Anthropic 數晒科學家同 Claude 嘅 207,049 次對話。答案好清楚：Claude 最忙嘅，唔係諗新意念。係做數據分析同寫作呢類「落手做」嘅工序。
一句講晒：唔係「AI 已經加速咗科學 15 倍」。正確讀法係——AI 而家主要幫手做工序；如果假設佢包辦所有非體力研究工作，模型先計到嗰啲倍數。
Anthropic 冇逐篇讀科學家嘅研究內容。佢哋用一套保障私隱（privacy-preserving）嘅分類系統，只記低「呢次對話屬於邊科、做緊邊類任務」。
科學家喺 Claude 同 Claude Code 嘅實際使用對話。
用 SciNet 分類法標籤：7,262 種任務、34 個領域、318 個子領域。
只保留標籤。研究內容本身唔會儲存落嚟。
只出總體數字。再加 528 位科學家問卷，同 Claude Science 補充樣本對照。
點解呢步重要？因為成份報告嘅可信度，建基於「數到使用模式，但睇唔到人哋未發表嘅研究」。分類標籤係唯一被保留嘅嘢。
將「對話佔比」同「科學家實際花時間佔比」並排睇，落差就係成個故事。橫條長度按百分比繪製，可以直接比較。
將「嗰科佔全球研究人員幾多」同「嗰科佔 Claude Code 對話幾多」並排，傾斜程度一睇就明。形式科學（formal sciences）——電腦科學、數學、統計——用量遠超佢哋嘅人數比例。
原因唔係佢哋抗拒 AI。係工作本身綁住雙手。
實驗室工作（bench science）要落手做實驗。醫學要見病人。呢啲時間冇得坐喺螢幕前面同 AI 對話。
讀法提醒：用量高，只證明嗰科嘅工作容易數碼化。唔直接證明 AI 喺嗰科特別叻。
以下所有倍數，都係模型情境（scenario），唔係實測成果，唔係預測。二次報道亦用同一標籤：「廠商自家情境，非預測」「模型輸出，非量度到嘅生產力增益」。引用時請連標籤一齊引用。
假設而家呢代 AI 喺學界普及。部分領域嘅研究產出，模型推算可以倍增。
呢個假設下，電腦科學同統計可達 15 倍。實驗室科學受物理工序所限，只推算到 3–4 倍。
人類把關減少，危險或不道德研究嘅風險會上升。
研究者嘅職業同工作意義感，亦會被重新塑造。報告冇迴避呢一面。
Hacker News 討論串（91 分、38 則留言）大致認同報告嘅描述部分。用家現身說法，同報告數字互相印證。
「我永遠唔會信 AI 去落一個科學結論。」
— Hacker News 討論串中研究者嘅原話（英文原文："I would never trust an AI to make a scientific conclusion."）
樣本只包個人計劃用家。主樣本嚟自消費者計劃（Free／Pro／Max）。唔包企業同 API 用量。用家係自己揀用 Claude 嘅人，唔係隨機抽樣嘅全體科學家。
問卷得 528 人。受訪者為資助申請者，主要嚟自美國同加拿大，以生命科學同健康科學為主。「科學家點分時間」嘅對照數字，代表性有限。
用量唔等於能力證明。用得多，可能只係嗰類工作最易交畀 AI。報告量度嘅係使用模式，唔係成果質素。
倍數係情境，唔係成績表。2 倍同 15 倍建基於「廣泛採用」同「AI 包辦非體力工作」兩組假設。假設未發生，倍數就未發生。