顶级Claude专家周薪2.7万：Anthropic高薪抢人内幕与应聘指南
硅谷顶尖AI公司Anthropic发布了一则引人深思的招聘：其新设的“STEM Fellow”岗位，明确表示机器学习经验并非必需。这揭示了AI模型能力迭代的一个关键转向。
Anthropic此次招聘的核心要求是候选人的“科学判断力”与“快速学习意愿”。公司旨在招募科学、技术、工程和数学领域的专家，而非单纯的AI工程师。
入选者将在旧金山等地进行为期三个月的全职驻场，每周获得3800美元津贴。项目提供直接接触前沿Claude模型和内部评测工具的机会，并配备一对一的研究员导师，共同完成一个边界清晰的研究课题。
岗位描述列举了具体案例：一位材料科学家曾发现Claude在相稳定性推理上的缺陷，并为此构建了专项评测流程；一位气候科学家则将大气建模软件接入Claude，创建了可调用专业工具的环境应用。所有项目都要求在规定周期内交付成果。
此举意图明确：Anthropic的核心诉求，是借助领域专家的深厚知识来“诊断”Claude模型在专业场景中的错误，进而“校准”这个顶级AI的能力边界。
三年三代Fellowship，越招越靠近Claude
过去三年，Anthropic的科研合作项目呈现出清晰的演进路径，每一步都更贴近模型内核。
第一代是2024年的“AI Safety Fellows Program”。该项目聚焦传统的AI安全研究人才，通过资助和导师制，吸引外部专家参与模型对齐研究，核心是解决Claude的“安全性”根本问题。
第二代是2025年5月启动的“AI for Science Program”。Anthropic开始向科研机构的研究者免费提供API额度，重点支持生物学和生命科学领域的高影响力项目。这一步标志着公司在模型安全基础稳固后，主动开放Claude接受科学检验。
第三代，即当前的“Anthropic STEM Fellow”。从远程发放API到邀请科学家进驻办公室；从聚焦安全人才到广泛招募各学科专家；合作模式实现了从资助到深度共建的跨越。这三代项目的演变，体现了Anthropic与外部科学界合作不断深化、距离不断拉近的战略。
简言之，目标从第一代的“让Claude更安全”，到第二代的“用Claude产出科学成果”，演进至第三代的“教Claude如何做科学”。资源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，研究员将“与Anthropic研究员共同设计实验、评估模型能力、分析其在长周期科研任务中的表现”。这已是一种共建层面的深度协作。
一盘构建科研生态的大棋
与此配套，Anthropic近期动作密集。2026年3月，公司上线了“Science Blog”，连续发布Claude参与科学计算与理论物理研究的案例，标志着科学能力已成为其独立的叙事主线。
此外，Anthropic是美国能源部“Genesis Mission”的核心合作伙伴，参与了一项跨产业、学术和政府的科研加速计划。2026年4月，其“AI for Science”项目扩展至澳大利亚，投入300万澳元API额度，与当地顶尖机构合作进行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，这一系列布局勾勒出一条清晰线索：Anthropic正在系统性地构建一个以自身模型为核心的科研生态体系。
AI科研的真实瓶颈不是算力，而是“判断力”
那么，为何一家AI公司认为提升模型科学能力的关键，不是更多GPU或工程师，而是一线科学家？
答案可在Anthropic自家博客中找到。2026年3月，哈佛理论物理学教授Matthew Schwartz在Science Blog上发表了《Vibe Physics: The AI Grad Student》一文。
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指导。结果显著：该项目带一名真人研究生需一至两年，他独立完成需三至五个月，而与Claude协作仅用两周，效率提升近10倍。
然而，Schwartz尖锐指出，Claude的输出仍显“粗糙”，领域专家的判断对于验证其准确性“不可或缺”。他举例：Claude在终稿中仍将核心的因式分解公式搞错——这个错误源于模型从另一物理体系照搬公式而未作必要修正，非资深专家难以即时发现。
更值得警惕的是，他发现Claude有时会为迎合用户而调整参数，让图表“看起来”吻合，而非找出真实错误。“它伪造了结果，指望我不会察觉。”模型自身缺乏验证结果应检查什么的能力。
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给出评级：当前大模型在理论物理上约处于“二年级研究生”水平。同时，他作出更关键的判断：AI尚未实现端到端的自主科学研究。
回看STEM Fellow的岗位描述，其核心任务正是：设计严格的、能防止模型投机取巧的评估方法；系统性地找出模型“高置信度错误”的环节；识别能力短板，并创建针对性数据与技术方案进行弥补。
换言之，模型最危险的时刻，并非它回答“我不知道”，而是它自信地给出一个看似合理实则错误的答案。能甄别这种“高置信度错误”的，显然不是编码工程师，而是各领域经验丰富的专家。
因此，STEM Fellow的本质，是让科学家充当AI的“高级审校”，利用人类专家的领域判断力，校准模型在复杂科研场景中的输出质量。Anthropic稀缺的不是让模型“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的执念与Anthropic的赌注
Anthropic招募科学家并非临时起意。其联合创始人兼CEO Dario Amodei在2024年10月的长文《Machines of Loving Grace》中，已清晰勾勒出这一路径。
文中，Amodei为AI应用场景排序，将生物学和医疗健康置于首位。他认为，AI有能力将未来50至100年的生物医学进展，压缩到5至10年内完成。关键是他对AI角色的定义：AI应成为“虚拟生物学家”，能够自主设计实验、指挥实验、发明新方法，像完整的人类科学家一样执行全流程研究。
这将“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。前者需要更强的模型，后者则需要真正“会做科学”的模型。Amodei论证，生物学的历史进步由几次方法论突破推动，而AI的潜力在于将此突破的产出率再提升一个量级。他判断，强大的AI至少能将关键发现速度提升10倍。
他认为，如果科学家更善于在海量知识中发现连接，像CRISPR这样“藏在眼皮底下几十年”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验证了此路径。过去百年，进步依赖少数聪明人偶然想出方法；AI时代的愿景，是让“想出方法”这个过程本身实现自动化。
这与STEM Fellow岗位目标完全一致：“我们正朝着AI科学家的方向努力。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。”愿景虽宏大，Anthropic也清醒认识到差距。在Science Blog创刊文中，他们引用了菲尔兹奖得主Timothy Gowers的观点：“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展现出超越人类的能力，但它们也会编造结果、过度迎合用户，甚至在领域基础问题上卡壳。
从囤积GPU到押注科学家
显然，Anthropic正将“科学能力”构建为系统性的竞争壁垒。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，让生物学家检验其实验设计的合理性。
这类深度领域知识，无法通过堆叠GPU算力或刷榜基准测试获得。若此路径被证明有效，AI科研赛道的竞争规则或将发生根本转变：最终的胜者，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专家。
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，抱有类似战略的不止Anthropic。OpenAI招募前华尔街交易员以优化金融推理，Google DeepMind将哲学家请进对齐团队。行业头部玩家正形成一种共识：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，更高效地编入自身发展的飞轮。
AI公司抢人的战场，已从计算机系蔓延至STEM各学科，再到哲学、金融……未来，这份名单很可能继续延长。