Anthropic如何開創(chuàng)了AI原生商業(yè)模式 | CFO萬言訪談

在科技視頻播客節(jié)目Invest Like The Best中，主理人Patrick O'Shaughnessy與Anthropic首席財務官Krishna Rao展開了一場引人入勝的對談，把我們帶入這家全球增長最快的AI公司的內(nèi)部。

當所有的科技巨頭和AI企業(yè)，都在急于從AI模型變出個超級應用，獲取用戶和流量，再去代貨、廣告、游戲、搜索時，Anthropic做出了幾個反共識的堅持：它對前沿的認知，并不是評測榜上的排名；它證明了安全研究得好，有助于模型研究保持前沿；它在定價及產(chǎn)品的品味上，保持“向上競爭” (race to the top)，而不是“向下競爭”（race to the bottom）; 它堅持了語言模型并在編碼領(lǐng)域取劉了突破；最重要的是，編碼這一數(shù)字領(lǐng)域的通用技術(shù)，構(gòu)建出能為企業(yè)干活的智能體。

它今年第一季度年化收入80倍的瘋狂增長，或者說10倍速的增長成為常態(tài)，締造了一種真正AI原生的商業(yè)模式：用前沿AI獲取極高的回報，對企業(yè)服務尤其如此。讓所有的軟件，都可能成為服務的表達。

Krishna既是Anthropic的CFO，也負責公司的算力配置，他用實踐和業(yè)績證明了，獲取充足的算力，再對算力進行靈活和高效的配置，可以最大限度地獲取算力ROI；尤其是前沿模型研究的算力，也終將支持ROI，并且把這ROI傳遞給客戶。

在主理人精心的提問中，Krishna 詳細揭示如何管理算力這一原生AI企業(yè)的命脈。從在亞馬遜、谷歌和英偉達之間采購吉瓦級的處理能力，到為模型訓練和客戶需求動態(tài)分配這些算力，算力決定著 Anthropic 的未來。

他們還討論了公司令人震撼的指數(shù)級收入增長、預測中的“不確定性錐體”，以及為什么前沿 AI 模型仍在不斷突破擴展的限制。Krishna 還分享了 Claude 如何正在徹底改變他自己的內(nèi)部財務團隊，Anthropic 獨特的安全與透明文化，以及他對 AI 驅(qū)動醫(yī)療健康突破所做出的大膽預測。

下面是訪談的全文翻譯。我們調(diào)整了其中口語化重復性的表達，并刪除了少量與主題無關(guān)的內(nèi)容。

（圖片來源，訪談視頻）

問：Patrick O'Shaughnessy

答：Krishna Rao

算力是一張畫布

Krishna，我一直非常期待這場對話，因為你從內(nèi)部看到史上最有意思的企業(yè)之一，而且至少對于關(guān)心科技的人來說，這很可能正處在史上最有意思的時刻。

最讓我著迷的一件事就是算力。我很希望你先講講，每天必須面對這件事究竟是什么感覺。我了解到，你們一度甚至每天都在開會，討論算力該如何分配、分給誰、為什么要這么分。正在發(fā)生的一切中，我覺得這才是最前沿的問題。

我們采購的算力，是我們業(yè)務的命脈。它是公司里最重要的東西，就像是一塊畫布，一切其他東西都在其上建立。所以，我們該買多少算力，是整個公司里最關(guān)鍵、也最困難的決定之一。你可以這樣想：如果你買了太多算力，公司就會倒閉；如果你買得太少，你就無法服務客戶，而無法站在前沿，本質(zhì)上也是同一回事。

所以，我們經(jīng)常談這個“不確定性錐體”（cone of uncertainty）的概念。關(guān)鍵在于，這些采購決策都會帶來真實世界的后果。你不可能今天出去說，我要買一吉瓦算力，然后下周就把它交付到手。你必須真正提前思考并做好規(guī)劃。我們對這件事采取非常有紀律的方法。我們會自下而上地看，會建模預測需求會是什么樣子，當然，有時候我們也會看錯。我們會思考，為了保持在前沿，我們需要多少算力，并盡力提前估算出來。然后，當我們真正出去談這些采購算力的交易時，靈活性對我們來說非常重要。所以，我們會把這種靈活性寫進交易本身，也會把靈活性寫進我們使用算力的方式里。因為當業(yè)務以指數(shù)方式增長時，我們從今天所在的位置走向未來目標的路徑，就是盡可能高效地使用這些算力。即使到今天，我也會把 30% 到 40% 的時間花在算力上。

你說的靈活性，在這里是什么意思？

它有幾層不同的含義。我們使用三種不同的芯片平臺：亞馬遜 Trainium 、谷歌 TPU 和英偉達 GPU 。我們會以可替換、可互通的方式使用這些芯片。如果你看我們買來的算力，會被用在模型開發(fā)上，也會被用于內(nèi)部，加速我們自己的產(chǎn)品和模型開發(fā)，當然還會被用來服務客戶。在這三種芯片平臺上，我們都會把算力用于內(nèi)部和外部。而這種靈活性，其實花了我們很長時間才實現(xiàn)。我們花了很多年進行投入，才做到我認為在所有前沿實驗室里最擅長高效使用算力的水平。

當我們開始使用 TPU 的時候，我記得可能是第三代 TPU，才是我們第一次大規(guī)模使用的版本。當時很多人覺得，你們瘋了嗎，大家都在用 GPU，你們?yōu)槭裁床挥?GPU？但我們投入了非常多的精力，去讓自己能極其靈活地使用這些算力。然后我們再去看這些芯片平臺的不同代際，把每一代都分配給內(nèi)部最適合它的工作負載。所以我們實際上構(gòu)建了這樣一個編排層，使我們能靈活地使用各種不同類型的算力，并且也能夠從中獲得最大的價值。

我這樣理解對不對，英偉達長期以來故事的一部分，比如 CUDA，就是讓你能夠在底層硬件之上做很多事情，讓你盡量靠近裸金屬，而你們的這段歷程，有一部分就是想做到這種靈活性，并盡可能控制更多變量。是這樣過來的嗎？

這的確是其中一部分，但這段歷程實際上也很協(xié)作。

我們和亞馬遜 Annapurna Labs 團隊合作得非常緊密，會影響這些芯片的路線圖，因為我們相信所做的事情正在不斷逼近這些芯片能力的極限。這意味著，在我們組織內(nèi)部，一美元算力可以走得比我認為任何別的地方都更遠。但同樣重要的是，我們其實想讓每一種芯片，都在公司內(nèi)部被用于它最合適的用途。所以這的確意味著，我們會構(gòu)建自己的編譯器，我們確實是在從芯片層一路往上搭建這些東西，以獲得那種定制化和靈活性，讓我們能夠按我們認為能產(chǎn)生最高投資回報率的方式在內(nèi)部使用它。

AI增長與“不確定錐體”

你能解釋一下這個“不確定性錐體”嗎？它似乎是一個非常關(guān)鍵的起點，也像是理解算力采購和算力用途的總體框架。

當你在推動一家以指數(shù)方式增長的企業(yè)時，月度或周度增長率里非常小的變化，最終都會通過復利效應導向完全不同的結(jié)果。所以我們在往前看時，即便只是收入增長，也很難預測這家公司會變成什么樣。這真的很難。我認為人類大多是線性思維，會按增量方式思考。而這恰恰是我來到公司這兩年里，必須迫使自己打破的一種思維范式。不要再線性地想問題，而要真正從指數(shù)增長的角度思考。

一旦你站在這個指數(shù)增長曲線上，結(jié)果的可能區(qū)間就會變得非常、非常寬。我們會看一系列不同情景，也會看在未來一到兩年內(nèi)，這個不確定性錐體上的不同位置，然后再從那里反推回來。我們希望自己處在一個位置上，首先當然是能夠繼續(xù)保持在前沿，這是最重要的；其次能夠服務客戶；再次，還要有足夠的內(nèi)部算力去加速員工的工作。這很有意思。如果我們對員工說，你們不能再使用我們的模型了，那么我們把現(xiàn)在內(nèi)部配置給員工的那部分算力拿去服務外部客戶，理論上可以支撐數(shù)十億美元收入。但我們希望從長期視角、從不確定性錐體的長期視角來看問題，因為我們想讓自己盡可能朝著這些結(jié)果的上端靠攏。可要做到這一點，就必須提前規(guī)劃。而這就是我們?nèi)绾我杂屑o律的方式思考購買算力的。

最關(guān)鍵的是，如果你處在不確定性錐體的某一個點上，但你買到的算力卻只夠支撐另一個點，那會發(fā)生什么？

正是在這種情況下，算力效率真正幫到了我們。

前沿智能何以回報極高

我對那三個大類之間的取舍特別感興趣，大致上就是訓練研究、內(nèi)部使用，以及服務客戶需求。也許就是各占三分之一。實際的浮動范圍有多大？這些討論是怎么持續(xù)進行的？

除了討論算力采購，我們也經(jīng)常討論算力分配。我覺得重要的是，一切都始于我們的文化。我們的文化極具協(xié)作性，這也塑造了這些討論發(fā)生的方式。所以這里不是零和博弈，而是在一種高度協(xié)作的氛圍中進行。不過，分配給模型開發(fā)的算力，會有一個我們絕不會低于的底線。也就是說，即便這意味著服務客戶會更困難，或者我們不得不為此采取一些不那么自然的做法，我們依然希望繼續(xù)長期投資開發(fā)最好的模型，因為我們認為，前沿智能帶來的回報極高，尤其是在企業(yè)領(lǐng)域。

所以，這實際上給模型開發(fā)所分配的算力設定了一個下限。然后，當我們考慮內(nèi)部使用算力時，它實際上能幫助我們加快模型開發(fā)，也能幫助我們找到那些算力效率乘數(shù)，讓我們從每一美元算力中榨出更多價值。所以當我們在討論這些問題時，每個團隊都會陳述，如果他們獲得這部分算力，他們會拿來做什么。然后我們會就投資回報率展開非常開放、非常坦率的討論。

而且，由于我們能夠如此動態(tài)地分配這些算力，所以我們可以在相對較短的時間范圍內(nèi)對這些分配進行修改和調(diào)整。

這個效率問題對我來說非常有意思，比如和一年前你們內(nèi)部自己的基準相比，你們現(xiàn)在到底高效了多少，或者和其他你大概知道一些情況的公司相比，你們大概高效多少。你們怎么衡量“效率”這個詞？

我會從幾個不同維度來看。從模型的角度看，我覺得人們看到新模型發(fā)布時，常常會把它們類比成汽車。你之前有一輛轎車，然后你可能換成更高配的轎車，一路這樣往上升級。我認為就模型智能而言，這種類比是成立的。這個類比開始有一點失效的地方在于，人們會想，我這是從轎車升級成跑車了，那燃油效率肯定會差很多吧。我買跑車當然不是為了省油。

但在我們的情況里，我們實際上看到的是雙重改進。不僅能力有巨大提升，模型效率也有巨大提升。所以如果你看從 Opus 4 到 4.5、4.6，再到現(xiàn)在的 4.7，這些躍遷之間雖然不是完全等量的，但每一次新模型的躍遷，都帶來了一個效率乘數(shù)，也就是它在處理 token 方面會變得更高效。而這不僅服務客戶，對我們內(nèi)部也同樣有幫助。當我們在模型上做強化學習時，本質(zhì)上就是在一個沙箱里做推理，再配上獎勵函數(shù)。所以如果模型在推理上更好、更高效，那么這種強化學習也會更高效。于是我們就實現(xiàn)了這種雙贏：當我們發(fā)布新模型時，客戶得到的是更強能力；而我們也往往能以比上一代高出數(shù)倍的效率來服務這個模型。不同模型代際之間更像階躍式變化，我們還會持續(xù)動態(tài)部署各種效率改進，作為這些的模型升級之間的過渡。

所以，它總是在隨著時間不斷變得更高效。而推動這一切的，是研究團隊。你如果這樣去想，這些事情其實都彼此相連。我們內(nèi)部這些不同任務、不同工作負載，其實都是以這種方式拼在一起的：做研發(fā)，提升模型能力，提升算力效率，服務客戶，然后再通過最好的模型去加速內(nèi)部工作負載，有時候甚至是那些我們還沒有發(fā)布出來的模型。

前沿模型捕獲經(jīng)濟價值

你剛才說了一件很重要的事，前沿模型所帶來的回報非常高。你能盡可能詳細地解釋一下嗎？我完全可以用一個六個月前的模型，成本只有一小部分，而且我就一直用它，反正會不斷趕上。可現(xiàn)實并不是這樣，比如 Opus 4.7 一出來，所有人，哪怕包括我這樣的普通用戶，第一件事就是立刻把它切換過來。又比如 GPT-5.5 一出來，你也是立刻打開新的那個。大家都想要最好的。所以你談談，站在前沿的回報到底體現(xiàn)在哪里，為什么會這么高。

我覺得這背后有幾件事。每當我們推出一個新模型，總會有一組不同的能力。人們往往把模型智能理解成 IQ，好像這個模型是 110，然后變成125。對我們來說，智能是多維度的，不只是一個分數(shù)。雖然大家都會發(fā)布自己的模型基準評測卡片，我們自己也會發(fā)，但其中很多基準其實已經(jīng)飽和了。

我們自己真正重視的衡量方式，是客戶告訴我們的東西，也就是這個模型在真實世界里的能力到底是什么。隨著我們發(fā)布越來越好的模型，我們看到，變化不只是絕對意義上的智能提升。它還包括完成長周期任務的能力，包括使用工具或進行計算機操作（computer use） 的能力，也包括智能體式任務的能力，具有明確價值，而且完成得更快。也就是說，從某種意義上講，如果你有兩個員工，他們可能在能力上差不多，但一個人完成一項任務需要一周，另一個人一天就能做完，那么如果第二個人持續(xù)保持這種速度，他就可能強七倍。兩個人也許在某種事情上的能力相當，只是完成速度不同。但這些因素都會影響客戶對模型的體驗。

而我們一再看到的是，每發(fā)布一代更好的模型，TAM（總可及市場）就會以一種獨特的方式被打開。會有更多 TAM 被解鎖，會有更多用例成為可能。一個很好的例子，就是過去四個月我們公司內(nèi)部發(fā)生的事情。今年年初，我們的年化收入大約是 90 億美元，而到這個季度結(jié)束時，已經(jīng)超過 300 億美元。這樣的變化，實際上正是由模型智能的躍遷，以及我們圍繞這些模型構(gòu)建的產(chǎn)品所驅(qū)動的。所以這就是我說“前沿智能的回報非常高”的意思。

我認為這在企業(yè)領(lǐng)域尤其獨特，因為在消費領(lǐng)域，有時你未必會這么明顯地看到這一點。消費者未必總是在逼近模型能力的極限，而在企業(yè)領(lǐng)域，我們的客戶現(xiàn)在總是在這樣做。最開始是編碼，但現(xiàn)在已經(jīng)非常明顯地擴展到編碼之外了。每一代新模型，都會讓你有機會用它做更多事，把事情做得更好，做得更高效。客戶能看到這一點，于是他們會在新模型上投入非常多的 token。我們已經(jīng)一再看到這個循環(huán)不斷上演。這是我們業(yè)務的核心論點，尤其是在企業(yè)領(lǐng)域，前沿智能的回報并沒有在放緩。

躍上“遞歸式自我改進”

你們團隊里有人最近提到過，類似“遞歸式自我改進”，也就是模型本身正在參與構(gòu)建下一代模型，甚至在做不少研究工作。于是我會想，如果把你們正在推動的前沿、OpenAI 正在推動的前沿，和那些開源模型做比較，那么差距會不會進一步拉大，因為你們先抵達了這種遞歸狀態(tài)？你覺得我們應該怎樣理解模型自身的這種遞歸式自我改進？因為看起來，誰先到達這里就極其重要，因為一旦到了，就可能持續(xù)拉開與那些后參與者的差距。

我們確實看到進展在加速。至于別的公司我沒法評價，但對我們來說，擴展定律（scaling laws）依然是成立的，而且運行得很好。最近的一些發(fā)布，比如 Mythos， 90% 以上的代碼實際上都是由 Claude Code 寫出來的，而 Claude Code 本身也有很多部分是由 Claude Code 寫的。所以你會想到，為什么我們要在內(nèi)部配置算力？為什么我們愿意為此放棄一部分收入？原因就在于，模型本身正在幫助我們構(gòu)建下一代模型。除了 scaling laws 本身帶來的能力躍遷之外，人才也非常重要。而當這些人才和最好的模型結(jié)合在一起時，確實能夠大幅加快能力開發(fā)。我們真的看到了這一點。

我們其實并不太從“閉源”或“開源”的角度去看模型。我們更看重它是不是處在前沿。那些處在前沿的模型，很明顯正在捕獲這種經(jīng)濟價值，也在為客戶帶來切實的投資回報。我們就是圍繞這個論點持續(xù)投入。這意味著既要投入算力，也意味著要投入能夠使用這些算力、也能夠使用我們自己模型的人才，從而真正加快開發(fā)速度。

不只是模型本身，還包括建立在模型之上的產(chǎn)品。今年 1 月，我們發(fā)布了 30 個不同的產(chǎn)品和功能更新。而且這個節(jié)奏也在加快，這在某種程度上正是因為我們把現(xiàn)有的人才和模型結(jié)合起來，真正加速了各種接入底層智能的方式。這大致就是我們在產(chǎn)品側(cè)的理論框架。

你剛才提到了人才、杠桿，還有他們并不是自己寫代碼，而是 Claude Code 在寫它自己的代碼。沿著這條路徑走下去，最后一步會不會是AI甚至都不需要人才來告訴它該做什么了，它自己就知道該做什么。那時候它就自己運行起來，唯一的約束只剩下算力之類的東西。

我們公司的核心依然是一家研究實驗室。我覺得這一點也許外界還沒有完全理解，我們一直在做實驗，我們在做那些把模型能力推向極限的事情。而這種研究，以及驅(qū)動研究的引擎，是我們前面談到的一切的上游。今天，這個過程已經(jīng)能被模型所賦能，但并不是完全由模型完成的。隨著時間推移，我們認為模型會越來越強，在這個過程中會越來越有幫助。但擁有最頂尖的人才來設定方向，不只是設優(yōu)先級，還包括去發(fā)現(xiàn)一些全新的探索方向，這實際上會讓這些研究人才本身變得更強。所以在我看來，這更像是在強化并加速我們已經(jīng)擁有的人才。我們經(jīng)常說，人才密度勝過人才規(guī)模。我們想要的是最密集的 AI 研究人才，以及推理工程人才，而這些人才再配上最好的模型，我們認為這會是一個極具競爭力的組合。

Scaling Laws依然有效

現(xiàn)在外界的共識大概是，scaling laws 有不同組成部分，比如預訓練、后訓練、推理，而且它們推進的速度各不相同。要真正撞上“墻”，得是這些部分都一起失效。你們內(nèi)部是怎么談這個問題的？

我們會看模型在開發(fā)過程中的不同階段。比如，在一次預訓練運行過程中，我們能看到這個模型和我們以前做過的某個模型相比，在這些損失曲線（loss curve）上表現(xiàn)如何。這會給我們一個關(guān)于模型能力的感覺。你也可以用同樣的方法來看強化學習。然后，可能同樣重要的一點是，當客戶真正拿到模型開始用的時候，他們看到了什么，他們在哪里識別出了痛點。

這些痛點隨后就會成為我們的訓練目標。當然，在企業(yè)側(cè)，我們不會用客戶數(shù)據(jù)做訓練。在專業(yè)級個人用戶（prosumer）那邊，只有在你明確選擇加入的情況下才會這樣做。但客戶會告訴我們，“我希望模型在這方面做得更好”，或者“它在這個特定地方卡住了，如果能力再往前走一點，我就能構(gòu)建另一個產(chǎn)品”。我們通常會告訴他們，好，那你就圍繞那個場景去構(gòu)建產(chǎn)品，因為在研發(fā)端，我們會隨著時間推移把能力推上去。

所以，這里存在一個相互連接的閉環(huán)。但在內(nèi)部，我們始終在看正在訓練中不同的模型、不同的訓練快照，不斷把它們進行比較，既在內(nèi)部比較，也在較小程度上和外部做比較，先按照我們自己的衡量方式看，最終再看客戶怎么看它們。

聽起來，scaling laws 本身似乎完全沒有放緩，是這樣嗎？

答：對我們來說，這是個合適的描述。當然，scaling laws 論文的一些作者本來就是我們的創(chuàng)始人，撇開這一點不談，我們內(nèi)部其實相當懷疑主義。我們對自己的要求非常高，這還是那個研究實驗室的理念，非常強調(diào)科學方法，大家會不斷挑戰(zhàn)先前成立的假設。但從我們看到的情況來看，scaling laws 并沒有放緩。

你前面說過，人類很難用指數(shù)思維而不是線性思維來看問題。假如接下來未來若干輪迭代里，這件事仍然成立，那么在你的工作和整個業(yè)務里，你怎么做到不按線性方式思考，而是按指數(shù)方式去思考？指數(shù)級收入增長是一回事，但能力本身的指數(shù)級增長，我甚至都不知道怎么去理解它。

我們是用“情景”的方式來看世界的。在這個業(yè)務里，很難做一個點估計。然后，必須對更新自己當前的先驗判斷或當前視角保持極低門檻，因為一個月前還成立的事情，今天就可能已經(jīng)不成立了，而這會直接打碎你原來的模型。所以那種老式的做法，比如每個季度預測一次，然后三個月后在下一次董事會會議上再回頭看，這套方法對我們不適用。我們的業(yè)務變化太快了，以至于我們必須一直思考：以前我們的模型還做不到這個，現(xiàn)在已經(jīng)能做到了，這對 TAM 意味著什么？

我們最早是在編碼上看到這一點的。大概從 Sonnet 3.5、3.6 開始，我們看到了一個非常顯著的能力躍升，接下來就是采用、使用和收入的跟進。那其實一開始是有點難預測的。但現(xiàn)在，我們可以把編碼當作很多其他事情的類比，用來理解經(jīng)濟中的其他領(lǐng)域、以及我們業(yè)務中的其他部分正在發(fā)生什么。所以，我們會看自己業(yè)務里的模式識別，據(jù)此預測未來會發(fā)生什么。

算力的代謝速度

你們用什么策略，以更有創(chuàng)造性的方式去獲取更多算力？

我們宣布了和 SpaceX 的合作，使用他們位于孟菲斯的 Colossus 設施。我們對此非常興奮。這會讓我們能夠繼續(xù)擴張，特別是在消費者專業(yè)級消費端。只要哪里能獲得近期算力，我們就會去找。隨著整體算力基數(shù)變大，這種近期可獲得的算力在可用總量中所占的比例會越來越小。但我們會看的是，這些可獲得的算力，我們能不能高效地部署起來。有時候答案是能，有時候答案是否。可如果能，我們就會根據(jù)它的價格、可用時長、所在地、算力類型，以及我們能多高效地運行它，去看它的經(jīng)濟回報。所以我們有一整套評估流程。順便說一下，這套流程也被我們用于評估長期交易。

比如上個月，我們和谷歌、博通簽了一個從 2027 年開始的、總計 5 吉瓦的 TPU 協(xié)議。我們也和亞馬遜簽了一個最高 5 吉瓦的 Trainium 協(xié)議。這是一個超過 1000 億美元的承諾。而且其中很多算力實際上已經(jīng)開始陸續(xù)落地，并會在今年余下時間以及明年繼續(xù)到位。你可以把它想象成一層層疊起來的“算力千層餅”，不同層在不同時間開始提供能力。我們會非常動態(tài)地比較這些算力，比較它們隨時間變化的性價比，這對我們來說非常重要，還要看它們何時落地，以及我們認為在業(yè)務內(nèi)部可以拿它們做什么。

所以，這里面有太多不同變量需要優(yōu)化，比如是什么樣的算力、成本是多少、時間跨度有多長。但我們有一種非常動態(tài)的方式來同時看近期算力和中長期算力。不同的是時間跨度，評估的核心維度其實大體相同。

那價格和性能之間的權(quán)衡呢？你剛才提到性價比（price performance）。比如 每token成本、吞吐量、速度之間的取舍。從客戶角度看，他們都關(guān)心。隨著這些系統(tǒng)變得更快，速度可能還會解鎖一些現(xiàn)在我們還不知道的很有意思的新能力和用例。你能談談你們在評估算力時，如何看待這類權(quán)衡嗎？

當我們看三種不同芯片平臺的時候，每個平臺內(nèi)部還有多代芯片，可能有 TPU v5e、v6、v7，還有 Trainium 2、Trainium 3，它們都處在性價比曲線的不同位置。然后很重要的一點是，我們會看自己將如何使用它們。性價比關(guān)系到效率，所以很重要；速度對于某些用例同樣重要。因此我們會非常細粒度地看每種算力到底能為我們提供什么、在什么時間提供什么。這是我們做的事情，當然通常是由我們的算力團隊牽頭，但整個公司都會密切協(xié)作，一起討論我們在哪些地方需要這些算力，以及是為了什么。比如，我們可能需要 CPU 來做強化學習；我們也可能需要更前沿的算力，把它部署到我們最好、最快的模型上，或者用于訓練它們。所以對我們來說，一方面是客戶需求，另一方面也確實非常細地落實到每一種芯片最適合做什么，以及到時我們手里會有什么。

我一直對 Anthropic 這種對新算力的“代謝速度”很好奇。假如我明天空投給你們雙倍算力，你們多久能消化掉？如果我空投 10 倍算力，你們又多久能消化掉？這三大用途，訓練、內(nèi)部使用、客戶需求，是不是算力需求根本就是無限的？大家都在說到處都短缺，顯存相關(guān)股票都在狂漲。情況真有這么極端嗎？

我們內(nèi)部今天在這些不同用例上確實都處于某種受限狀態(tài)。如果是放到一兩年前，尤其是你這個例子里那種異構(gòu)的算力突然掉到我們頭上，要非常快地消化會更困難，因為這些芯片平臺并不一樣，它們確實存在差異，有些更難操作，有些在使用上也有自己的特殊性。但我會說，就今天而言，如果突然多給我們很多算力，我認為它會非常快地被部署到這些不同用例中。快速啟動并部署幾乎任何類型算力這件事，已經(jīng)容易得多了，而這恰恰是我們認為自己一個真正優(yōu)勢所在。

平臺也要構(gòu)建應用

回到客戶如何使用 Anthropic 這件事。有一個很有意思的張力和取舍，那就是平臺路線和應用路線之間的關(guān)系。也就是說，我在 Claude 之上建立自己的業(yè)務，由它來驅(qū)動我的產(chǎn)品；而你們自己做了我本來想做的那個東西，比如 Claude Design 對 Figma 之類。你們自己應該往應用層走多深，還是更多只做純粹的底層使能層？

我們現(xiàn)在做的大多數(shù)事情，其實都是平臺。我們認為，平臺有很多例子都能積累大量價值，但建立在平臺之上的客戶，往往能積累到更多價值。我覺得今天我們正在搭建的就是這樣一種格局。這有點像 AWS 的早期。如果你去想云平臺，以及后來圍繞它構(gòu)建起來的各種工具和服務，現(xiàn)在也一樣。因為現(xiàn)在已經(jīng)不只是原始模型接入了，還有提示詞緩存（prompt caching）、使用虛擬機的能力、在其中調(diào)用 Claude Code 或 dispatch、Claude agent SDK、managed agents。所有這些，我都把它們看作是其他公司接入模型智能的不同“向量”。這才是我們大部分精力所在，也是我們認為業(yè)務將主要走向的地方。

話雖如此，我們也會在同一個平臺之上構(gòu)建自己的應用，不過通常會同時滿足幾個條件。第一，如果我們覺得自己對模型未來走向有某種洞見，并能把這種洞見展示出來、同時為客戶創(chuàng)造價值，那我們就可能會做，Claude Code 可能就是一個例子。市場上很多東西其實更偏開發(fā)者主導，而Claude Code 是一個由 Claude 主導的平臺。當它一年多前剛發(fā)布時，模型還不太做得到，但我們認為它們會做到。后來它們也確實做到了。所以其中一種情況，就是在模型能力之前先走一步，提前去構(gòu)建。第二種情況，則是思考我們?nèi)绾我砸环N方式去示范生態(tài)系統(tǒng)中的價值，讓別人可以模仿。比如說面向金融服務的 Claude、面向生命科學的 Claude，甚至像云安全這類東西，這些都是我們把平臺組合起來的方式。

再次強調(diào)，我們和客戶其實是在同一個平臺上做構(gòu)建。我們認為這創(chuàng)造了一種相對公平的競爭場。同時我們也認為，這些領(lǐng)域里將會沉淀出巨量價值，我們的客戶能贏，我們自己也能贏。這也是為什么你會看到，我們在發(fā)布這些產(chǎn)品時，很多都是以合作式、伙伴式的方式做出來的，不管是在安全側(cè)、設計側(cè)，還是金融服務側(cè)，我們都會和生態(tài)系統(tǒng)合作。

所以我會把我們的戰(zhàn)略理解為主要是橫向的；而在某些垂直領(lǐng)域，如果我們認為自己能增加價值，或者能提供某種有用視角，或者能向市場展示我們認為平臺是如何創(chuàng)造價值的，那我們也會去做。但很多價值最終還是會沉淀到那些建立在平臺之上的客戶手中。我們的目標，是構(gòu)建最好的模型，然后圍繞這些智能構(gòu)建產(chǎn)品、工具和服務，讓這種智能在客戶內(nèi)部廣泛擴散。

現(xiàn)實是人們確實會害怕你們。因為大家會覺得，你們控制著這些新應用里最核心的東西，也就是底層智能和推理引擎。那些潛在客戶或現(xiàn)有客戶把你們視作競爭對手，你們到底有多在意？

這門生意難的一個部分就在于，它變化太快了。模型能力有時候連我們自己都會感到驚訝。所以當我們發(fā)布模型，或者在模型之上發(fā)布產(chǎn)品時，某種意義上就會出現(xiàn)一種情況，過去需要五年、十年、二十年才發(fā)生的東西，現(xiàn)在幾個月就發(fā)生了。當我們發(fā)布東西時，人們有時候也會對它感到驚訝，某種程度上就像我們自己也會感到驚訝一樣。但我認為，從根本上說，我們真正想做的，是以一種非常面向伙伴關(guān)系的方式去對待整個生態(tài)系統(tǒng)。這意味著我們有早期獲得計劃，會和客戶合作得非常緊密，會聽取他們想要什么樣的能力。當然，這并不意味著我們發(fā)布的東西不會讓人感到驚喜。我覺得其中一部分確實是這個周期、以及智能發(fā)展這個階段的現(xiàn)實。但另一部分是，我們也確實想讓這些能力盡可能容易被使用，而這同樣會為客戶創(chuàng)造大量價值。那些更早行動起來、率先采用這些能力的客戶，還有那些在我們的平臺上構(gòu)建并使用我們提供工具的客戶，我們認為實際上是可以被我們加速的。

你前面說第一季度從 90 億美元年化收入增加到 300 億美元，這個節(jié)奏太瘋狂了。這讓我開始想定價這個問題。無論是 token 的定價，還是整個系統(tǒng)使用的定價，很多人在一年前會說，價格只會不斷下跌。但實際上現(xiàn)在很多情況下價格反而在上漲。這在不同層面都成立，比如 Mythos 的定價就很高，因為它太強了，再比如 H100 的成本，租賃價格看起來像一條微笑曲線。我很好奇，既然所有人都受算力約束，為什么大家不干脆大幅提價，去找到那個真正的均衡點？所以我很希望你充分談談定價，你們怎么想，權(quán)衡是什么，為什么不直接把價格大幅抬高。

答：公司其實也才剛剛五年多一點。今年 3 月，只是公司拿到第一美元收入的第三個周年。真正擁有一個前沿模型，也只是從 2024 年 3 月才開始。所以，這些事情發(fā)生的時間尺度本身就是一個很重要的背景。我們的定價在 Haiku、Sonnet、Opus 這些系列上，其實一直相對穩(wěn)定。現(xiàn)在 Mythos 當然是更新、更特殊一點，但總體來說，我們做過的價格調(diào)整非常少。

我們做過的最大一次價格調(diào)整，是在發(fā)布 Opus 4.5 時把 Opus 家族的價格下調(diào)。原因其實是我們發(fā)現(xiàn) Opus 級模型相對于它的能力來說，被使用得不夠充分。也就是說，人們經(jīng)常試圖把一個本該用 Opus 解決的問題，硬塞進 Sonnet 的工作負載里。而由于我們前面提到的那些效率提升，我們從自身角度看，其實能夠非常高效地服務這種模型，但同時又能把價格降下來，讓客戶更容易使用它。所以，還是回到那個核心點：我們希望客戶能夠從中創(chuàng)造出大量價值，而今天他們確實已經(jīng)從我們的模型中獲得了很高的 ROI。我們希望這件事持續(xù)下去，因為我們的目標是讓這種智能在整個生態(tài)系統(tǒng)中擴散。我們認為，這些用例都還處在非常非常早期的階段。要實現(xiàn)這一點，最好的方法，就是把這種智能交到盡可能多的企業(yè)手中，從創(chuàng)業(yè)公司、數(shù)字原生企業(yè)，到世界上最大的那些公司。要做到這一點，其中一部分就意味著，你必須把價格設在一個他們可負擔、同時也能讓他們從中獲得大量價值的水平。

Opus 的降價實際上就體現(xiàn)了杰文斯悖論。我們把價格降下來了，但消費量增長得遠遠超過原本的預期。而我們自身又有足夠的效率，能在規(guī)模上把它服務出來。接著，他們又會把它嵌入自己的工作流中。這樣，當我們發(fā)布 Opus 4.6 時，模型改進就能直接替換進去，而我們并沒有改動價格。所以我們認為，價格穩(wěn)定非常重要。我們也認為，以一種能讓客戶真正感受到價值、并讓這種杰文斯悖論發(fā)生的方式來定價，同樣非常重要。

所有算力支出的總回報

你們?nèi)绾嗡伎祭麧櫬剩驗榻⑦@些前沿實驗室實在太資本密集了。既然你們需要這么多資本，為什么不直接有一個健康的利潤率，然后據(jù)此把價格定出來，之后如果效率變得更高了，價格也許再往下調(diào)。所以我很好奇，你們是怎么把利潤率、定價和業(yè)務放在一起思考的。

我們思考的是，所有算力支出的總回報是什么。也就是說，是把我們前面談過的所有不同工作負載都放進來一起看，不管是服務客戶，還是模型開發(fā)。你可以把它們都看成在支持收入，只不過時間尺度不同而已。如果我在做推理服務，那是在支持今天的收入。如果我在做模型開發(fā)，那也許是在支持六個月后通過能力躍遷解鎖 TAM、進而帶來的收入。中間還有各種不同層次。如果我是在做內(nèi)部加速、以便推出新產(chǎn)品，這些也都在支持收入。

今天我們在這些算力支出上的回報是很強勁的。非常強勁。我們看的是整個算力資源池上的回報。我們一方面在向客戶交付價值，另一方面也在這些算力上獲得了非常強的回報。當收入增長時，就像我們前面提到的第一季度，并不是說那段時間里我們突然上線了很多新算力。我們前面講過，算力是某種逐步到位的，而這個節(jié)奏可能是 12 個月前就決定好的。所以那種“服務一個新增客戶的邊際可變成本”這種概念，其實并不太適合我們的業(yè)務。那是一種試圖把我們的業(yè)務套進傳統(tǒng)軟件范式里的理解，但事實并不是這樣。實際上，算力是在同時支撐所有這些活動，而我們確實在這個算力上產(chǎn)生了強勁回報，這才是我們真正的衡量標尺。

所以我們會把手里的這整個算力池，看作決定我們在短期和長期能推動多少收入的那個核心東西。

作為一個算力大客戶，你會希望你的算力供應商做到什么，才算是一個優(yōu)秀供應商，才能真正幫助你實現(xiàn)這種回報？

我們很幸運，擁有非常好的合作伙伴，包括亞馬遜、谷歌、微軟，還有博通和英偉達。我們的生態(tài)系統(tǒng)也因此形成了。今天我們是唯一一個同時部署在三家云上的模型，也是唯一一個同時使用這三種芯片平臺的語言模型實驗室。而且這些合作關(guān)系遠不只是采購那么簡單，我覺得這一點常常被忽視。

如果你看看我們和亞馬遜的關(guān)系，我們的團隊和 Annapurna Labs 團隊是深度嵌在一起的。我們是非常優(yōu)秀的 Trainium 用戶。我們投入了大量時間和精力，與對方團隊以及內(nèi)部團隊都密切合作。我們是一起規(guī)劃產(chǎn)能的。你如果再看這三家云，它們對我們來說同時也是很強的分發(fā)引擎。我們自己也有非常強健的第一方業(yè)務。但這些合作關(guān)系都是多層面的，不只是一起開發(fā)芯片、讓產(chǎn)能落地、把這些能力服務出來，最終還包括把它們分發(fā)給客戶。

內(nèi)部財務系統(tǒng)的技能庫

我腦子里會想到你們那個“算力 ROI”模型，它跨越不同時間跨度，又有這么多復雜變量。這讓我很好奇，你自己在內(nèi)部是如何使用這些強大工具來管理你的團隊和整個業(yè)務的？Claude Code 和 Claude 在 Anthropic 財務團隊內(nèi)部到底是怎樣部署的？

這個問題非常有意思。大概一年前我們就在用 Claude Code 了。那時候我開始問大家，是不是所有人都在“vibe coding”了。后來我們開始把 Claude Code 當成一種助手，或者說數(shù)字同事，不只是用于編碼任務。事實上，這也是后來 Co-Work 最早的雛形之一。它本質(zhì)上是 Claude Code 的一種延伸，也就是把它在智能體軟件開發(fā)上做到的事情，推廣到所有知識工作中去。

后來我們開始把它真正產(chǎn)品化。我們也會花很多時間和產(chǎn)品團隊一起工作，他們會看我們怎么用，也會從中獲取輸入和反饋。比如今天，我們所有法律實體的法定財務報表（statutory financial statements），都可以用 Claude 生成。當然，最后還是會有人來核對，但這些財務報表本身都是用 Claude 生成的。

我們還有一個更實時的平臺，叫 ant stats。過去，你要花很多時間去篩數(shù)據(jù)、得出結(jié)論、再寫備忘錄，或者發(fā)布一份定期報告，說明當天發(fā)生了什么、是什么驅(qū)動了這些變化。現(xiàn)在，我們已經(jīng)有了一個面向 Claude 的技能庫，里面專門是給財務工作設計的技能。我上次看時，里面已經(jīng)有 70 多個技能，大家都能通過一個公共倉庫來訪問。

在這個基礎上，我們又構(gòu)建了一個 MFR，也就是月度財務復盤（monthly financial review）技能。它現(xiàn)在已經(jīng)可以產(chǎn)出我們的月度財務復盤，完成度大約在 90% 到 95% 之間。Claude不只是在播報天氣，它還在幫助我們思考驅(qū)動因素，比如為什么數(shù)字會以這樣的方式變化。這會讓你對業(yè)務有非常深入的洞察。

以前可能要花好幾個小時才能做出來的一份周報，比如說明收入是由什么驅(qū)動的，或者算力利用率是由什么驅(qū)動的，現(xiàn)在 30 分鐘就能完成。然后我們就能把時間真正花在業(yè)務的戰(zhàn)略含義上。我們也能更快地把這些洞察交到業(yè)務負責人手里。所以這意味著，公司內(nèi)部的洞察引擎快了很多。

我們還有一些有意思的東西。比如我會看一個儀表盤，觀察 token 使用排行榜。我們當然不會按照這個來給員工發(fā)獎金，也沒有人在為了 max token 而刻意刷量，但它真的很有意思，因為財務團隊里一些最資深的人，恰恰是token 用量最大的用戶。所以這不只是那種 22 歲、剛加入公司、有編碼背景、周末自己玩這些工具然后把它帶到工作里來的年輕人。它同樣包括那些在用這些工具重塑自己工作方式的人。比如我覺得我們的第一大用戶就是稅務主管。他會重點做稅務政策引擎，也會自動化團隊內(nèi)部大量工作負載。我特別喜歡看到這種情況。我經(jīng)常對大家說，如果我們自己都不是這些工具的超級用戶，如果我們自己都不去把它們推到極限，那你又怎么能期待客戶去這么做呢？

人效提升，需要招更多人

這會不會也讓你有點害怕？作為一個普通人，越來越有一種感覺，好像我們開始去做 AI 告訴我們?nèi)プ龅氖虑椋热玟N售上的例子，或者日歷安排之類。也許這很好，也許它就是比我們更好的協(xié)調(diào)者、更好的全局思考者、更好的優(yōu)化器，所以我們就應該照它說的做。但這種現(xiàn)實來得這么快，總讓我覺得多少有一點反烏托邦色彩。如果我真的閉上眼去想，就會覺得，哦，我好像只是在執(zhí)行它告訴我該做什么，而不是我告訴它去做什么。這是一種非常有意思的人類關(guān)系變化，我很好奇你怎么看。

我對此的看法可能稍微不一樣。我認為，這讓我們本來已經(jīng)招進來的那些非常優(yōu)秀的人，變得更加高效了。這里面有一點我還是會把它看成杰文斯悖論，只不過是“勞動力版”的。也就是說，人變得極其高效之后，我們實際上反而招了更多人，因為要做的工作根本做不完。現(xiàn)在有了 Claude 的幫助，人們花更少時間在 MFR里試圖去對平某個數(shù)字，他們實際上開始在想，我們該如何把這些資源重新投入到業(yè)務里？我們該如何動態(tài)地配置資源？而在以前，我可能只是花很多時間去核對一個數(shù)字，或者像前面會計的例子里那樣，花很長時間才能把賬結(jié)完。所以我其實會更樂觀一點地看待它。它是我們生產(chǎn)力的加速器。這實際上意味著我們能完成更多事情。即便團隊在增長，這些人逐漸學會在公司內(nèi)部使用 Claude，也會變得更高效。我覺得這種情況也開始在很多公司里變得成立。

前沿、安全、信任

你們已經(jīng)籌集了海量資本。如果我只是看一下當前收入對應的估值倍數(shù)，其實并沒有瘋狂到離譜。你和投資人打交道是什么感覺？他們對公司的理解是如何演進和成熟的？你覺得今天投資人整體上已經(jīng)理解了哪些，又在哪些地方仍然誤解 Anthropic？

我大概兩年前加入公司，當時我們正在完成 D 輪融資。那次融資并不順利。其實是在那輪融資的期間，公司才真正擁有一個前沿模型。到了尾聲，F(xiàn)TX 交易又發(fā)生了，還涉及到拋售一大批 Anthropic 股份（指FTX破產(chǎn)，清盤出售Anthropic當時約7.84%的股份——譯者）。那時候（投資人）的問題大概都是這樣：你們?yōu)槭裁匆欢ㄒ幸粋€前沿模型？做這件事的回報到底在哪里？還有很多問題和我們的使命、以及我們做事的方式有關(guān)。比如有人會說，AI 安全和做一家特別大的公司，這兩件事不是相互沖突的嗎？還有一些別的誤解，比如你們的銷售隊伍很小，難道不應該像其他企業(yè)軟件公司那樣快速擴張嗎？所以當時有一種很明顯的傾向，就是試圖把我們?nèi)M某個過去已經(jīng)存在的模子里。

隨著時間推移，這件事變了。到 2024 年底，我們完成了 E 輪融資。當時業(yè)務規(guī)模已經(jīng)接近 10 億美元年化收入。但我們第一次交割的那天，恰好也是 DeepSeek 新聞出來的那天。交割當然還是完成了，但市場隨之出現(xiàn)了巨大的波動，很多人開始說，等一下，我是不是應該完全重寫我對 AI 的理解？他們會看我們的預測，然后說，好吧，我明白了，你們確實增長很快，竟然這么快就長到接近 10 億美元年化收入，但不可能一直這樣繼續(xù)下去吧。這不可能，總有物理定律限制。你們做企業(yè)市場當然很好，但企業(yè)采用速度不可能這么快。看看云計算花了多久，現(xiàn)在還有那么多人在本地部署。可業(yè)務本身不斷證明我們的那個核心論點是對的，也就是前沿智能的回報非常高。真正發(fā)生的事情，是模型增長帶動了產(chǎn)品，再由 go-to-market 團隊和分發(fā)體系把它釋放出來。

然后我覺得投資人也開始看到另一個以前很多人并不真正理解、也不真正相信的聯(lián)系。那就是，構(gòu)建這種變革性技術(shù)固然重要，但必須以正確的方式、負責任的方式去做。而這種理念，與我們的業(yè)務其實存在很有意思的相互連接。我們投資研究，不只是投模型開發(fā)，也投資 AI 安全研究。比如可解釋性，這是我們開創(chuàng)的方向之一。你可以把它理解成模型的磁共振成像，用來看神經(jīng)網(wǎng)絡內(nèi)部是如何工作的。我們還開創(chuàng)了對齊科學，也就是你希望模型按照你的要求行事，它到底多大程度上照做了，又有多少次偏離了你的要求。這些東西對我們的使命很重要，所以我們?nèi)プ隽怂鼈儭５鼈冇之a(chǎn)生了下游效應。事實證明，如果你能看進模型內(nèi)部，你就更擅長構(gòu)建模型。

最后還有一層聯(lián)系。我們現(xiàn)在已經(jīng)賣給了《財富》榜前十大企業(yè)中的九家，那么這些企業(yè)都在把客戶信息、內(nèi)部數(shù)據(jù)交給我們，它們的員工在和我們的系統(tǒng)交互，有時候甚至它們的客戶也會與之交互。那都是最敏感的工作負載。越來越多的業(yè)務將運行在 Claude 和我們的云平臺上。當你已經(jīng)投入并將繼續(xù)做這些在安全、可解釋性、對齊上投入時，這實際上也會反過來惠及企業(yè)客戶，事實上也惠及所有客戶。因為如果他們要把這么多訪問權(quán)限、這么多數(shù)據(jù)、以及進入公司最敏感工作流的能力交給我們，他們就會希望面對的是一家值得信任的公司。我們當初不是出于這個目的去投入這些研究的，但它確實產(chǎn)生了這樣的下游效果。我們一再看到，這件事被證明是成立的。也就是，成為一家既站在前沿、又持續(xù)投資于安全、并且值得信任的公司。

自我加入公司以來，我們已經(jīng)籌集了 750 億美元。上個月我們和亞馬遜、谷歌簽訂的協(xié)議中，未來還會再有 500 億美元進來。所以這是一筆極其龐大的資本。但這本來就是一個資本密集型業(yè)務，我們需要這些資本來支撐增長。不過歸根到底，這一切都回到那個事實：業(yè)務本身運行得非常高效。所以我們?nèi)谫Y更多是因為那個“不確定性錐體”，而不是因為今天業(yè)務本身在虧損、需要靠融資去填虧空。

你的客戶取得了什么回報

你自己對于這種 10 倍增長的感知是怎么變化的？比如第一次看到業(yè)務可能 10 倍增長時，你個人真的相信這有可能嗎？還是覺得非常不可思議？而現(xiàn)在也許對你來說開始變得更平常了。那你盯著這個“不確定性錐體”時，自己對于連續(xù)數(shù)年實現(xiàn) 10 倍增長的概率，到底是什么感覺？

我加入公司時，它大約有 2.5 億美元的年化收入。計劃是做到 10 億。我當時的第一反應是，太好了，那是在哪一年做到？這其實就是典型的線性思維。坦率說，達里奧（Dario Amodei）在收入預測上一直都比我更準確。我想隨著我們對業(yè)務理解更深、預測能力更強，差距會慢慢縮小。但沒錯，第一次看到這個的時候，你腦子里會冒出各種關(guān)于物理定律、大數(shù)法則的論點，這怎么可能？這些收入從哪里來？客戶怎么可能增長得這么快？企業(yè)怎么可能移動得這么快？所有這些懷疑，都會隨著你看到業(yè)務在內(nèi)部實際是怎么運作的、你看到那些采用曲線和指數(shù)現(xiàn)象之后，逐漸被打破。我們有收入上的指數(shù)增長，但支撐這些收入的底層，其實還有很多其他指數(shù)增長在發(fā)生。你會越來越看見它，也越來越相信它。

當然，這并不意味著我們在預測和情景區(qū)間上就不再有紀律、不再認真思考。但這確實意味著，我自己的思維已經(jīng)從線性、漸進式，很大程度上轉(zhuǎn)向了更愿意擁抱這種指數(shù)增長，并真正相信它的潛力，相信這和其他業(yè)務的演化方式是不一樣的。

你在每一輪融資、每一個階段和投資人交流時，我相信總會有一些東西，是當時最最難向投資人解釋的，也就是他們最難理解、最難真正想明白的。今天這個點是什么？

我覺得，今天這個點就是算力是如何被使用的這個范式。也就是，不把算力看成某段時期內(nèi)的一個可變成本，而是把它看成一種可以被極其靈活利用的資源。比如我們今天可能早上用某一批芯片做推理，下午或晚上又拿它來做模型開發(fā)。在傳統(tǒng)軟件公司、或者工廠里，這種范式是不存在的。你不能說一批人在做研發(fā)，那就是你的研發(fā)費用，然后這些人又立刻去變成生產(chǎn)線上的齒輪，反之亦然。但在這里，算力真的具有這種可替換性。我認為，這正是為什么算力回報如此重要。我覺得人們開始理解這件事了，但仍然存在一種傾向，會說我要把這些成本分開看。而實際情況是，這些成本彼此之間是高度相互強化的。這種靈活性，恰恰是它在短期和長期都能推動收入的原因。

如果讓你坐到一家大型投資機構(gòu)的投資人位置上，然后讓你去拷問這些公司，投出最好的那批，你會問這些模型公司什么問題？哪些問題能真正擊中那些不確定點、懷疑點、或者那些風險導致它們未必會成為史上最偉大企業(yè)？

我會說幾個問題。第一，這家公司在算力上的總體 ROI 是多少？它是怎么使用這些算力的？今天已經(jīng)看到了什么樣的回報？這些回報是隨著時間怎樣到來的？畢竟像我們這樣的公司，正在進行的是巨量而前所未有的投資。那么你在這些投資上究竟獲得了什么回報？它什么時候出現(xiàn)？它的回報曲線長什么樣？這是第一個。

第二，是客戶怎樣看待他們從你提供的東西中得到的 ROI。人們只是在拿這個做測試嗎？還是他們真的在有意義地大規(guī)模部署？如果說我們自己的業(yè)務，我可以說這種情況已經(jīng)非常明顯了。我們（老客戶）的凈美元留存率（net dollar retention rate） 按年化計算已經(jīng)超過 500%。而且我們服務了《財富》前十中的九家。這些都是真正的客戶，在做真正重大的采購決策。

所以客戶已經(jīng)不是在嘗試性使用了。

沒錯。比如我打Uber來這里的路上，20分鐘車程里我就簽了兩筆數(shù)千萬美元級別的承諾。所以從這個角度看，我們是真正在看到這件事發(fā)生。而且現(xiàn)在，我們面對的是世界上最大的一些公司、最成熟的一些買方，以及同樣擁有市場選擇權(quán)的創(chuàng)業(yè)公司，而他們都在選擇我們。但我想，站在懷疑型投資人的角度，我經(jīng)常會被問到的，或者我自己會問的一個問題是，你的客戶究竟從中獲得了怎樣的回報？

第三個問題可能是，你怎么看未來的算力，以及它將從哪里來？因為很顯然，我們購買算力來自的某些供應商，它們本身也會把算力賣給別人，它們自己也可能內(nèi)部使用這些算力。那么未來這種平衡會怎么走？對我們來說，這也是為什么我們會擁有多個不同來源。

所以你的哲學其實就是，和最優(yōu)秀的玩家合作，同時保持靈活性。

對，就是這樣。

AI發(fā)生得太快了

有一個很瘋狂的數(shù)據(jù)，說公眾對 AI 這個概念的好感度，甚至還不如對國會的好感度。乍一聽覺得挺好笑，但仔細想想就會覺得這事其實挺嚴重，我們得解決這個問題。那些不在科技行業(yè)、不生活在灣區(qū)或紐約的人，似乎還沒有真正感受到，也沒有真正理解 AI 為什么對他們有好處。你覺得，作為一個行業(yè)，我們需要做些什么來解決這個問題？

我們?nèi)ハ胝诎l(fā)生的這場變革，歷史上也有別的變革浪潮，從工業(yè)革命到互聯(lián)網(wǎng)再到云計算。我覺得 AI 有一個不同的地方在于，一切發(fā)生得太快了。你會看到原本需要幾年甚至幾十年才能完成的進步，被壓縮到幾個月里。而回到前面說的人類更習慣線性思維而不是指數(shù)思維，這種變化會讓人感到強烈沖擊。

總體上，我們對這項技術(shù)的潛力是非常樂觀的。我認為，作為一個行業(yè)，我們還可以做得更好的一點，是更清晰地去闡述這種潛力。達里奧寫過《機器之恩典》（Machines of Loving Grace）那篇文章，核心就是講這項技術(shù)如何有潛力改變我們的生活。無論是在藥物研發(fā)方面，治療那些主流的疾病，也包括罕見病；還是在醫(yī)療本身，以及醫(yī)療供給的方式；又或者是在發(fā)展中國家，在資源不那么充足的地方，提升我們的生活水平。我認為，這些都是 AI 所承諾的未來。所以我們大概可以做得更好一點，把這幅圖景講出來，并隨著時間推移拿出更多具體、可感知的結(jié)果來展示它。我覺得這些都會到來，這也是我最樂觀的事情之一。

但另一方面，這確實同樣是我們文化的一部分，就是我們也想把風險講清楚。我不認為我們應該只是告訴所有人，一切都會很美好。因為這條路上很可能會有顛簸。所以我覺得，人們通常會更愿意接受誠實而平衡的判斷。如果我感覺一個人只告訴我好消息，而完全不提壞消息，我就會想，那我真的該相信這個視角嗎？所以我認為，這里面需要一種平衡，也就是明確地說，當變化在短時間內(nèi)被壓縮發(fā)生時，會出現(xiàn)這些問題。我們該如何在商業(yè)界和政府之間協(xié)作，真正拿出一些解決方案？所以我覺得，一方面要清晰闡述機會在哪里；另一方面也要認真思考那些解決方案可能是什么。而這不可能由任何一家公司單獨給出。我們沒有一套能夠解決一切問題的藍圖，但至少要把某些風險和下行，以及我們可以應對方法的討論進行下去。然后，我覺得當我們談這些問題時，對機會和風險兩邊都保持透明，非常重要。長期來看，機會會遠遠大于那些風險和下行。但這并不意味著這條曲線會是完全平滑的。

Mythos 的發(fā)布是一個非常有意思的時刻。那是我第一次聽到那些很認真關(guān)注這個行業(yè)的人，說出類似這樣的話：“這個讓我有點害怕了。” 所以它又回到了安全問題上。這也許是第一個你們真正擔心可能被用于壞事的模型。我很好奇，在外界聽說之前，你們內(nèi)部是怎么討論它的，圍繞它的決策過程又是什么樣的。那些真正會讓你們感到害怕的東西是什么。

關(guān)于 Mythos，有一件事大家也許誤解了，那就是把它理解成一個純粹的“網(wǎng)絡安全模型”。但其實它是一款在很多很多不同維度上都極其強大的模型。我們發(fā)現(xiàn)網(wǎng)絡安全恰好是其中一個特別突出的維度。所以，這是我們第一次決定用一種不同的方式去發(fā)布模型。而我們這么做的方式，依然是和我們的使命、原則保持一致的。我們希望以這種方式來發(fā)布它。所以我們采用了一種分階段的方法，因為我們認為，當一個模型強到這種程度時，雖然大家關(guān)注的焦點是網(wǎng)絡安全，但其實還有其他方面亦是如此，我們還是認為它可以被用于正面的用途。比如修補代碼庫。你已經(jīng)看到了這些例子，比如我們曾經(jīng)有一個開源代碼庫，之前的某個模型在里面發(fā)現(xiàn)了 22 個安全漏洞，而 Mythos 找到了 250 個。這個結(jié)果本身確實是有點令人害怕的。也正因為如此，它決定了我們發(fā)布它的方式。

我們沒有說永遠不發(fā)布它。我們說的是，讓我們用一種分階段的方式來發(fā)布，讓它先進入一個會隨著時間擴大范圍的群體中。這樣我們就能把注意力集中在這個網(wǎng)絡安全能力上，并思考它究竟怎樣能夠被正向使用，比如以防御性的方式，而不是進攻性的方式。我們認為，這也許會成為未來可重復使用的一種模板。但正因為有這樣一個特別突出的領(lǐng)域，我們才想在發(fā)布方式上對此保持足夠?qū)徤鳌?/p>

你們現(xiàn)在已經(jīng)大到會攤上幾乎所有事了。就在前幾天，政府說，也許在一個新模型向公眾發(fā)布之前，你們得先經(jīng)過某種政府預審。當然，你們之前和政府部門打交道也有過非常特別的經(jīng)歷。現(xiàn)在所有人都開始關(guān)心這家公司、這項技術(shù)，以及另外那幾家也在構(gòu)建AI的公司了。你們是怎么處理這些事情的？有些當然超出你們控制之外，但我相信你們也在盡力和各方合作。也許你可以談談這兩個例子，也就是政府現(xiàn)在作為一個非常重要的伙伴、參與者、監(jiān)管者，所扮演的角色。

我覺得首先，我們非常重視和政府保持良好關(guān)系，因為我們確實認為，在這些模型未來如何被開發(fā)的問題上，監(jiān)管應該扮演一個角色。我們的立場非常“美國優(yōu)先”。我們希望這項技術(shù)能支持美國，也支持全世界的民主國家。這也是為什么我們會在像 Mythos 這樣的事情上，與政府密切合作。我確實認為，這里面要把握平衡。你當然希望創(chuàng)新能夠發(fā)生得很快，不要被拖慢；但同時你也希望這些東西的部署，存在某種責任框架。因為我們一直都在說，這項技術(shù)具有重要影響，我們也應該誠實地討論這些影響，而這種討論也包括和政府一起展開。所以我認為，Mythos 的發(fā)布過程其實就是一個很好的例子。

智識上的開放與誠實

到底是什么在真正驅(qū)動這家公司的文化？達里奧每隔一段時間就會對外發(fā)布那種很長的文章。我的理解是，他在內(nèi)部寫得更頻繁，內(nèi)部也有很強的寫作文化。我想感受一下，身處其中到底是一種怎樣的文化，它和你待過的其他公司，或者和那些試圖做同樣事情的其他公司相比，最獨特的地方是什么。

Anthropic 的文化確實非常獨特，這一點是公司很特別的一面。我們在外部也會談這個，但當你真正身處其中、在里面生活時，那種感覺又不一樣。我可以講講我的一些觀察。首先，我們有七位聯(lián)合創(chuàng)始人，我覺得他們真的為公司文化樹立了榜樣。

我們會有文化訪談（culture interview），而且那不是某種走流程的形式主義，不是為了打個勾。它是評估流程里真實的一部分。所以，某個人即便在其他一切方面都表現(xiàn)得非常出色，甚至是你見過在這個崗位上最聰明的人，如果他沒通過文化這一關(guān)，我們也不會錄用他。

這家公司首先非常協(xié)作。這意味著我們不太容忍那種各自為政的小王國，不太容忍那種鋒芒畢露、動不動就搶功勞的作風。它也非常謙遜。我們的競爭對手都極其強大，成功遠遠沒有保證。我覺得這是真正滲透在公司運作方式里的東西。如果我們達成了一個里程碑，發(fā)生了一件好事，地上不會突然撒滿彩帶，大家的反應會是，下一步呢？我覺得那種對使命的專注，以及對齊狀態(tài)，貫穿了整個公司文化。

我還會說的一點是，這里存在非常嚴謹?shù)霓q論。有一種智識上的開放和誠實。人們會質(zhì)疑各種事情，人們會非常明確地表達自己的觀點，但圍繞這些觀點會展開有建設性的對話。然后，我們會決定一條前進路徑，一旦做出決定，之后就會有真正的對齊。就像我們前面說的算力分配，大家可能對如何分配算力有不同看法，但他們會圍繞“哪里回報最高、哪里最值得投”展開非常認真、深思熟慮的討論。而一旦討論結(jié)束、決定做出，大家就會真正對齊，不會再反復猜疑，不會再有那種政治博弈或者小山頭。

還有一點，這家公司在文化上非常透明。達里奧大約每兩周就會站到全公司面前，通常會寫一份簡短文件，講三四個主題，然后接受全公司開放提問。這些不是軟問題，也不是預先安排好的問題，而是員工腦子里真正想問的問題。他會盡力去回答。當然那不是一個做決策的論壇，但它是公司了解領(lǐng)導層、了解他本人在想什么的一扇窗口。而且在那個過程中也會有辯論和對話。我覺得員工非常看重這一點。它確實是一種透明文化。

這樣的文化讓七位聯(lián)合創(chuàng)始人至今都還在公司里。最早的 20 到 30 名員工里，絕大多數(shù)也都還在公司。我覺得，文化就是我們?yōu)槭裁茨軌蛭⒘糇⌒袠I(yè)里一些最好人才的底層原因。因為我們并不總是給出最高的薪酬。我們的薪酬當然非常有競爭力。當 Meta 等公司帶著非常夸張的報價去挖大語言模型實驗室里的技術(shù)人才時，我們只流失了兩個人，而其他實驗室可能流失了幾十個。

AI是一種向上競賽

那對于研究人員來說，具體是業(yè)務和文化的哪些部分，產(chǎn)生了這個結(jié)果？

我覺得，真的還是文化在底層支撐著。而且這不只是我們自己的感覺。你去和那些人聊，會發(fā)現(xiàn)事實就是如此。大家會說，我想要盡可能產(chǎn)生最大的影響；我想在一個人才密度比人才規(guī)模更重要的地方工作；我也想在一個真正協(xié)作的環(huán)境里工作，而不是那種我要為某件事去爭斗、然后覺得事情沒有被以正確方式討論，或者某個決定是怎么做出來的都不透明。我覺得這些真的很重要，因為我們團隊中的大多數(shù)人，就是想做非常非常好的工作，他們被公司的使命吸引，也被這樣一個想以負責任方式開發(fā)這種變革性技術(shù)的公司所吸引。我覺得這不僅對研究團隊重要，對全公司都很重要。我們認為這對我們來說是一個真正的優(yōu)勢，而且我們非常認真地對待它。

我們內(nèi)部有一個概念叫“向上競賽”。我們并沒有所有正確答案，也并不總是每件事都做得完美，但我們希望其他人也能看看我們做的一些事情，也許借鑒其中一部分，從而讓整個行業(yè)里的技術(shù)開發(fā)方式變得更好。我覺得很多人也會被這一點所吸引。還是那句話，并不是說我們知道所有答案，而是我們可以為這項技術(shù)如何更好地造福人類，做出一部分貢獻并起到一定引領(lǐng)作用。

對你來說，“前沿”到底是什么感覺？我說的不只是模型前沿，而是整個 AI 構(gòu)建里接下來那幾輪擲骰子的感覺。現(xiàn)在所有人都已經(jīng)知道這些東西很強，所有人都在用，它正在擴散，人們也開始逐漸接受它。從內(nèi)部看，什么才真正像是前沿？

我覺得，這還是那個愿景。還是因為我們聚焦企業(yè)，因為我們真正想改變的是整個經(jīng)濟里知識工作的生產(chǎn)率。我認為，它正在朝著這樣一個愿景或者說這樣一個目標前進：成為一個“虛擬協(xié)作者”。你可以把它理解為，一個真正處在你的組織內(nèi)部語境中的東西。它能夠使用那些專屬于你的各種工具，不管是你們自己開發(fā)的工具，還是你們采購來的工具；它擁有記憶，能夠有效地從你犯過的錯誤中學習，也能從它自己犯過的錯誤中學習。它還能夠在非常長的時間跨度上工作，處理的不只是某一個任務，而是某一個真正的想法。

這對我們來說意味著，模型能力必須繼續(xù)增長，才能支持這種形態(tài)。而建立在模型之上的產(chǎn)品，則可以進一步解鎖我們所說的這種“虛擬協(xié)作者”，我們認為它真的能夠大幅提升知識工作的效率。但你還必須把它做成正確的形態(tài)。因為這里的智能并不是單一維度的，它是很多維度的組合，而“虛擬協(xié)作者”其實就是把這些維度結(jié)合在一起。它不只是泛泛地聰明，而是對你的具體用例來說很聰明。

我覺得，我們在編碼領(lǐng)域看到的東西，也會在其他領(lǐng)域出現(xiàn)。對我們來說，Claude Code 已經(jīng)在這方面起了帶頭作用，而且我們很多非常優(yōu)秀的客戶也在一起推動編碼前沿。然后你又會看到像Co-Work 這樣的東西出現(xiàn)，它開始比當初的 Claude Code 更快地解鎖這種“協(xié)作工作”的能力，如果把它們放在同樣的時間起點去比較的話，這其實相當驚人。因為開發(fā)者本來已經(jīng)是這項技術(shù)最快的采用者了。但我覺得之所以會這樣，是因為模型能力和產(chǎn)品都在朝著“虛擬協(xié)作者”這個方向推進。

甚至連我們今天的產(chǎn)品開發(fā)，也不再是一個產(chǎn)品經(jīng)理帶著兩個工程師，花三個月交付一個東西，而是每天都在發(fā)布，有一整隊智能體在公司里圍繞某個具體任務工作。每個人都在某種程度上變成了管理者。我認為，這件事的含義，以及當它以正確形態(tài)出現(xiàn)時所能帶來的生產(chǎn)率提升，我們現(xiàn)在還非常非常早期，但它的潛力是驚人得近乎瘋狂的。

同時握住光與影

你個人是如何進化，才能一直跟上這一切的？我們經(jīng)常聽到這樣的說法：高管也必須跟著公司一起成長，否則公司就會換掉高管。所以你和所有人一樣，都處在某種前所未有的新事物之中。你前面提到，從線性思維轉(zhuǎn)向指數(shù)思維，就是一個例子。但除此之外，你個人到底是怎么做到的？你做了什么？最痛苦的部分是什么？當眼前這個東西的增長速度比我們過去見過的都更快時，你怎么管理自己的能力，跟著它一起擴張？

這真的很難。但我覺得，重要的是要回到第一性原理。每個人面對新事物時都會帶著先驗判斷。所以，要從第一性原理思考，同時保持一種智識上的開放。我花了很多時間和我們的首席計算官布朗（Tom Brown）在一起。他其實是最早面試我的人之一。我記得在我正式入職前不久，我們一起散步，在舊金山 Mission 區(qū)走了兩個半小時。他開始給我講他對公司未來的愿景，那時候是 2024 年初。老實說，聽起來簡直瘋狂。

他一路把我送到家。我記得回家之后對我妻子說，如果他說的那些事情哪怕只有 10% 是真的，這都會徹底扭轉(zhuǎn)我見過的一切范式，不只是我自己見過的，而是大多數(shù)人見過的范式。后來證明，在那次散步里 Tom 說的很多事，真的都成真了。我一直記得那是一個很早期、很有塑造性的時刻。回到家時，我的感覺就是，天啊，這會是完全不同、全新的東西，會是一段非常不可思議的經(jīng)歷，但也會是一段非常有挑戰(zhàn)的經(jīng)歷。后來事實也確實如此。

另一部分，就是去招到真正優(yōu)秀的人。我在面試時會直接告訴別人，我并不是把你當成我的直屬下屬來招聘，我是在把你當成一個合作伙伴來招聘，我也希望你把這種關(guān)系當成伙伴關(guān)系。這意味著，你和我可能會有不同意見。我想聽到這些不同意見，我想把它們攤在白板上。我想真正理解。我們招進來的人，有些來自世界上最好的公司，他們帶來的視角也不同。有的人來自云巨頭，有的人來自大型軟件公司，也有人來自金融服務業(yè)。再往前一段人生，我自己曾在黑石的私募股權(quán)團隊工作過。那樣的訓練非常有價值，它讓你會從很細顆粒度的角度去思考問題，而且不會丟掉這種能力。我不是那種能舒服地待在五萬英尺高空、只做抽象判斷的人，那不是我。但在這門生意里，你也不可能對每件事都貼到五百英尺低空去看，因為要覆蓋的面太大了。所以，擁有一些能在這方面真正成為伙伴的人，是極其關(guān)鍵的。

Tom 當時散步時到底跟你說了什么，聽起來最瘋狂？

我的意思是，我們當時談了很多關(guān)于算力基礎設施規(guī)模的問題，談了模型在很短時間里能夠做到什么。我覺得，他描繪的是一個在我聽來近乎科幻的世界。但我們今天此時此刻正在經(jīng)歷的很多東西，其實都能追溯到那次談話。所以，他當時還講了更多一些事，可能甚至超出了我們今天所處的位置。但我覺得這些話的共同點在于：一切都會比我們想象的發(fā)生得快得多，而由此帶來的影響和能力，也都可能發(fā)生變化。與此同時，他對未來也有一種非常強烈的樂觀主義。我覺得這和我們內(nèi)部常說的“同時握住光與影”是相通的。那是我們內(nèi)部常用的一句話。我想，那次談話之后，我?guī)е淮蠖褑栴}離開，但同時也帶著一種對未來可能發(fā)生之事的積極感。

AI下行的三種情景

我們剛才大多數(shù)時間都在談我們似乎一直處在那個不確定性錐體的高位。如果你去想象，什么事情會讓這一切轉(zhuǎn)向錐體的低位？如果我們做一個事后檢討，一年之后回頭看，發(fā)現(xiàn)其實我們根本不需要當初想的那么多算力，或者類似這樣的情況。你能想到什么，會讓我們在那個錐體里發(fā)生實質(zhì)性的下移？

我覺得第一件事，是客戶內(nèi)部的擴散速度。現(xiàn)在的情況是，用例還在追趕模型能力。歸根結(jié)底，我們談論的是大型組織里的人，他們已經(jīng)有了一整套使用多年的工具、流程和工作方式。改變是很難的。所以，如果這種擴散撞上墻，或者明顯放緩，那就可能影響收入增長變化的速度。

再一個當然是 scaling laws 放緩，或者不再成立。我們并沒有看到這一點。我們也不能 100% 地斷言絕不會發(fā)生，我覺得那樣說會很愚蠢。我們當然相信這條軌跡，但如果模型能力開始趨于平緩，那也會是另一個原因。

第三個，也許就是我們?nèi)绾伪３肿约禾幵谇把亍＝裉煳覀兪窃谇把兀覀冋J為自己正在定義 Agentic AI 的前沿。我們必須繼續(xù)待在那里。這是一個競爭激烈的市場。我們會繼續(xù)投資于所需要的技術(shù)、算力和go-to-market 體系，但這一點也不是有保證的。

對醫(yī)療健康最樂觀

那你最興奮的是什么？你坐在一個很特殊的位置上，從某種意義上說，你真的能看到未來，因為它會先在公司內(nèi)部發(fā)生，然后外界才會看到。有了這樣的視角和位置，你對未來最興奮的是什么？

我真的認為，由這項技術(shù)帶來的生物技術(shù)和醫(yī)療健康結(jié)果，是我最樂觀的事情。也許我們會生活在這樣一個世界里：你被診斷出某種目前無法治愈的疾病，但在你的有生之年，這種療法能更快地被找到，而你最終不會死于這種疾病。

我會這樣想：我們今天做的很多事情，其實已經(jīng)在幫助加快藥物開發(fā)流程。很多所需完成的文書工作、臨床研究報告等等，AI，尤其是我們的解決方案，正在幫助它們大幅提速。我最樂觀、也最興奮的，是當這種能力繼續(xù)往更前端推進，推進到藥物開發(fā)和藥物發(fā)現(xiàn)本身的時候。因為人類在科研上當然非常強大，但如果你去想這些分子和蛋白質(zhì)，它們極其復雜，而非常細微的變化又會對結(jié)果產(chǎn)生非常大的影響。AI 在這方面簡直再合適不過。如果你去想，當實驗室吞吐量提高 10 倍、100 倍時會發(fā)生什么，我們就能運行更多得多的實驗，也許能更快得到更好的結(jié)果。這些東西真的能夠幫助世界各地的人，而且不必只局限于一小部分疾病或病癥，它可以沿著鏈條繼續(xù)向下延展得更遠。所以我認為，它有潛力從根本上改變我們的生活方式，以及我們彼此互動的方式。這對我來說非常令人興奮。

Krishna，非常感謝你來和我聊這些。

謝謝邀請我，Patrick。我真的很享受。