Anthropic 扫描了 20.7 万次 Claude 与 Claude Code 科研对话，并将其映射到了SciNet 科学图谱中，涵盖 34 个学科，7262 项具体任务。

这应该是业界首次用大规模真实交互底盘，摸清了 AI 在科学界的真实渗透水位。

一起来看 10 条核心内容的总结：

1、目前 AI 在科研里主要干的，是洗数据和改论文的苦力活，最核心的提假设和做实验两件事还得靠人。但如果把非物理工作全交给 AI 智能体，计算机和数学的科研产出能涨 15 倍，而生物化学因为卡在动手做实验的物理瓶颈上，最多只能提速 3 到 4 倍。

2、计算机科学家仅占全球学者总数 4.3%，但却贡献了 Claude Code 高达 32.7% 的科研会话。其中 AI 与机器学习子领域（占学者 1.2%）直接吞下了 15.2% 的份额，很明显，AI 最先提速的正是 AI 研发本身，技术迭代的递归飞轮已经转起来了。

3、调研中，科学家公认科研破局最关键的是提出假设和收集数据，但在实际使用中，近一半的 Claude Code 会话都在做数据分析。用来找灵感提假设的会话仅占 2.1%～4.2%，通用大模型目前在实验室里依然是高级打工仔。

4、在通用 Claude 上，32% 的科研会话集中在写作成稿，远超学者日常分配给写作的时间占比（16%）。单看具体高频任务，起草论文初稿（18.6%）、文献综述（6.8%）和回复同行评审意见（6.7%）排在了前三。

5、当科学家切换到打通了碎片化数据库的专用工具 Claude Science 时，提出假设的使用占比直接翻倍至 8%。例如在生物医学中，构建蛋白质与药物配体相互作用机制模型的调用率激增了 5.6 倍，超 80% 的任务达到博士级难度，且超 70% 由智能体高自主完成。

6、研究团队用国际象棋 Elo 排名同款的 Bradley-Terry 模型给科研步骤打分，发现前 20% 高分任务的 AI 调用率是人类耗时占比的 2 到 4 倍。决定 AI 强弱的核心指标是强化学习适配度（相关性高达 0.78），只要结果易验证、反馈快、能用代码模拟，AI 就能快速统治。

7、凡是涉及物理操作（相关性 -0.57，例如化学实验中装填色谱柱提纯反应混合物）或受制于隐私监管与医患沟通的领域（如临床医学、营养学），AI 使用率双双垫底。没有具身智能和自动化实验室配合，再强的推理模型也进不去湿实验。

8、引入经济学知识生产函数，按智能体时薪 30 美元、学者时薪 95 美元测算，仅靠全面普及现有的 AI 能力，就能直接接管学者 27%～52% 的工作时间。把省下的时间投入核心攻关，足以让计算机与统计学等领域的整体科研产出提升约 2 倍。

9、若未来 AI 实现 100% 非物理科研步骤自动化，计算机、数学、经济学甚至人文社科产出将暴增 15～16 倍，上限仅受限于 AI 算力成本约为人工的 1/16，算力降半则上限再翻倍。但生物、化学、材料学因为有约 40% 的时间卡在物理实验上，总产出会被卡在 3～4 倍。

10、人类往往习惯性低估 AI，比如专家曾预测 2030 年 AI 才能拿 IMO 奥数金牌，结果 2025 年就已实现。调研显示，38% 的学者认为 AI 数据分析已追平人类顶尖水平，约 40% 预计到 2030 年 AI 智能体将无需人类干预、独立跑完从提出问题到科学发现的全流程。

how i ai