Anthropic高薪招募科学家 周薪27万专治Claude疑难问题

你是否想过，进入硅谷顶尖AI公司工作，竟然可以不需要机器学习背景？Anthropic最新发布的“STEM Fellow”岗位招聘，就打破了这一常规认知。他们明确表示，机器学习经验“有帮助，但不是必需”，真正看重的是候选人的“科学判断力”与“快速学习能力”。

Anthropic此次推出的STEM研究员项目，目标直指科学、技术、工程和数学领域的顶尖专家。招聘启事强调，他们更希望找到具备深厚学科知识和敏锐洞察力的人才，而非单纯的AI技术专家。

成功入选的科学家将在旧金山等地的Anthropic办公室进行为期三个月的全职驻场研究，每周可获得3800美元津贴。他们将直接接触最前沿的Claude模型及其内部评估工具，并配备一位Anthropic研究员作为一对一导师，共同完成一个目标明确的研究课题。

岗位描述中列举了具体案例：一位材料科学家发现Claude在相稳定性推理上存在缺陷，从而构建了一套专门的评估体系来修正模型；一位气候科学家则将大气建模软件与Claude对接，创建了能够调用专业工具的环境分析流程。所有项目都要求在既定周期内交付成果。

其核心意图非常清晰：Anthropic聘请这些领域专家，主要任务并非“利用Claude进行研究”，而是借助他们精深的专业知识，“指出Claude模型在科学推理中的错误”，从而“训练和优化”这个全球领先的AI模型。

三年三代研究员计划，合作深度持续递进

回顾Anthropic过去三年的科研合作布局，其战略路径清晰可见，每一步都更加深入。

第一代是2024年启动的“AI Safety Fellows Program”。该项目主要招募传统的AI安全研究人才，通过提供资金和导师支持，让外部专家参与模型对齐研究。这一阶段的核心焦点是“安全性”，旨在解决Claude模型可能存在的根本性风险问题。

第二代是2025年5月推出的“AI for Science Program”。Anthropic开始向科研机构的研究者免费提供API额度，重点支持生物学与生命科学领域具有高影响力的项目。这一步相当于在筑牢“安全护栏”后，主动将Claude模型推向真实的科研场景接受检验。

第三代，即是当前开放的“Anthropic STEM Fellow”项目。从提供API到邀请科学家进驻办公室；从聚焦AI安全到广泛招募各学科科学家；从远程资助到全职深度合作——这三代项目的演进，标志着Anthropic与外部科学界的联系日益紧密，合作层次不断深化。

简而言之，第一代寻求的是“能让Claude变得更安全的人才”；第二代需要的是“能利用Claude产出科学成果的人才”；而到了第三代，目标转变为“能指导Claude如何进行科学研究的人才”。重心明显向让顶尖科学家直接参与模型能力打磨倾斜。

正如岗位说明所述，这些研究员将“与Anthropic研究员共同设计实验、评估模型能力、分析模型在长周期科研任务中的表现”。这已然是一种共建共研层面的深度协作模式。

一盘构建AI科研生态的战略棋局

与此同时，Anthropic的配套举措也在密集展开。2026年3月，他们正式上线了“Science Blog”，连续发布多篇关于Claude参与科学计算与理论物理研究的案例文章，标志着其科学能力开始成为独立的叙事主线。

此外，Anthropic还是美国能源部“Genesis Mission”计划的核心合作伙伴，参与了一项跨产业、学术与政府的科研加速项目。2026年4月，其“AI for Science”项目扩展至澳大利亚，投入价值300万澳元的API额度，与当地顶尖机构合作开展罕见病遗传分析与精准医疗研究。

从Science Blog、Claude for Life Sciences，到AI for Science Program、STEM Fellow，再到Genesis Mission，这一系列行动背后的逻辑线索已然非常清晰：Anthropic正在系统性地构建一个围绕其核心模型的科研生态系统，每一步都是这盘战略大棋上的关键落子。

AI科研的真正瓶颈：是“判断力”而非算力

那么，一个关键问题浮现了：为何一家领先的AI公司会认为，提升模型的科学能力，最紧缺的资源不是更多的GPU或算法工程师，而是一批从事实验的科学家？

答案或许藏在Anthropic自家的一篇博客中。2026年3月，哈佛大学理论物理学教授Matthew Schwartz在Anthropic Science Blog上发表了题为《Vibe Physics: The AI Grad Student》的文章。

他在实验中让Claude Opus 4.5独立完成一项研究生水平的高能理论物理计算，自己仅通过文字提示进行引导。结果令人震惊：该项目若由一名真人研究生完成，通常需要一至两年；教授本人独立完成需三到五个月；而与Claude协作，仅用两周便告完成，效率提升了近10倍。

然而，Schwartz教授在文中也尖锐指出，Claude能力虽强，但其输出仍显“粗糙”，领域专家的判断对于验证其结果的准确性“不可或缺”。他举了一个生动的例子：Claude在完成修订稿后，依然将论文最核心的因式分解公式弄错——这个错误看似自然，因为模型是从另一个物理体系中照搬了公式而未作必要调整。若非在该领域深耕多年，很难立即发现。

更值得警惕的是，他发现Claude有时会为了迎合用户而调整参数，让图表“看起来”吻合，而非找出真正的错误。“它伪造了结果，并指望我不会察觉。”而且，模型自身并不知晓该检查什么来验证结果。

整个项目历经超过110个版本迭代，消耗3600万token和40多小时本地CPU计算时间。最终，Schwartz给出了一个精准评价：当前大语言模型在理论物理领域的水平大约相当于“二年级研究生”。同时，他给出了另一个更关键的判断：AI尚未实现端到端的自主科学研究。

现在回看STEM Fellow的岗位描述，一切便豁然开朗。其核心任务正是：设计严格的、不易被模型投机取巧绕过的评估方法；系统性地找出模型“自信但错误”的环节；识别能力短板，并创建有针对性的数据与技术方案予以弥补。

换言之，模型最危险的时刻，并非它回答“我不知道”，而是它一本正经地给出一个看起来完全合理、实则错误的答案。而能辨别这种“高置信度错误”的，显然不是编写代码的工程师，只能是那些在各自领域深耕多年的学科专家。

因此，STEM Fellow项目的本质，是让科学家充当AI的“高级审校”，利用人类专家的专业判断力，去校准模型在复杂科研场景中的输出质量。Anthropic缺乏的并非让模型“更聪明”的工程师，而是能明确指出“你这里错了”的学科权威。

Amodei的愿景与Anthropic的战略赌注

Anthropic招募科学家并非一时兴起，其联合创始人兼CEO Dario Amodei早在2024年10月发表的长文《Machines of Loving Grace》中，就已勾勒出这条发展路径。

在那篇文章中，Amodei为AI应用场景设定了优先级，生物学与医疗健康位列第一。他认为，AI有能力将人类未来50到100年的生物医学进展，压缩到5到10年内完成。更关键的是他对AI角色的定义：AI应成为一位“虚拟生物学家”，能够自主设计实验、指挥实验、发明新方法，像一个完整的人类科学家一样独立执行研究流程。

这相当于将“AI for Science”从提升科研效率的工具，升级为“直接参与”科学发现的主体。前者需要更强大的模型，后者则需要真正“懂得如何做科学”的模型。Amodei论证道，生物学的历史进步由几次方法论突破所推动，而AI的潜力在于将此类突破的产出率再提升一个数量级。他判断，强大的AI至少能将关键科学发现的速度提升10倍。

他认为，如果科学家更善于在海量知识中发现关联，像CRISPR这样“隐藏在眼皮底下数十年”的突破可能还有数百个等待发掘。AlphaFold的成功已在一个狭窄领域证明了这条路径的可行性。过去一百年，进步依靠的是少数聪明人偶然想出新方法；而AI时代的愿景，是让“想出新方法”这个过程本身实现自动化。

这与STEM Fellow岗位说明中提到的目标完全一致：“我们正朝着创造AI科学家的方向努力。目标是开发一种具备长程推理能力和实验判断力、足以推动科学前沿的系统。”愿景虽然宏大，但Anthropic也清醒地认识到与目标的差距。在Science Blog的创刊文章中，他们引用了菲尔兹奖得主Timothy Gowers的话：“我们似乎进入了一个短暂但令人愉快的时代，AI大大加速了我们的研究，但AI仍然需要我们。”

Anthropic自己也承认，尽管模型在科研工作流的某些环节已表现出超越人类的能力，但它们也会编造结果、过度迎合用户，甚至在领域从业者看来很基础的问题上卡壳。

从囤积算力到押注人才：AI竞争规则的转变

显然，Anthropic正将“科学能力”构建为一种系统性的竞争壁垒。其中，STEM Fellow项目试图将学科判断力直接编码进模型的迭代流程。例如，让材料学家指导Claude理解晶体结构，让气候学家教它调用大气模型，让生物学家检验它的实验设计是否合理。

这些深度的领域知识，仅靠堆叠GPU算力或刷榜基准测试是无法获得的。如果这条路径被证明有效，那么AI科研赛道的竞争规则可能会发生根本性变化：最终的胜出者，可能不再取决于谁的模型参数更多，而取决于谁的身边聚集了更多真正懂科学的人才。

而这种顶级专家资源，获取方式只有一种：将他们请到身边，共同工作，让他们相信这件事值得投入。这是Anthropic下的一步战略重注。

值得注意的是，抱有类似战略构想的不止Anthropic一家。OpenAI正在招募前华尔街交易员以优化其金融推理能力，Google DeepMind则将哲学家请进对齐团队。行业头部玩家似乎正形成一种共识：下一阶段的AI竞争，比拼的或许不再是参数规模，而是谁能将最懂行的人类智慧，更高效地编织进自身发展的飞轮之中。

AI公司争夺人才的战场，已经从计算机科学系扩展到了STEM各个学科，进而延伸到哲学、金融……未来，这份名单很可能还会继续延长。