较少用于收集数据或生成想法和假设。这与一项伴随的科学家调查中自我报告的 AI 使用情况一致。

为了理解这些差异，我们开发了一种理论 AI 能力的衡量指标。在该指标上得分更高的任务和领域中，Claude 的使用率更高。这些任务和领域往往也更偏认知性质，更适合强化学习，即 AI 从反复尝试的反馈中学习。简而言之，科学家似乎在最有效的地方使用 AI。

基于这些发现，我们概述了 AI 如何加速科学进步的情景。以当前能力，某些领域的研究产出可能翻倍，主要来自任务层面的增强。我们调查中的研究人员预计未来会有更强大的能力。在一个 AI 完全自动化所有非物理工作的假设情景中，计算机科学或统计学等高度认知领域的研究产出可能增加多达 15 倍。由于加速潜力最大的领域包括生产 AI 本身的领域，这些收益可能形成额外的反馈循环，即更快的 AI 研究产生更强大的 AI，进而可能进一步加速研究。

虽然更快的科学发现可能为人类带来巨大益处，但 AI 驱动的研究也伴随着风险和不确定性。更少的人类监督可能导致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少回报，并改变与人类追求知识相关的使命感。

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，同时保护其工作细节。为此，我们使用隐私保护基础设施来分析消费者方案中 Claude 的科研使用情况。一个语言模型在此充当“分类器”，读取每个会话记录，并依据预定义分类体系（Alamos 和 Althoff 2026 的 SciNet 分类体系）用一组固定类别为其打标签，例如所属领域和涉及的研究任务。由此得到的标签（如“化学”或“数据清洗”）是研究团队为本报告保留和分析的这些对话中的唯一信息。本研究使用的任何分类器都不会提取和存储开放式信息或研究内容细节，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，且仅针对达到最低不同账户数量要求的单元格。本研究引入的所有分类器列于附录。

我们的测量包括两个步骤。第一个分类器判断会话记录是否涉及科研工作。第二个分类器随后将每个此类记录归入 SciNet 分类体系中的领域、子领域和任务。SciNet 包含 7,262 项任务，涵盖 34 个领域和 318 个子领域。分类体系中的某些任务（如起草稿件）对所有领域通用。其他任务则特定于个别领域或子领域。例如，在分类体系中，预测光学吸收和发射光谱这一任务特定于材料科学。这些任务共同覆盖了产生新研究发现的全过程。

我们的主要样本由 2026 年 8 月 2 日至 9 月 30 日期间消费者方案中的 207,049 个会话组成，这些会话被分配了科学领域和研究任务：其中 128,914 个来自 Chat 和 Cowork——两个用于对话和知识工作的通用界面，下文统称“Claude”；78,135 个来自 Claude Code——一个直接操作用户文件、编写并运行代码的智能体编程工具。我们还研究了 Claude Science 会话的补充样本。有关样本构建的详细信息，见附录。

结合使用数据和结构化的研究任务分类体系，使我们能够研究哪些领域采用 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做出了贡献（Kobak et al. 2025; Liang et al. 2025; Hao et al. 2026; Codreanu et al. 2026）。

Claude 的使用在不同科学领域之间有何差异

我们首先描述 Claude 的使用在不同科学领域之间有何差异。图 1 将某领域的会话占比与该领域全球研究人员占比进行比较，让我们了解各科学领域的相对使用情况。¹ 在 Claude 上，按会话占比计算最大的三个领域是计算机科学（11.9%）、工程学（8.4%）和医学（7.7%），它们也属于全球研究人员数量最多的领域之列。² 总体而言，研究人员占比较高的领域往往也占 Claude 会话的较大份额（双对数相关性为 0.79）。

然而，Claude 在各领域的使用情况不能仅用研究人员数量来解释。在图 1 中，位于 45 度线上方的领域相对于其规模显示出更高的使用量，而位于线下方的领域则显示出较低的使用量。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。社会科学的使用率也较高。相比之下，化学等物理科学领域的相对使用率往往较低，因为这些工作通常需要在实验室中进行。医学也是如此，按会话量计算它是第三大领域，研究人员大部分时间都在与患者打交道。

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性为 0.62），并且集中在定量程度更高的领域。尽管计算机科学仅占全球研究人员的 4.3%，却占 Claude Code 会话的 32.7%。³ 其他形式科学，如数学和统计学，也显示出较高的相对使用率。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，因为它是一个相对定量化的领域。

在比较这 34 个领域内的 318 个子领域时，我们观察到类似的模式（图 2）。⁴ 这种更细粒度的子领域视角揭示，人工智能与机器学习尤为突出，尽管仅占全球研究人员的 1.2%，其在 Claude 和 Claude Code 中的会话份额分别达到 5.0% 和 15.2%。更普遍地说，无论属于哪个广泛的科学领域，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。机器人学也显示出较高的相对使用率，这可能是因为尽管它专注于物理系统，但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

除了了解哪些领域使用 Claude 之外，我们还希望了解科学家用它来做什么。研究涉及许多不同的任务，从生成假设、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，我们将每个会话分配到 SciNet 中的 7,262 个任务之一。这些任务可以是所有领域通用的，例如起草稿件，也可以是特定于领域或子领域的，例如执行差异基因表达分析以比较肿瘤亚型，这与癌症生物学相关。该分类法区分了研究人员为产生新科学发现而执行的研究任务，以及非研究任务，例如教学、同行评审和为部门或领域提供的服务。⁵ 我们将分析限制在涵盖八个类别的研究任务上：（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。

对于每个任务类别，我们分别计算其在 Claude 和 Claude Code 会话中所占的比例。为了评估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，并使用记录研究人员每项任务所花时间的湿实验室研究方案以及数千篇学术论文中任务的频率进行了验证（见附录）。这提供了一个基准，用于评估 Claude 在不同任务类别中的使用比例是遵循还是偏离了研究人员的时间分配方式。

按任务类别的使用情况。数据分析任务在绝对数量上使用量最高，且相对于研究人员的时间投入而言占比过高。数据分析占 Claude 会话的 33.7%、Claude Code 会话的 48.1%，而研究人员时间占比为 27.6%。写作与沟通任务的使用量也很高，尤其是在 Claude 上（32.0%，而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%，但仅占 Claude 会话的 11.5% 和 Claude Code 会话的 11.9%。数据收集的占比偏低在存在物理障碍的任务中尤为明显，例如临床或生化数据的采集。可以依赖更多数字化流程的数据收集任务，例如检索档案文件或文本，其占比偏低程度较轻，而纯数字化的数据收集任务，例如收集在线数据，则可能占比过高。构思与假设生成任务的使用量也较低，占 Claude 会话的 4.2% 和 Claude Code 会话的 2.1%，而研究人员时间占比为 7.1%。

将观察到的使用情况与调查证据进行比较。除了对 Claude 和 Claude Code 会话的分析外，我们还对 528 名科学家进行了调查，他们自我报告的 AI 使用情况与我们在这些会话中观察到的模式一致。样本主要由生命与健康科学领域、积极采用 AI 的研究人员组成。⁷ 与图 3 所示的 Claude 使用模式一致，调查参与者自我报告的 AI 使用量在数据分析和写作与沟通方面最高，在构思与假设生成以及数据收集方面较低。参与者还报告在数据分析和写作与沟通方面更多是共享或委托使用 AI（图 4）。

调查还询问了哪些类别对产生重要研究成果最为关键。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，这些类别在自我报告的使用情况以及 Claude 会话中均占比偏低。占比偏低的原因可能各不相同。数据收集的很大一部分是物理性的，而构思则不是。对于构思，科学家可能更倾向于自己产生想法，或者他们可能认为 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中，难以分类。但 AI 在高层级构思方面也可能确实较弱，例如选择要研究哪个研究问题以及设计一项研究来回答它。

Claude Science 在生物学和生物医学领域的应用。虽然 Claude 和 Claude Code 是通用接口，但面向科学的专用 AI 工具正日益普及。为了研究此类工具是否支持更专业、要求更高的研究，我们使用隐私保护分析基础设施，将 Claude Science 上的生物学和生物医学工作与 Claude 和 Claude Code 上的同类工作进行比较。

Claude Science 将 Claude 与许多原本分散的研究工具和数据库连接起来，起到整合并加速科学工作流程的作用。科学家在研究中往往必须使用不同的平台来组合不同的工具和数据库，而每个平台都有独特的数据结构或查询语言。例如，研究现有药物能否作用于特定蛋白质的生物学家，通常必须分别查询关于该蛋白质功能、结构、已针对其测试过的化合物以及相关药物试验或论文的数据库。Claude Science 将这些整合到一个工作流程中。

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，合计占会话的 50% 以上。在这些领域内，我们评估了哪些任务相对于 Claude 执行的任务而言占比过高。

我们发现，研究人员使用 Claude Science 执行的任务比使用 Claude 时更为专业（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。该任务需要在单个分子接触的层面上解释一种蛋白质如何与另一种蛋白质或小分子（如药物）结合。Claude Science 非常适合这项任务，因为它可以从多个连接的数据库中收集蛋白质结构和结合数据，并将它们组合成一个可检验的相互作用模型。相比之下，Claude Science 相对较少用于起草稿件或与合作者协调等一般性任务。此外，我们发现构思和假设生成占 Claude Science 会话的 8%，与这些任务所占的研究人员时间份额大致相当，这表明面向科学的专用 AI 工具可以促进更复杂、更具创造性的工作。

聚焦生物医学科学和生物学，并使用我们在先前工作（Appel 等，2026）中引入的经济基元框架的度量指标，我们发现 Claude Science 上的任务比 Claude 和 Claude Code 上的任务更长、更复杂，且执行时自主性更高（图 6）。这与专用 AI 工具被用于要求更高的任务相一致。⁸ Claude Science 的会话所包含的工作，在没有 AI 的情况下完成所需的人工小时数几乎是 Claude 和 Claude Code 上工作的两倍。这些会话的内容也更为高级。据估计，Claude Science 的使用中超过 80% 需要博士级别的训练（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 自主性下执行的，远高于 Claude（23.7%），也略高于 Claude Code（64.1%）。

Claude 使用的产出。最后，使用 Claude 生成的产物在不同领域之间呈现出明显差异（图 7）。⁹ 文档、报告或学术论文等文字类产物在社会科学与人文学科中相对自然科学与形式科学更为常见。相反，代码、软件输出和数据等技术类产物在自然科学与形式科学中更为频繁。就产出的产物而言，健康科学总体上更接近社会科学。技术类产物在 Claude Code 上的出现频率约为 Claude 上的两倍，但各领域的总体模式相似（见附录）。

使用方式与能力的关系

AI 的使用是否与 AI 能力相对应？领域规模解释了 Claude 使用情况的部分差异，但并非全部。例如，计算机科学领域的研究人员使用 Claude 的程度远超该领域规模所预测的水平，而营养学领域的研究人员使用 Claude 的程度则远低于预期。同样，研究人员把自身时间花在哪里，并不能完全预测他们最常在哪里使用 Claude。一些宽泛的任务类别，如数据分析和写作，其使用占比远高于其研究时间占比；而另一些类别，如数据收集以及构思与假设生成，其使用占比则小得多。在此，我们检验这些使用差异是否反映了 AI 实际能够做到的事情。

为衡量特定任务上的 AI 能力，我们首先使用 LLM 分类器构建能力评分。对于每项任务，SciNet 提供了一份科学家完成该任务所需执行的各个步骤清单。例如，在化学领域，有一项任务涉及纯化反应混合物，而该任务的一个步骤涉及装填色谱柱。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。我们使用 Bradley–Terry 模型汇总这些比较结果——该模型正是基于两两对决结果对国际象棋选手进行排名的 Elo 评分背后的模型。一个步骤在比较中获胜时其分数上升，落败时则下降。随后我们对每项任务各步骤的分数取平均值，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。我们将某项任务的具体评分称为其AI 能力评分。

为比较不同任务之间的使用情况，我们考察相对于研究人员在该任务上投入的时间，Claude 的使用是偏高还是偏低。例如，一项任务占研究人员时间的 5%，却占 Claude 会话的 10%，则意味着其使用量是预期的两倍，比值为 2。比值为 1 表示 Claude 的使用与研究人员在该任务上投入的时间相符。比值低于 1 表示，相对于该任务所占用的研究人员时间，Claude 的使用低于预期。

图 8 显示，这一使用比例随任务的 AI 能力评分急剧上升。对于能力评分最低 20% 的任务，例如纯化反应混合物和进行参与式观察，Claude 几乎不被使用。在能力评分中位数处，该比例约为 1，即使用情况与研究人员投入的时间相当。对于能力评分最高 20% 的任务，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花费时间的两倍，Claude Code 则约为四倍。这些模式表明，科学家对 Claude 的使用与 AI 能力评分密切相关。Claude Code 的梯度更陡，反映出其侧重于计算类工作，而这类工作的能力评分更高。

理论上的 AI 能力会因多种原因而在不同任务间存在差异。为理解这些差异，我们将每项任务的 AI 能力评分与三组由 LLM 推导出的任务特征相关联：该任务对强化学习（RL）的适用性；该工作主要属于认知、人际还是体力性质；以及监管限制是否制约 AI 使用（图 9；定义和数据来源见附录）。

先看 RL 适用性。在 RL 中，AI 模型反复尝试一项任务，成功时获得奖励，从而使模型学会如何执行该任务。当成功易于验证、可在计算环境中模拟大量示例、且反馈能快速给出时，任务特别适合 RL（Lambert et al. 2024; Guo et al. 2025）。我们使用 SciNet 中针对这三个 RL 相关组件的任务特定度量，并将其汇总为一个指数。任务的能力评分与其 RL 指数评分高度相关，后者是单独分类的（相关系数为 0.78）。这表明，AI 在 RL 最容易应用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。一些研究任务本质上是认知性的，而另一些则需要体力动作或人际接触。体力任务通常超出纯认知机器的能力范围。此外还可能有制约 AI 使用的监管限制。以认知工作为特征的任务 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 能力评分较低（−0.57）。包含人际工作（−0.31）或涉及 AI 使用监管限制（−0.38）的研究活动，其评分也往往较低。

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）。对于 RL 适用性最低五分之一的任务，Claude 几乎不被使用。对于最高五分之一的任务，Claude 的使用量相对于研究人员投入的时间而言高得不成比例：Claude 为两倍，Claude Code 为四倍。这与 Claude 使用量与整体 AI 能力评分之间的关联相似，其中前 20% 的任务也吸引了预期使用量的两到四倍。

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，Claude 在体力和人际任务中的使用量较低。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，在高度专业化的研究任务谱系中，使用量与能力度量之间存在强关联。

不同科学领域依赖不同的研究活动组合。窄口径研究任务的使用量与能力评分之间的相关性，是否有助于解释为什么某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 使用量往往随其任务的平均 AI 能力评分上升（Claude 的相关性为 0.45，Claude Code 为 0.57），如图 11 所示。

各领域之间也存在显著差异，这表明 Claude 的使用受到 AI 能力之外因素的影响。与任务对应的 AI 能力评分相比，健康科学领域的研究者使用 Claude 相对较少，这可能是因为医疗数据和研究方面的监管限制了 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，这很可能促进了 AI 工具的采用。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，自主使用与该子领域的理论 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，而且以更自主的方式使用它。

AI 驱动的研究加速情景

科学技术进步的节奏取决于好的想法以及实现这些想法的手段。从历史上看，两者都受限于人类能力。研究者数量有限，每个人用于提出假设、设计合适的测试、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，使他们能够探索更多想法。第二，它可以贡献研究者原本可能无法发现的想法。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 是假设的未来情景，其中 AI 完全自动化 75% 或 100% 的非物理研究步骤——即构成 SciNet 中每项研究任务的各个单独动作——从 AI 能力评分最高的步骤开始。在所有三种情景中，研究者继续执行物理步骤。这些是说明性情景，而非预测。它们展示了物理工作、理论 AI 能力和 AI 成本如何塑造科学研究的加速，以及哪些领域可能加速最快。

对于每个情景，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。鉴于研究人员目前的时间分配方式，它衡量了 AI 可以释放出多少人类研究时间，并且直接来自我们上述的分析。研究人员可以将释放出的时间重新投入到其他工作中，从而提高研究产出。我们的第二项指标，加速，估算的就是这一增益：在固定研究预算下，研究产出相对于没有 AI 时的增加量。它告诉我们，同样的预算可以多产生多少研究成果。释放出的时间并不会一对一地转化为更多产出，这既因为研究人员会将精力转向 AI 帮助较小的任务，也因为 AI 本身有成本。

我们根据调查构建情景 1 的 AI 占比，调查记录了五个 AI 使用级别：无、辅助、共享、委托和自主。我们假设这些级别对应 AI 承担研究人员在给定任务步骤上 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进行排序。然后，我们按照调查中报告的相同比例，为每个任务步骤分配 AI 使用级别，得分最高的步骤获得最高级别。例如，在构思和假设生成方面，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 的重度采用者，我们将其报告的使用情况视为 AI 当前能力的代理指标。最后，我们将 AI 释放的研究人员时间从任务步骤汇总到领域（见附录）。

为了计算加速，我们使用思想生产函数，这是一种标准经济模型，描述研究投入（如研究人员时间）如何转化为研究产出。在该模型中，一篇论文需要许多研究任务（Jones 2026）。这些任务是互补的，因此某一方面的优势无法完全弥补另一方面的劣势。随着 AI 使某些任务成本降低，研究人员会将精力转向 AI 帮助较小的任务，从而缓解限制整体增益的瓶颈。例如，研究人员可以花更多时间提出新问题或进行更多物理实验以扩展经验证据。我们使用 Ahmadpoor 和 Jones（2019）来校准这些瓶颈对整体增益的限制程度。对于 AI 成本，我们假设一小时 AI 代理时间的成本为 30 美元，而一小时研究人员时间为 95 美元，并且 AI 每节省一小时研究人员时间需运行 0.2 小时。这些是说明性假设：AI 成本使用当今的公开标价。这些成本越小，在给定预算内可完成的研究就越多，加速也越大，如下文所述。附录描述了模型和假设。

情景 1：当前能力

在当前能力下，如果被广泛采用，AI 可以承担完成一项新研究所需研究者时间的 27–52%，各领域中位数为 38%（图 13 左图）。这些比例意味着研究加速幅度从艺术领域的 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（图 13 右图）。加速幅度仍然有限，因为当今的 AI 工作大多是辅助性或共享性的，而非自主完成，因此研究人员在几乎每个步骤上仍要花费大量时间。即使是最适合 AI 的领域——其工作几乎完全是认知性的——也只达到约 2 倍的加速。这些估计假设 AI 广泛扩散，且研究人员将其应用于当今所有有用的步骤。

有两个因素解释了各领域之间的大部分差异。第一个是体力工作，如果没有物理集成，AI 无法承担。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% 的研究者时间用于体力步骤，而中位领域仅为 4%。仅体力工作占比一项就解释了 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。艺术和歷史在体力步骤上花费的时间很少（分别为 10% 和 4%），但其认知步骤的 AI 能力评分较低，这可能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，这由数据分析驱动——这是各领域中 AI 能力评分最高的一类工作。

在 Claude 上使用比例更高的领域，其 AI 占比也往往更大（图 14）。AI 占比的计算未使用任何 Claude 使用数据，因此这一关系进一步证明 AI 使用情况与理论上的 AI 能力相符。

情景 2 和 3：更高程度的自动化

在这些更具推测性的情景中——它们高度依赖于对 AI 覆盖范围和成本的假设——更高程度的自动化会大幅提高 AI 占比和加速幅度，并扩大领域之间的差异。

在情景 2 中，75% 的非体力步骤可由 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、数学以及物理学和天文学达到 4–5 倍，而实验室科学和医学科学达到约 2–3 倍。实验室科学以及艺术与人文学科的收益最小，但原因不同。在实验室科学中，大部分工作是体力性的，仍必须由研究人员完成。在艺术与人文学科中，工作主要是认知性的，但 AI 能力评分较低，因此其步骤中很少被自动化。在计算机科学中，自动化步骤占非体力研究者时间的 82%，而在艺术领域仅占 28%。历史、人类学和艺术的加速幅度约为 2 倍或更低。

在情景3中，艺术与人文学科领先，而实验科学仍然滞后。一旦AI自动化所有非物理步骤，较低的AI能力分数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）。在这个推测性情景中，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。具有大量实验室或实地工作的领域，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。在没有自动化实验室的情况下，它们的物理步骤约占研究人员时间的40%，仍然是瓶颈。

从这些情景中可以得出两个教训。第一，物理瓶颈仍然强大。没有物理集成AI就无法执行的步骤将主导研究人员的时间和预算，从而限制加速。第二，在不存在此类瓶颈的地方，非凡的进步速度成为可能，而AI的成本成为限制。在我们的假设下，一个由AI完全自动化的任务成本仍约为研究人员执行该任务成本的十六分之一，因此加速接近约16倍并止步于此。更低的AI成本将按比例提高这一上限，例如，将AI成本减半将使进步速度翻倍。如果成本大幅下降，包括AI后来自动化的更难任务，那么没有物理瓶颈的领域可能会加速远超这些估计。

这些计算有重要的局限性，且影响是双向的。我们没有考虑领域层面而非研究团队层面的约束。例如，在大型强子对撞机等设施中只能运行有限数量的实验。我们也只计算研究人员和AI时间的成本，而不计算实验机械或投入的成本，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，这可以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。

研究人员的预期

上述情景描述了一系列可能性。研究人员自身的预期可以提供基于专业知识的独特指引。为了收集他们的观点，我们对生命与健康科学领域研究人员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研究工作中匹敌其领域内最优秀的研究人员（图15）。受访者的近期预期很高：超过一半预计AI到2027年在数据分析方面能匹敌顶尖研究人员，38%表示AI已经达到这一水平。到2030年，94%预计AI将在数据分析方面匹敌最优秀的研究人员，89%在写作方面，72%在构思和数据收集方面。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 研究的预期则更为保守，但研究人员仍预期会取得显著进展。约 40% 的受访者预计到 2030 年 AI 能够开展完整的研究项目，约 64% 预计到 2035 年实现，不过有 16% 表示这永远不会发生。对于 AI 自主产出科学突破的预期则更为谨慎，约半数研究人员认为这要到 2035 年之后才会发生，甚至永远不会发生。总体而言，许多研究人员预计未来十年将实现高度自动化，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，还取决于建设能够克服物理障碍的自动化实验室的努力。

将过去的调查证据与已实现的结果进行比较表明，AI 的进展常常被严重低估（Rosenberg et al. 2026）。例如，在 2022 年年中的一项调查中，对于 AI 在国际数学奥林匹克竞赛中达到金牌水平表现的中位数估计，领域专家为 2030 年，超级预测者为 2035 年（Karger et al. 2023）。AI 在 2025 年就实现了这一里程碑，比这些预测提前了约 5 到 10 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，主要出现在需要在物理世界中执行的领域，例如生物学中 AI 辅助的实验室任务。

讨论

如果 AI 有助于加速科学发现，它可能有助于提高生活水平并加快疾病治疗的进展。我们的估计表明潜在收益是巨大的。但 AI 研究能力的进步并不会自动转化为快速进展；实现这种加速还取决于我们如何应对若干制约因素。

首先，采用可能大幅滞后于能力。新技术的扩散通常很缓慢（Comin and Hobijn 2010），而生产率提升往往只有在组织围绕这些技术进行重组之后才会实现（David 1990; Brynjolfsson, Rock, and Syverson 2021）。个人学习过程、组织或系统层面的摩擦，以及对 AI 访问或基础设施的限制，都可能减缓采用速度。

其次，研究可能继续面临 AI 无法消除的瓶颈。物理实验可能成本高昂且进展缓慢，即使 AI 能力极强，也可能大幅限制进展。我们在上述情景中的实验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 生成好问题的能力仍不明确。如果构思是瓶颈，那么即使回答某个给定问题变得便宜得多，它也会限制加速。反过来，如果 AI 在提出高质量假设方面超越人类，加速可能会更为显著，尤其是在检验假设成本高昂的领域。

第三，AI赋能的研究可能提高研究产出的数量或质量，这对科学有着不同的影响。新论文激增可能加速某一领域的发展，但也会超出科学家吸收或验证结果的能力。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同样可以使更全面的分析和更宏大的项目变得可行。而随着论文变得更易产出，研究界可能日益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，将取决于研究者的选择以及期刊、资助方和机构所设定的激励。

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、更自主，AI系统可能主导验证、审稿和重要成果的传播，这将缓解上文讨论的吸收问题。更远的未来，AI研究智能体还可能在其自身的大型社群中、独立于人类，利用机器人技术和自动化实验室推动科学前沿。这种自主AI研究将引发诸多问题：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系统可能加大确保AI驱动的研究与人类目标保持一致的难度。随着AI智能体变得更为强大和富有创造力，让人类参与关键研究决策——例如追求哪些问题以及如何追求——可能对安全和人类福祉至关重要。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，加速医学进步的同一些能力也可能产生危险的知识或材料。在此类情况下，研究过程中的刻意检查点可能是必要的，这要求我们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实质性变化。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回报的任务，满意度可能下降，选择科研职业的人可能减少。如果AI转而接管研究者认为枯燥的任务，满意度可能上升。行政工作是潜在目标之一。在美国，联邦资助项目的首席研究员报告称，其约44%的研究时间用于满足行政要求而非做研究（Schneider et al. 2020），减轻这一负担可能是一大福音，既节省时间又提升整体满意度。最终，净效应尚不确定，并可能随AI能力演进而变化。一种乐观看法是，AI将扩大发现的机会，而这正是科研职业回报的核心所在。如果科学是一场驶向“无尽前沿”的航行，AI或许是一艘新船，让研究者能够在广阔的研究问题与发现之海中航行得更远。

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: The Anatomy of Science”，数据集，2026年。https://www.anatomyofscience.com/

Amodei, Dario，“Machines of Loving Grace: How AI Could Transform the World for the Better”，文章，2024年10月。https://darioamodei.com/essay/machines-of-loving-grace

Anthropic，“Learning More about Claude’s Mathematical Capabilities”，研究文章，2026a年8月10日。https://www.anthropic.com/research/riemann-zeta

Anthropic，“Formalizing Fermat’s Last Theorem”，研究文章，2026b年9月4日。https://www.anthropic.com/research/formalizing-fermats-last-theorem

Appel, Ruth 等，“Anthropic Economic Index Report: Economic Primitives”，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，“The Productivity J-Curve: How Intangibles Complement General Purpose Technologies”，American Economic Journal: Macroeconomics，2021年，13 (1)，333–372。

Bush, Vannevar，Science, the Endless Frontier: A Report to the President，Washington, DC: United States Government Printing Office，1945年。

Codreanu, Mihai 等，“AI in Science: Early Insights”，arXiv 预印本 arXiv:2609.28504，2026年。https://arxiv.org/abs/2609.28504

Comin, Diego 与 Bart Hobijn，“An Exploration of Technology Diffusion”，American Economic Review，2010年，100 (5)，2031–2059。

David, Paul A.，“The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox”，American Economic Review，1990年，80 (2)，355–361。

Eloundou, Tyna 等，“GPTs Are GPTs: Labor Market Impact Potential of LLMs”，Science，2024年，384 (6702)，1306–1308。

Guo, Daya 等，“DeepSeek-R1 Incentivizes Reasoning in LLMs through Reinforcement Learning”，Nature，2025年，645 (8081)，633–638。

Hao, Qianyue 等，“Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus”，Nature，2026年，649 (8099)，1237–1243。

Jones, Benjamin F.，“Artificial Intelligence in Research and Development”，载于 Ajay Agrawal、Erik Brynjolfsson 与 Anton Korinek 编，The Economics of Transformative AI，Chicago: University of Chicago Press，2026年，37–61。

Jumper, John 等，“Highly Accurate Protein Structure Prediction with AlphaFold”，Nature，2021年，596 (7873)，583–589。

Karger, Ezra 等，“Forecasting Existential Risks: Evidence from a Long-Run Forecasting Tournament”，Forecasting Research Institute Working Paper 1，2023年。https://forecastingresearch.org/research/existential-risk-persuasion-tournament

Kobak, Dmitry 等，“Delving into LLM-Assisted Writing in Biomedical Publications through Excess Vocabulary”，Science Advances，2025年，11 (27)，eadt3813。

Lambert, Nathan 等，“Tülu 3: Pushing Frontiers in Open Language Model Post-Training”，arXiv 预印本 arXiv:2411.15124，2024年。https://arxiv.org/abs/2411.15124

Liang, Weixin 等，“Quantifying Large Language Model Usage in Scientific Papers”，Nature Human Behaviour，2025年，9 (12)，2599–2609。

Liu, Yinhong 等，“Aligning with Human Judgement: The Role of Pairwise Preference in Large Language Model Evaluators”，载于Proceedings of the First Conference on Language Modeling (COLM)，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.