AI是否正在加快科学发现，不能只看模型能回答多少专业问题，还要观察科研人员在真实工作中把它用在哪里。Anthropic 11月5日发布研究，使用隐私保护方法分析约20.7万次Claude与Claude Code科研会话，描绘不同学科和研究任务中的AI使用结构。

研究样本主要来自2026年8月2日至9月30日的消费者计划，包括128914次Claude通用界面会话和78135次Claude Code会话，合计207049次。研究团队通过分类器为会话标注学科和任务类别，只保留聚合标签，不保存开放式研究内容、实验方法、假设或未发表结果。

形式科学的相对使用率更高

从会话总量看，计算机科学、工程和医学是占比较大的领域；但在考虑各领域研究人员规模后，计算机科学、数学和统计等形式科学的相对使用更高，化学等依赖实验室实体操作的领域则相对较低。

这一差异与任务性质有关。代码、数学推导、文献整理和数据处理可以在数字环境中完成，AI容易获得输入和反馈；样品制备、仪器操作、临床接触等物理或人际工作仍需要现实世界资源，纯软件模型难以直接完成。

数据分析与写作占据当前主要使用场景

Anthropic称，数据分析约占Claude科研会话的三分之一，在Claude Code中接近一半。研究人员也经常使用AI撰写论文、报告和其他文字材料。相较之下，假设生成和数据收集的使用较少，尽管受访科研人员认为这些任务对科学发现十分重要。

在面向科研的Claude Science中，创意生成所占比例约为通用Claude的两倍，说明专用工具可能改变AI进入科研流程的位置。但该产品的使用者可能本身就拥有更复杂需求，因此不同产品之间的差异不能简单解释为工具本身带来的因果效果。

科研产出加速属于模型情景，不是现实预测

报告建立了简化模型，用于讨论AI可能如何影响科研速度。在现有能力广泛采用的情景下，一些领域的研究产出可能翻倍；如果未来AI能够完成所有非物理研究工作，计算机科学和统计等高度认知型领域的产出在模型中最高可增加15倍，而受实体实验限制的化学、生物等领域增幅较低。

这些数字是依赖假设的情景推演，并非对现实科研产出的直接预测。模型没有自动消除实验设备、经费、同行评审、知识吸收、法规与安全审查等约束，产出数量增加也不必然等于重大原创发现增加。

隐私保护仍有边界

研究使用分类器把会话映射到预定义的科研分类体系，并只在满足最低账户数量时报告汇总结果。这降低了研究团队直接接触具体研究内容的风险。不过，分类准确度、样本代表性和平台用户结构仍会影响结论。

例如，样本来自Claude用户，并不代表全部科研人员；不同机构对AI工具的访问政策也可能造成使用差异。报告更适合回答“现有用户怎样使用Claude”，而不是给出全球科学界AI采用率。

编辑观察：AI正在加速可数字化的科研环节

这项研究显示，AI正在加速可数字化的科研环节，而不是平均改变所有科学工作。短期价值更可能出现在数据清洗、代码、可视化、文献综合和写作等环节，实体实验与关键判断仍由科研人员承担。

科研机构部署AI时，应同时记录效率、错误率、可复现性和研究人员复核时间，并为敏感数据、双重用途研究和未发表成果设置明确边界。速度提升只有在证据可追溯、结果可验证且研究方向仍由人类负责时，才能转化为可靠的科学进步。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：Anthropic Research（2026年11月5日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。