Anthropic: Claude có thể tăng tốc nghiên cứu khoa học gấp đôi

Claude đang thay đổi cách các nhà khoa học nghiên cứu

Trong một báo cáo mới, Anthropic công bố kết quả phân tích 207.049 phiên sử dụng Claude và Claude Code phục vụ nghiên cứu khoa học, giai đoạn từ 2/8 đến 30/9/2026. Đây là một trong những nỗ lực đo lường quy mô lớn nhất về việc AI đang len vào quy trình nghiên cứu như thế nào.

Kết quả cho thấy nhà khoa học dùng Claude chủ yếu để phân tích dữ liệu và viết lách, trong khi dùng ít hơn cho việc thu thập dữ liệu hay tạo ý tưởng — những công đoạn mà chính họ đánh giá là quan trọng nhất cho khám phá khoa học.

Dùng AI nhiều nhất ở đâu?

Tính theo số lượng nhà nghiên cứu của từng lĩnh vực, Claude được dùng nhiều hơn ở các ngành khoa học hình thức như khoa học máy tính, toán học và thống kê, và ít hơn ở các ngành y tế cùng khoa học thực nghiệm dựa trên phòng lab.

Trên Claude Code, mức độ tập trung còn rõ hơn: khoa học máy tính chỉ chiếm 4,3% số nhà nghiên cứu toàn cầu nhưng lại chiếm tới 32,7% số phiên Claude Code. Các lĩnh vực thiên về tính toán như trí tuệ nhân tạo, sinh học tính toán, ngôn ngữ học tính toán và robot cũng nằm trong nhóm dùng nhiều nhất.

Ở cấp độ lĩnh vực chuyên sâu, AI và học máy nổi bật với 5,0% số phiên trên Claude và 15,2% trên Claude Code, dù chỉ chiếm 1,2% số nhà nghiên cứu thế giới.

Minh họa về sử dụng AI trong nghiên cứu khoa học

Phân tích dữ liệu chiếm gần một nửa số phiên Claude Code

Nhóm nghiên cứu phân loại từng phiên vào 7.262 nhiệm vụ nghiên cứu thuộc hệ thống SciNet (bộ phân loại nhiệm vụ khoa học, gồm 34 lĩnh vực và 318 lĩnh vực con).

Các con số đáng chú ý:

• Phân tích dữ liệu chiếm 33,7% số phiên trên Claude và 48,1% trên Claude Code, so với 27,6% thời gian thực tế của nhà nghiên cứu.
• Viết và truyền đạt chiếm 32,0% trên Claude, gấp đôi tỷ lệ thời gian thực tế (16,0%).
• Thu thập dữ liệu chỉ chiếm 11,5% trên Claude và 11,9% trên Claude Code, dù chiếm tới 28,6% thời gian của nhà nghiên cứu.
• Tạo ý tưởng và giả thuyết chiếm 4,2% trên Claude và 2,1% trên Claude Code, so với 7,1% thời gian nghiên cứu.

Đáng chú ý, khi được hỏi điều gì quan trọng nhất để tạo ra kết quả nghiên cứu, các nhà khoa học xếp tạo ý tưởng và giả thuyết lên đầu, thu thập dữ liệu thứ hai — đúng hai hạng mục đang bị dùng ít.

AI dùng nhiều ở nơi AI làm tốt

Nhóm nghiên cứu xây dựng một thang điểm năng lực AI lý thuyết cho từng nhiệm vụ, dựa trên so sánh từng bước công việc bằng mô hình Bradley–Terry — cách tính tương tự hệ số Elo trong cờ vua.

Kết quả: các nhiệm vụ nằm trong nhóm 20% có điểm năng lực cao nhất được dùng nhiều gấp 2 đến 4 lần so với dự đoán từ thời gian nhà nghiên cứu bỏ ra. Nhóm 20% thấp nhất — phần lớn là công việc vật lý — gần như không được dùng.

Điểm năng lực này tương quan mạnh với mức độ phù hợp của nhiệm vụ cho học tăng cường (reinforcement learning, RL — phương pháp huấn luyện AI bằng thử đi thử lại và nhận thưởng khi thành công), với hệ số 0,78. Các nhiệm vụ thiên về nhận thức có điểm cao hơn (0,69), trong khi nhiệm vụ đòi hỏi thao tác vật lý (−0,57), tương tác giữa người với người (−0,31) hoặc bị ràng buộc bởi quy định pháp lý (−0,38) đều có điểm thấp hơn.

Sử dụng Claude theo lĩnh vực và nhiệm vụ nghiên cứu

Công cụ chuyên biệt giúp làm việc khó hơn

Với Claude Science — công cụ chuyên cho nghiên cứu, kết nối trực tiếp với nhiều cơ sở dữ liệu và công cụ khoa học — bức tranh thay đổi rõ rệt. Hơn 50% số phiên tập trung ở hai lĩnh vực y sinh và sinh học.

Các nhiệm vụ trên Claude Science mang tính chuyên môn cao hơn, dài hơi hơn và được AI thực hiện tự chủ hơn. Chẳng hạn, nhiệm vụ "đề xuất mô hình cơ chế tương tác protein–protein hoặc protein–ligand" xuất hiện với tần suất gấp 5,6 lần so với trên Claude thông thường. Tạo ý tưởng chiếm 8% số phiên Claude Science, ngang với tỷ lệ thời gian thực tế của nhà nghiên cứu.

Hơn 80% nội dung sử dụng Claude Science được ước tính cần trình độ tiến sĩ (20 năm học), so với khoảng 50–70% ở các giao diện khác. Và hơn 70% phiên có mức tự chủ cao của AI, cao hơn nhiều so với 23,7% trên Claude và 64,1% trên Claude Code.

Kịch bản tăng tốc nghiên cứu

Báo cáo đưa ra ba kịch bản minh họa (không phải dự báo):

Kịch bản 1 — năng lực hiện tại, được áp dụng rộng rãi: AI có thể đảm nhận 27–52% thời gian nghiên cứu để tạo ra một công trình mới, trung vị 38% trên các lĩnh vực. Mức này tương ứng tăng tốc 1,35 lần ở nghệ thuật, 1,41 lần ở hóa học, 1,96 lần ở khoa học máy tính và 2,02 lần ở thống kê.

Kịch bản 2 — tự động hóa 75% các bước phi vật lý: tăng tốc lên khoảng 8 lần ở khoa học máy tính, 7 lần ở thống kê và khoa học thông tin – thư viện.

Kịch bản 3 — tự động hóa 100% các bước phi vật lý: sản lượng ở các ngành như khoa học máy tính và thống kê có thể tăng tới 15 lần, trong khi các ngành thực nghiệm như hóa học và sinh học bị giới hạn bởi rào cản vật lý, chỉ tăng khoảng 3–4 lần.

Yếu tố vật lý giải thích khoảng một phần ba khác biệt giữa các lĩnh vực: ở các ngành nông nghiệp, y sinh, hóa học và khoa học vật liệu, 38–41% thời gian nhà nghiên cứu dành cho các bước thao tác vật lý, so với 4% ở lĩnh vực trung vị.

Trong khảo sát 528 nhà khoa học đang tích cực dùng AI, khoảng 40% kỳ vọng mô hình AI sẽ tự thực hiện được toàn bộ dự án nghiên cứu vào năm 2030.

Minh họa tác động của AI tới nghiên cứu khoa học

Cách bảo vệ dữ liệu nghiên cứu

Anthropic cho biết toàn bộ phân tích dùng hạ tầng bảo vệ quyền riêng tư. Một mô hình ngôn ngữ đóng vai trò bộ phân loại đọc từng phiên và gán nhãn theo bộ danh mục cố định — như "hóa học" hay "làm sạch dữ liệu". Chỉ các nhãn này được giữ lại và phân tích; không có thông tin mở nào về nội dung nghiên cứu như tập dữ liệu, giả thuyết, phương pháp thí nghiệm hay bài báo chưa công bố bị trích xuất. Kết quả chỉ báo cáo ở dạng tổng hợp và chỉ với các nhóm đủ số tài khoản tối thiểu.

Tuy vậy, báo cáo cũng thẳng thắn nêu rủi ro: ít giám sát con người hơn có thể dẫn tới những nghiên cứu nguy hiểm hoặc phi đạo đức, đồng thời AI có thể định hình lại sự nghiệp và ý nghĩa của công việc nghiên cứu.

Góc nhìn

Với lập trình viên và kỹ sư Việt Nam, báo cáo này xác nhận một xu hướng đã thấy rõ trong thực tế: AI có giá trị nhất ở những công việc có phản hồi nhanh và kiểm chứng được — viết code, phân tích dữ liệu, chạy thử nghiệm. Đây cũng chính là nhóm nhiệm vụ có điểm "phù hợp học tăng cường" cao nhất. Những đội ngũ đang làm data, backend hay nghiên cứu thuật toán có thể kỳ vọng mức tăng năng suất lớn hơn so với các mảng phụ thuộc vào tương tác khách hàng hay quy trình vật lý.

Điểm đáng suy ngẫm là khoảng cách giữa việc dùng AI và việc coi AI là công cụ then chốt. Nhà khoa học dùng Claude nhiều cho phân tích và viết, nhưng vẫn tự làm phần tạo ý tưởng — phần họ cho là quan trọng nhất. Doanh nghiệp Việt có thể nhìn đây như một chỉ dẫn thực dụng: dùng AI để giải phóng thời gian khỏi các tác vụ lặp lại và tốn công, rồi dồn thời gian đó vào những quyết định mà chất lượng phán đoán của con người vẫn là yếu tố quyết định.