20.7 万次科研会话之后：科学家最常让 Claude 干的两件事，不是想假设

晚上十一点，实验室只剩一个人。他把刚跑完的一组质谱数据丢给 Claude，让它按实验批次对齐、标出异常值、生成一张能直接放进组会的图。二十分钟后，他开始写论文的讨论部分，又把草稿贴进去，让模型帮他改语气、压缩长度、检查逻辑跳跃。

这套流程并不特殊。Anthropic 最近把 2026 年 8 月 2 日到 9 月 30 日之间的 20.7 万次科研相关会话翻了一遍，其中 12.9 万次来自 Claude 对话与 Cowork，7.8 万次来自 Claude Code。研究只保留学科、子领域和任务类型等分类标签，不提取研究数据、假设、实验方法、初步发现或未发表论文内容，结果全部以汇总形式呈现。最终得到的结论和上面的场景几乎一致：科学家最常让 AI 做的，是数据分析和写作。

一分钟速览

• 样本为 20.7 万次科研会话，覆盖计算机科学、数学统计、工程、医学、生命科学等多个领域。
• 数据分析占 Claude 科研会话的 33.7%，占 Claude Code 科研会话的 48.1%；研究人员自己花在这上面的时间占比是 27.6%。
• 写作与沟通占 Claude 会话的 32%，而研究人员在这类任务上的时间占比只有 16%。
• 数据收集占研究人员工作时间的 28.6%，却只占 Claude 会话的 11.5%；假设生成只占 4.2%，低于 7.1% 的时间占比。
• 计算机科学占会话 11.9%，工程学 8.4%，医学 7.7%；AI/ML 研究者只占全球研究人员的 1.2%，却贡献了 5% 的 Claude 会话和 15.2% 的 Claude Code 会话。
• 另有 528 名活跃使用 AI 的科学家参与问卷，结果与实际会话数据基本吻合。

模型接手的是“可切分”的活儿

把三组数字放在一起看，会发现一个很清晰的错位。研究人员把 27.6% 的时间花在数据分析上，Claude 承担了 33.7%；写作只占他们 16% 的时间，Claude 却承担了 32%。反过来说，数据收集占了 28.6% 的工作时间，AI 只接了 11.5%；假设生成占 7.1%，AI 只接了 4.2%。

这不是模型“偷懒”，而是任务结构决定的。数据清洗、格式转换、统计检验、画图，这些工作有明确的输入输出，可以切成小块，错了一眼能看出来，模型天然适合。写作也一样，哪怕观点是人提出的，把中文草稿改成投稿语气、把一段冗长的讨论压到字数限制内、检查引用前后是否一致，都是可验证的编辑劳动。数据收集则相反，它往往卡在仪器、样本、审批和现场，AI 插不上手；假设生成更麻烦，好坏没有即时反馈，验证周期以月计，模型给得再多也不敢直接用。

Claude Code 的数据把这个倾向放得更大：数据分析占比从 33.7% 涨到 48.1%，说明一旦允许模型读写文件、跑脚本、看报错，科研人员更愿意把整条数据处理流水线交出去，而不是只让它解释一段代码。AI/ML 领域的研究者只占全球 1.2%，却贡献了 15.2% 的 Claude Code 科研会话，也印证了这一点——离代码越近的学科，越容易把 AI 嵌进日常。

“不碰内容”的统计方式，本身是个信号

这份报告另一个值得注意的地方，是它刻意不碰研究内容。Anthropic 只统计会话属于哪个学科、哪个子领域、哪类任务，不读取数据、假设、方法和未发表论文。对科研机构来说，这是能不能用第三方模型的前提：数据合规、保密义务、优先发表权，任何一条都可能让实验室放弃工具。

但这也意味着，报告能看到“用在哪”，看不到“用得对不对”。33.7% 的数据分析里，有多少是模型真正算对了、有多少是研究者最后又手算了一遍，报告没有答案。写作占 32% 也一样：润色和“把结论写得更像结论”之间，隔着一条很难量化的线。

科研 AI 的竞争，正在从“更聪明”转向“更顺手”

过去两年，科研场景的模型宣传大多围绕“能读论文”“能解数学题”“能提出假设”。这份数据给出的图景更朴素：真正被高频使用的，是那些能嵌进现有工作流的环节。一个能直接读 Excel、跑 Python、把图存成投稿尺寸的工具，比一个能写出漂亮假设的工具更容易被每天打开。

这也解释了为什么 Claude Code 在科研会话中的存在感越来越强。科研数据处理本质上是“写一段脚本、看结果、改脚本”的循环，和软件工程没有区别。谁能把这条循环做短，谁就能拿到使用时长。

对研究者来说，真正的风险不在“AI 会不会取代思考”，而在基本功的流失。数据分析交给模型之后，年轻研究者还有没有机会亲手处理一遍脏数据、感受哪里容易出错？写作交给模型之后，还分不分得清“表达更顺”和“论证更弱”？报告没有回答这些问题，但它给出的比例说明，这些环节已经被大规模让渡出去了。

下一步值得观察的，是假设生成那 4.2% 会不会涨。如果它长期不动，说明 AI 在科研里的角色基本定型为“高效的实验助手”；如果它开始上涨，配套的评价机制、署名规则和复现标准，都得跟着改。