Anthropic 分析 20.7 万条 Claude 科研会话，揭示科学家使…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究范围与方法
Anthropic 的研究团队分析了 20.7 万条 Claude 与 Claude Code 的科研会话，采用隐私保护方法处理数据。研究目标是呈现 AI 在科学领域的当前使用状况，并评估其对未来科学发现的潜在影响。分析维度包括会话所属学科领域以及所执行的研究任务类型，从而刻画不同领域的相对使用强度与任务分布。
学科与任务分布
按各领域研究人员数量做归一化后，Claude 在计算机科学、数学、统计等形式科学中的使用更多，在健康与实验室物理科学中的使用更少。任务层面，数据分析与写作是主要用途：数据分析单独约占 Claude 会话的三分之一，在 Claude Code 中接近一半。想法生成与数据收集的使用比例较低，但在配套调查中，科学家把这两项列为对科学发现最重要的任务，形成使用与重要性之间的错位。Anthropic 提出，面向科研的专用工具可能缩小这一差距，并举例 Claude Science 上想法生成的使用占比约为 Claude 上的两倍。
能力与使用量的对应
研究构建了一个衡量指标，评估 AI 在理论上完成各项研究任务的能力。结果显示，AI 最适合的前 20% 任务所获得的 Claude 使用量，是研究人员在这些任务上投入时间所对应的预期使用量的两到四倍；最不适合的后 20% 任务（包含大部分体力工作）使用极少。跨领域也呈现同样规律：AI 能胜任更多任务的领域，如计算机科学与统计，Claude 的使用量更高。
对科研速度的推演
研究用一个简单模型探讨 AI 对研究速度的可能影响。若现有 AI 能力被广泛采用，部分领域的研究产出可能翻倍；若 AI 能承担全部非体力研究工作，计算机科学、统计等领域的产出提升幅度会更大。这些属于情景推演，取决于能力边界与实际采用程度。
为什么值得看
用大规模真实会话数据说明科学家实际把 AI 用在哪些环节，以及使用分布与 AI 能力、任务重要性之间的错位。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。