法文版见后。
主要发现
- 根据 Anthropic 经济指数最新发布的数据，加拿大在 Claude 的采用率方面处于领先地位。加拿大占全球 Claude.ai 流量的 2.6%，按总量排名第 8 位。人均使用量是其人口规模预期水平的四倍以上。
- 加拿大的高采用率与其高收入经济体特征基本一致，但在同类国家中仍然表现突出。在合计占全球使用量一半以上的前十名国家中，加拿大的人均使用量仅次于美国。
- 在加拿大境内，采用率呈现区域集中特征。安大略省占对话总量的 43.9%。与魁北克省、不列颠哥伦比亚省和阿尔伯塔省合计，这四个最大省份约占全国使用量的 94%。按人均计算，不列颠哥伦比亚省领先，为人口预期水平的 1.4 倍，其次是安大略省的 1.1 倍；其余各省均低于基准水平，其中纽芬兰与拉布拉多省仅为 0.2 倍。
- 与全球跨国模式不同，各省的人均收入似乎无法解释这一差距。相反，产业结构显得更为重要：专业、科学和技术服务部门规模较大的省份使用 Claude 最多。这与另一项证据相符，即模型能力与劳动力结构的匹配程度决定了高收入国家内部的整体采用水平。
- 加拿大的使用模式与采用率基本不相关：工作用途占各省对话量的 34–40%，课程作业占 13–18%，个人用途占 44–51%。
- 我们发现证据表明，特定使用场景与当地经济特征相吻合。翻译请求与各省公共行政就业份额呈正相关，这很可能反映了加拿大在联邦服务和通信中实行官方双语政策：新不伦瑞克省、新斯科舍省和魁北克省不仅公共行政就业率最高，其对话中翻译用途的占比也最大。
- 文档翻译也是加拿大相较于英语圈同行最具特色的用例。更广泛来看，加拿大用户的使用偏向学术和早期职业场景：学术课程作业、编程辅助和简历撰写占比偏高，而专业沟通和日常个人事务类任务占比偏低。
加拿大在 Claude 采用方面处于领先地位
Claude 在加拿大的采用率很高。基于 2026 年 2 月 Claude.ai 对话样本，全球流量的 2.6% 来自加拿大。按人口调整后，其 Anthropic AI 使用指数（AUI）为 4.4，这意味着人均使用量是基于其劳动年龄人口预期值的四倍以上。在 Claude 总使用量排名前十的国家中，加拿大的 AUI 位居第二，仅次于美国（图 1）。
这在一定程度上反映了加拿大是高收入国家这一事实。在 IMF 定义的发达经济体中，人均使用量与人均劳动年龄 GDP 之间存在明显关联。但加拿大的采用率超出了基于其收入水平的预期（图 2）。从这个意义上说，加拿大在 AI 采用曲线上似乎比同类国家走得更远，这或许反映了其受过高等教育的劳动力队伍以及毗邻美国技术前沿的地理优势。
在加拿大境内，AI 采用呈现集中趋势，并与劳动力结构密切相关
正如全球范围内 Claude 的采用不成比例地集中在少数国家一样，加拿大境内的使用情况在各省份之间也分布不均。安大略省占全国对话总量的 43.9%。另外 50% 的加拿大境内使用量来自魁北克省（20.8%）、不列颠哥伦比亚省（18.9%）和阿尔伯塔省（10.2%）。按人口调整后，排名发生变化：不列颠哥伦比亚省的 Claude 使用量是其劳动年龄人口预期值的 1.4 倍，其次是安大略省（1.1 倍）。其余省份的采用率均低于基准水平。纽芬兰与拉布拉多省的 AUI 为 0.2。
是什么解释了区域采用模式的差异？我们在图 4 中探讨了这一问题。与全球范围内收入与使用量之间的关系不同，我们发现各省的人均使用量与收入基本不相关。相反，我们发现区域经济的产业结构是使用强度的关键决定因素：专业、科学和技术服务部门规模较大（以就业占比衡量）的地区，其人均使用量系统性更高。
显然，劳动力构成——而非收入本身——是加拿大境内采用模式的关键决定因素。这一证据与我们早前关于美国境内采用扩散的研究结果一致。看来，高收入国家的 AI 采用主要取决于模型能力与当地经济结构的匹配程度。
了解 Claude 在加拿大境内的独特用途
尽管 Claude 使用率存在巨大的地区差异，但加拿大各地的人们使用 Claude 的方式大致相似。在每个省份，个人用途——查询健康信息、研究产品、获取食谱或家庭维修帮助——占对话量的 44% 至 51%。工作相关用途，即使用 Claude 排查软件问题、起草工作邮件和构建商业应用，约占 34% 至 40%。其余则是使用 Claude 协助完成课程相关任务（图 5）。
尽管各省份的整体使用模式基本一致，但我们仍发现证据表明，特定使用场景往往与当地经济特征相吻合。例如，我们发现，在公共管理就业占比更高的地区，使用Claude进行翻译和编辑请求的比例系统性更高——这或许反映了加拿大在公共部门推行官方双语制的承诺，这种制度在政府就业集中的地方产生了英法翻译的需求。事实上，新不伦瑞克省、新斯科舍省和魁北克省的公共管理就业率最高，与翻译辅助相关的对话占比也最大。
事实上，与同样拥有大量Claude使用量的英语圈同类国家——澳大利亚、英国和美国——相比，文档翻译使用是整个加拿大最具特色的使用场景（图7）。更广泛地说，我们发现加拿大的使用偏向于教育和劳动力市场准入：学术课程（数学和STEM）、编程辅助和简历撰写是与同类国家相比占比最高的类别。加拿大占比偏低的类别则倾向于职业沟通——工作邮件、营销内容、法律咨询——以及日常个人事务，如烹饪协助、家庭维护和健康咨询。
结论
加拿大是全球 Claude 采用率最高的国家之一，无论是从总体流量（占全球 Claude.ai 流量的 2.6%）来看，还是按人口规模调整后衡量。如此高的采用强度，使我们能够更好地理解 Claude 的使用如何反映加拿大经济的结构以及更广泛的经济状况。
在全国范围内，采用率最高的省份是那些专业、科学和技术服务从业人员占比更高的地区。这与以下观点一致：与当地经济结构相匹配的模型能力，是驱动整体采用率的主要因素。这与全球范围内的采用模式形成对比，后者似乎与人均收入的关联更为紧密。
特定的用例也反映了加拿大经济的结构。在公共管理就业比例更高的省份，翻译功能的使用更为普遍，这与加拿大大部分公共部门适用的官方语言要求相符——而文档翻译是加拿大相对于其英语圈同类国家最独特的 Claude 用例。更广泛来看，加拿大的使用偏向于教育和劳动力市场准入，学术课程、编程辅助和简历撰写方面的使用比例均高于澳大利亚、英国和美国。
引用
@online{mccrory2026canadacountrybrief,
author = {Peter McCrory},
title = {How Canada Uses Claude: Findings from the Anthropic Economic Index},
date = {2026-06},
year = {2026},
url = {https://www.anthropic.com/research/how-canada-uses-claude},
}
Utilisation de Claude au Canada : constatations présentées dans l’Anthropic Economic Index
主要发现
- Anthropic 经济指数最新一期显示，加拿大是采用 Claude 人工智能（AI）程度最高的国家之一。加拿大占 Claude.ai 全球流量的 2.6%，在总使用量上排名第八。其人均使用量是考虑到其人口规模后预期水平的四倍以上。
- 加拿大所呈现的高采用率，总体上与其高收入经济体的地位相符，但它仍与其他同类国家有所区别。在合计占总使用量一半以上的前十名国家中，加拿大的人均使用量仅次于美国，位居第二。
- 在加拿大，AI 的采用集中在某些地区。安大略省占全国对话量的 43.9%。最大的四个省份（安大略省、魁北克省、不列颠哥伦比亚省和阿尔伯塔省）合计约占全国使用量的 94%。就人均而言，不列颠哥伦比亚省位居首位，其使用率是考虑到人口规模后预期水平的 1.4 倍，其次是安大略省，为预期水平的 1.1 倍。所有其他省份的采用率均低于预期水平，最低的纽芬兰与拉布拉多省仅为预期水平的 0.2 倍。
- 与各国之间的全球趋势不同，各省的人均收入似乎并不能解释这种差异。事实上，经济结构的构成似乎起着更重要的作用，因为专业、科学和技术服务占主导地位的省份使用 Claude 最多，这佐证了其他数据所表明的观点：AI 模型能力与劳动力构成之间的关系，决定了高收入国家的整体采用水平。
- 在加拿大观察到的使用习惯与采用率几乎不相关：所有省份中，34% 至 40% 的对话属于职业用途，13% 至 18% 涉及学习，44% 至 51% 属于个人用途。
- 某些特定类型的使用似乎与当地经济特征相吻合。翻译辅助请求反映了公共服务在不同省份的重要性，并可能体现了加拿大联邦政府服务与沟通中的官方双语政策；新不伦瑞克省、新斯科舍省和魁北克省在公共服务就业率以及翻译相关对话占比方面均位居前列。
- 与其他英语国家相比，文档翻译也是加拿大最具特色的使用类型。更广泛来看，加拿大用户使用 Claude 更倾向于学习和职业生涯初期场景：课业、编程辅助和简历撰写均占比偏高，而职业沟通和日常个人事务则占比偏低。
加拿大是采用 Claude 最多的国家之一
Claude 在加拿大的采用率很高。在 2026 年 2 月 Claude.ai 上记录的对话样本中，全球流量的 2.6% 位于加拿大。考虑人口因素后，Anthropic 的 AI 使用指数（Anthropic AI Usage Index，简称 AUI）在加拿大为 4.4，这意味着人均使用量是考虑到劳动年龄人口后预期值的四倍以上。在 Claude 使用量排名前十的国家中，加拿大的 AUI 位居第二，仅次于美国（图 1）。
这一结果部分归因于加拿大是一个高收入国家。在发达经济体（根据国际货币基金组织的定义）中，人均使用量与每位适龄劳动人口的 GDP 之间存在明显关联。但加拿大的采用率超出了根据其收入水平所能预期的范围（图 2）。事实上，与其他可比国家相比，加拿大在 AI 采用方面似乎更为领先，这或许可以归因于其高素质的劳动力和与美国尖端技术的邻近性。
在加拿大内部，AI 的采用呈现集中态势，并与劳动力构成相匹配。
与 Claude 在全球的采用情况类似——其使用高度集中在少数几个国家——在加拿大，其使用也呈现出不均衡的省份集中态势。安大略省占全部对话量的 43.9%。其余 50% 的加拿大使用量则来自魁北克省（20.8%）、不列颠哥伦比亚省（18.9%）和阿尔伯塔省（10.2%）。若考虑人口因素，排名则发生变化：不列颠哥伦比亚省的 Claude 使用量是按其劳动年龄人口预期值的 1.4 倍，其次是安大略省（1.1 倍）。其他省份的采用率均低于全国平均水平。排名垫底的是纽芬兰与拉布拉多省，其 AUI 仅为 0.2。
是什么导致了这些地理上的采用率差异？图 4 对此进行了探讨。与全球范围内观察到的收入与使用量之间的关系不同，各省之间的人均使用率差异通常与收入不相关。相反，各地区经济的产业结构构成似乎是决定使用强度的关键因素：在专业、科学和技术服务占就业比重更高的地区，人均使用量始终更高。
显然，劳动力构成（而非收入）是加拿大采用趋势的决定性因素。这一发现与我们此前对美国采用率的观察结果一致。在高收入国家，AI 的采用似乎主要取决于 AI 模型能力与当地经济结构的匹配程度。
加拿大 Claude 使用差异分析
除了各地区在 Claude 使用率上存在显著差异外，加拿大人使用 Claude 的目的总体上趋于一致。在所有省份，个人用途（如搜索健康信息、查找产品、搜索食谱或获取家庭 DIY 建议）占对话量的 44% 至 51%。职业用途（例如使用 Claude 排除软件故障、撰写电子邮件和开发企业应用）约占对话量的 34% 至 40%。Claude 的其余用途与学业相关（图 5）。
尽管各省的使用大趋势相似，但我们发现使用类型往往与当地经济特征相吻合。例如，在公共部门就业占主导地位的地区，使用 Claude 进行翻译和审校的比例始终较高，这或许反映了加拿大在公共服务领域推行官方双语制的承诺——在公务员岗位密集的地区，英法翻译需求相对旺盛。事实上，新不伦瑞克省、新斯科舍省和魁北克省既拥有最高的公共部门就业率，也占据了翻译辅助对话的最大比例。
事实上，文档翻译用途是加拿大与大量使用 Claude 的可比英语国家（即澳大利亚、英国和美国）之间最大的使用差异（图 7）。更广泛地说，加拿大对 Claude 的使用主要集中在教育和劳动力市场准入方面：与可比国家相比，学业（数学与 STEM）、编程辅助和简历撰写属于使用率最高的类别。相反，加拿大在专业沟通（商务邮件、营销内容、法律咨询）和个人日常事务（烹饪、家务和健康建议）方面的使用率低于总体趋势。
结论
加拿大是全球 Claude 采用率最高的国家之一，无论是从总体流量（占 Claude.ai 全球流量的 2.6%）还是考虑人口规模后的比例来看都是如此。这种热情让我们得以更深入地理解，Claude 的使用方式如何反映加拿大经济结构及整体经济环境。
在全国范围内，专业、科学和技术服务在就业市场中占比最高的省份，其采用率也最高。这一发现支持了以下论点：决定整体采用率的主要因素是 AI 模型能力与当地经济结构的匹配程度，这与世界其他地区采用率似乎与人均收入密切相关的趋势形成对比。
某些使用类型也反映了加拿大经济结构的特征。翻译辅助类使用在公共服务岗位较多的省份更为常见，这与加拿大大部分公共服务领域适用的官方语言要求相吻合；因此，文档翻译成为Claude在加拿大相较于其他英语国家最具特色的用途。更广泛地说，Claude在加拿大的使用更侧重于学业和就业市场融入，因为与澳大利亚、英国和美国相比，加拿大学校作业、编程辅助和简历撰写等使用场景占比更高。
引用
@online{mccrory2026canadacountrybrief,
author = {Peter McCrory},
title = {Utilisation de Claude au Canada : constatations présentées dans l’Anthropic Economic Index},
date = {2026-06},
year = {2026},
url = {https://www.anthropic.com/research/how-canada-uses-claude},
}Claude在不同模型和语言中的价值观
Claude玩转机器人
在"Fetch项目"中，我们研究了人类如何利用模型让机器人执行复杂任务。现在，我们在模拟环境中对大量不同机器人任务上的多种模型进行探究，以了解模型自身控制机器人的能力究竟如何。