摘要

Anthropic CFO 将本期核心论点定性为事实：「前沿智能的回报极高」——尤其是在企业市场。 Anthropic 年初的营收运行率约为90亿美元，季度末已「超过300亿美元」；Rao 表示，这是模型智能跃迁打开新 TAM 的结果。坚信使用6个月前、更便宜模型的人一再判断错误：每一代模型增加的是长周期能力，而不是几个 IQ 点；客户也在新模型上大举增加 token 用量。
算力是这门生意的命脉。 「算力买多了，公司会倒闭；买少了，又无法服务客户。」Rao 有30-40%的时间花在算力上，管理着一张「算力千层饼」：从2027年开始供应的5GW Google/Broadcom TPU、Amazon Trainium 最多5GW、总额超过1000亿美元的承诺，以及刚刚宣布的 Colossus Memphis 产能。如果再空投一大批算力进来，「很快就能部署」。
投资者最难接受的毛利率逻辑，是它无法套入简单的单客可变成本模型。 真正要看的，是整个算力总盘子的回报；算力可以在不同用途间灵活调配——同一块芯片上午跑推理，晚上做模型开发——而且这些回报「很稳健」。Q1 营收实现3倍增长，却没有新增算力上线；Rao 加入以来已募资750亿美元，Amazon 和 Google 另承诺500亿美元，这更多反映不确定性，而非「公司当下实际亏损」。
递归已经发生。 「我们90%以上的代码实际上由 Claude Code 编写——而 Claude Code 的很多代码，又是 Claude Code 自己写的。」Scaling laws「依然有效」「没有放缓」；真正的分界线不是开源与闭源，而是「是否处于前沿」，经济价值由前沿模型捕获。
对怀疑者而言，需求证据包括：年化净美元留存率超过500%、财富前10大公司中的9家是客户，以及 Rao 在20分钟的 Uber 车程里签下「两笔千万美元级别的承诺」。 Patrick 的总结是：「已经不是试点了。」
定价遵循的是杰文斯，而不是利润率攫取。 Opus 在4.5版本降价后，消费量增幅「远远超出」预期；4.6则以同样价格接入原有工作负载。效率随着能力共同复利增长——就像一辆跑车同时变得更省油——因为 RL「本质上是在带奖励函数的沙盒中运行推理」，推理效率更高，也会让 RL 更高效。
安全已经成为商业优势。 可解释性就像「给模型做 MRI」，既能帮助构建更好的模型，也能支撑企业对最敏感工作负载的信任。Mythos 在一套开源代码中发现了250个安全漏洞，而此前模型只找到22个——「有点吓人」；这推动了首个分阶段、以防御为重点的发布，成为「未来的模板」。
他给出的落在锥体底部的事前复盘，指向3种风险。 第一，企业扩散遇到瓶颈——「用例正在追赶模型能力」；第二，scaling laws 见顶——他们目前没有看到这一点，但也不会声称100%确定；第三，在竞争市场中失去前沿地位——「这同样不是板上钉钉的事」。

精读

1. 算力是命脉——买多买少都可能致命

Rao 开场的框架是：算力是「一切其他东西赖以构建的画布」，也是公司最难做的一类决策——「算力买多了，公司会倒闭；买少了，又无法服务客户」。你不可能「买下一GW算力，要求下周交付」，所以采购必须从需求和前沿能力要求出发，自下而上建模。即使在今天，他仍有30-40%的时间花在算力上。
「不确定性锥体」的含义是：在指数增长曲线上，周度增长率的微小变化会不断复利，最终导向截然不同的结果。因此 Anthropic 会在1-2年的时间跨度内做多情景规划，再反向推导，并有意把目标区间「往上沿放」。最糟糕的情况，是按锥体中的一个点采购，最后却落在另一个点；算力效率就是那座桥，「真正帮了我们大忙」。
算力分配在固定会议中完成，没有山头和地盘意识，但模型开发算力设有一条硬底线：即便服务客户需要做出「不自然的事情」，这条底线也不会突破。内部使用的算力确实昂贵：分配给员工的算力如果转去服务客户，「本可以支撑数十亿美元营收」，但公司仍然照投，因为它能加速模型开发。

2. 3套芯片栈、1层编排系统——不显眼的优势

Anthropic 将 Amazon 的 Trainium、Google 的 TPU 和 Nvidia 的 GPU 灵活用于训练、内部使用和服务——它是唯一同时覆盖这3类芯片平台和3朵云的实验室。公司在可能属于第三代 TPU 的产品上实现规模化采用时，市场一度认为「你们疯了，所有人都在用 GPU」。Anthropic 从芯片层开始自研编译器，并让每一代芯片匹配最适合的工作负载。
其核心优势主张是：「我们组织内部的每1美元算力，产生的效果应该比其他任何地方都更大。」这些合作关系也远不只是采购关系：团队与 Amazon 的 Annapurna Labs 深度协作，甚至参与影响芯片路线图；云平台同时还是分发引擎。
交易簿是一张「算力千层饼」：录制前15分钟宣布的 Memphis Colossus 设施合作——主持人归因于田纳西州的 xAI，Rao 纠正为 Memphis 的 SpaceX——一笔从2027年开始的5GW Google/Broadcom TPU 交易，以及最多5GW 的 Amazon Trainium 交易，总承诺「超过1000亿美元」，其中相当一部分会在今年和明年落地。每一层都要按长期性价比、交付时间和工作负载匹配度评分。
对于算力投放速度，Patrick 做了一个思想实验：如果明天空投2倍或10倍算力会怎样？Rao 的直接回答是，Anthropic 今天在所有用例上都受到算力约束。虽然1-2年前还难以消化异构算力的大规模增加，但现在如果再增加一大批算力，按当前大致的分配比例，「很快就能部署」。

3. 前沿智能的回报：一个季度从90亿美元到超过300亿美元

Rao 不接受用 IQ 来衡量模型：「对我们来说，智能是多维的，不只是一个分数」；而且「很多基准测试已经饱和」。真正的指标，是客户能做什么。新一代模型增加了长周期任务能力、工具和计算机使用能力，以及速度：两个能力相同的员工，一个能在1天内完成原本1周的任务，那么后者「可能好7倍」。
每次发布都会打开新的 TAM，过去4个月就是证据：营收运行率从年初的约90亿美元增至季度末「超过300亿美元」——「这种变化，确实是由模型智能的跃迁推动的」；仅1月就发布了30个产品和功能。
这套论点尤其适用于企业市场：消费者很少把模型推到能力边界，而企业客户会撞上边界、反馈问题，然后「在新模型上大举投入更多 token」；Anthropic 已「一次又一次看到」这一循环。它也回应了 Patrick 的铺垫：认为所有人都会慢慢追上旧模型的阵营「并没有成为现实」——甚至 Patrick 自己也会在 Opus 4.7 或 GPT 5.5 发布当天切换过去。
Rao 主动给出的需求证据来自投资者视角：年化净美元留存率超过500%，财富前10大公司中的9家是客户，以及「我在车程中签了两笔千万美元级别的承诺」——那是一次20分钟的 Uber 车程。Patrick 的评语是：「已经不是试点了。」

4. 同时更像跑车、油耗也更低——效率与能力共同复利

汽车类比是这样的：人们通常认为从轿车升级到跑车，就要牺牲燃油经济性。「但在我们这里，两方面都在改善」——从 Opus 4 到4.5、4.6，再到现在的4.7，「每一次跃迁的幅度不一样，但每一次都有一个乘数」，提升了 token 处理效率。
飞轮效应在于：强化学习「基本上就是在带奖励函数的沙盒中运行推理，对吧？所以如果模型能更高效地完成推理，RL 也会更高效」。结果是双赢：客户得到更多能力，Anthropic 则能以高出数倍的效率提供这些能力；效率提升也会在模型代际之间动态部署。
对 scaling laws，Rao 的判断是：「依然有效……scaling laws 没有放缓。」他提到公司创始人就是 scaling laws 论文的作者，但强调「我们其实有点怀疑一切」——这是一种科学方法文化：不断用预训练损失曲线、RL 和客户反馈重新检验既有判断，把痛点转化为训练目标；企业数据不会用于训练，prosumer 数据则只有在用户主动选择加入后才会使用。

5. 递归已经开始——什么会让增长锥体下弯

为什么愿意放弃营收、把算力留给内部使用？因为「我们90%以上的代码实际上由 Claude Code 编写。Claude Code 的很多代码，又是 Claude Code 自己写的。」模型正在构建下一代模型；最优秀的人才叠加最好的模型，会让能力曲线的加速超过单纯依赖 scaling 所能达到的水平。
面对开源差距的问题，Rao 重新划定坐标轴：「我们并不真正把模型看成闭源或开源。我们认为模型只有处于前沿，或不处于前沿。」经济价值由前沿模型捕获。与之对应的是：「人才密度胜过人才规模。」
指数增长迫使公司采用的预测纪律是：做情景，不做单点预测，并且「更新当前先验的门槛非常低——一个月前成立的事情，今天可能已经不成立，从而打破你的模型」。按季度董事会会议做预测「行不通」。Sonnet 3.5/3.6 的编程能力跃迁——先是能力提升，再是采用增加，最后是营收增长——如今已成为观察其他经济领域的模式模板。
他对落在锥体底部的事前复盘，首先指向扩散：「用例正在追赶模型能力」，而大型人类组织内部的变化本来就很难；其次是 scaling laws 见顶，他们「没有看到」这种情况，但也无法100%排除；第三是失去前沿本身——「这是一个竞争市场……这同样不是板上钉钉的事」。

6. 用杰文斯定价；把利润率看作整个算力总盘子的回报

Rao 强调的背景是：公司「只有5年多历史」，今年3月刚过首笔营收诞生3周年，而真正拥有「前沿模型」也只是从2024年3月开始。在这个背景下，Haiku、Sonnet 和 Opus 的定价一直相当稳定，价格调整极少。
最大的一次变化是降价：Opus 级模型「相对于自身能力没有被充分利用」，客户一直「试图把 Opus 问题塞进 Sonnet 工作负载」。因此效率提升为 Opus 4.5 的降价提供了空间。结果出现了「杰文斯悖论」：价格降了，但消费量增幅「远远超出预期」；随后 Opus 4.6 以同样价格接入原有工作负载。
为什么不直接设一个健康的利润率？因为这门生意无法简化成单一单位成本模型。算力所做的一切——今天的推理、模型开发、后者「打开6个月后驱动营收的新 TAM」、以及内部加速——会在不同时间尺度上支撑营收，而「我们今天在这笔算力开支上的回报很稳健」。证据是：Q1 营收爆发时并没有新增算力上线；产能由约12个月前就已确定的增长计划决定。
这也是投资者最难理解的地方：算力的可替代性。在软件公司或工厂里，「你无法把研发人员重新用于 COGS」；但在这里，同一块芯片上午跑推理，晚上做模型开发，而这种灵活性「正是帮助我们推动短期和长期营收的东西」。

7. 主要做平台；做垂直业务是为了提前建设和示范

战略「主要是横向的」，明确类比于早期 AWS：平台会积累大量价值，但「在这个平台上构建的客户，实际上会创造更多价值」。Claude 平台上的 prompt caching、虚拟机、Claude Code 调度、agent SDK 和托管 agents，都是「接触模型智能的路径」。
公司在两种情况下做垂直业务：一是提前建设、跑在模型能力之前——Claude Code 是「由 Claude 引领」而非由市场上的开发者需求引领；「我们认为模型今天还不完全能做到……但我们认为它们会做到，而且已经在路上」；二是为生态系统提供可模仿的范式——面向金融服务、生命科学和安全的 Claude 产品，都是与合作伙伴共同推出，运行在客户使用的同一平台上，形成「公平的竞争环境」。
对于客户是否会害怕 Anthropic 变成竞争对手，Rao 没有完全否认这种张力：模型能力「有时甚至会让我们自己吃惊」，此前平台浪潮需要5-20年完成的事情，现在几个月就能发生。给出的答案是伙伴导向：通过早期访问项目倾听客户对能力的需求，并主张 Anthropic 能真正帮助那些愿意走在前面的客户加速。

8. Anthropic 自己也运行在 Claude 上——财务团队就是概念验证

这套内部使用非常具体：所有法人实体的法定财务报表都用 Claude 生成，由人类复核；还有一个名为 Ant Stats 的实时平台，以及约70项财务专用 Claude skills；MFR skill 生成的月度财务回顾达到「90%到95%就绪」。核心不是「Claude 只会播报天气」，而是它能解释驱动因素；周度营收和算力利用率报告也从数小时缩短到30分钟。
Rao 维护着 token 使用量仪表盘，但「不会据此给员工发奖金——没人试图刷满 token」；最资深的人反而是最大用户，税务负责人排名第一，正在自动化税务政策相关工作。「如果我们都不是超级用户，怎么能指望客户做到这一点？」
Patrick 的质疑值得保留：让人感觉「略微有点反乌托邦」，仿佛「我只是照它说的做，而不是我告诉它该做什么」。Rao 的重新定义是「劳动版杰文斯悖论」：员工生产力大幅提升，公司反而因此招聘了更多人；时间从核对数字，转向决定资金应该再投向哪里。
从内部看，前沿形态是「虚拟协作者」——它拥有组织上下文、你的工具、能从错误中学习的记忆，并且能在长期跨度内处理「不只是一个任务，而是一个真正的想法」。Co-work 源自把 Claude Code 当作数字同事使用，如今如果按相同时间点比较，其增长速度「比 Claude Code 当时还快」；产品开发已经「每天发版」，代理群组让「每个人某种程度上都成了管理者」。

9. 投资者不断套错模型；安全也变成了商业优势

Rao 加入两年前完成的 Series D，「并不是一次顺畅的融资」：公司直到融资中途才拿到前沿模型，而 FTX 交易在尾声阶段抛售 Anthropic 股份。投资者的质疑本质上是在套用旧模型：为什么需要前沿模型？「AI 安全和打造一家非常大的公司难道不是矛盾的吗？」销售团队这么小，怎么能算企业软件公司？
Series E 于2024年底完成，当时营收运行率接近10亿美元，且首轮交割恰好发生在 DeepSeek 新闻爆出的当天。即便是支持 Anthropic 的投资者也说：「你不可能一直维持下去……看看云计算花了多久。」Rao 承认自己也有线性思维：他加入时公司营收运行率为2.5亿美元，看到一份通往10亿美元的计划后问：「很好，哪一年实现？」而「Dario 对营收的预测比我准确得多」。
一个不显眼但重要的联结是：出于使命而开展的安全研究，最终也产生了商业价值。可解释性「就像给模型做 MRI」；「事实证明，如果你能看到模型内部，就更擅长构建模型」——与此同时，对齐和信任也帮助企业采用，财富前10大公司中的9家都把最敏感的工作负载放在 Claude 上。
资本账本是：Rao 加入以来已募资750亿美元，Amazon 和 Google 上月完成的交易还将带来500亿美元；这些钱的筹集，「更多是因为不确定性，而不是为了填补公司今天的实际亏损」。如果坐在投资者席位上审问各家实验室，他会问：算力的全口径 ROI 及其随时间变化的形状；客户是在测试，还是已经以有意义的规模部署；当供应商同时也是竞争者时，未来算力从哪里来。

10. Mythos、政府，以及把2个人输给 Meta 的文化

Mythos 「可能被误解成只是一款网络安全模型」——它具备广泛能力，但在网络安全上能力出现尖峰：一套开源代码中，前一个模型发现了22个安全漏洞，「Mythos 随后找到了250个。所以这有点吓人，对吧？」因此公司采取了首个分阶段发布方案，逐步扩大访问群体，并采用防御性定位，「这是一个未来可以使用的模板」。对于政府预先批准提案和 Department of War 那期节目，Rao 的看法是：「监管有其作用」；公司姿态「非常美国优先」，而 Mythos 与政府的协作过程，就是他用来说明如何在创新速度与责任之间取得平衡的例子。
面对 AI 民调支持率低于国会，行业应该描绘清晰的前景——Dario 的《Machines of Loving Grace》提到药物开发、罕见病和发展中国家的医疗——同时诚实说明风险：「如果有人只告诉我所有好消息，不告诉我任何坏消息……我真的会相信这个视角吗？」Rao 最大的希望，是药物发现：当实验室吞吐量提高10-100倍时，「你被诊断出一种目前无法治愈的疾病，但在你有生之年，这种治愈方法可能被找到……你真的可能不会死于那种疾病。」
他向父母解释公司文化时提到：7位联合创始人至今全部还在公司；文化面试是真正的门槛，「一个人其他方面都可能表现得非常出色……但我们不会录用他」；公司没有山头，里程碑也不放彩带，而是问「下一步是什么？」Dario 每2周代表整个公司露面一次，接受未经预演的问题。经验检验是：Meta 为 LLM 人才开出巨额待遇时，「我想我们只失去了2个人，而其他实验室失去了几十个人」。
Rao 的个人轨迹始于2024年初与首席算力官 Tom Brown 在 Mission 区散步2.5小时：「如果其中哪怕10%是真的，这会颠覆所有范式。」其中很多事情已经成为现实。他此前经历过的前所未有危机，是 Airbnb 在疫情期间营收7周内下跌70%后主导融资；公司内部说法是「同时承受光明与阴影」。他关于善意的收束故事是：25-30年前，他的哥哥默默选择了州内大学，只是希望 Krishna 能有机会去任何他想去的地方。

离开 Tesla、重建美国的创始人 | a16z Charles & Chase Koch：Koch Inc.如何在不上市的情况下成长为1500亿美元企业