Anthropic启动IPO！CEO自曝内部算力财务模型：不确定性圆锥！回应泡沫：增长肯定放缓，旧芯片价值快速下降！规模依旧有效

我们买的算力规模，是在“即便是第 10 百分位的悲观情景下”，大概率依然付得起账。

YOLO式下注，风险旋钮拧的太狠了。

我认为胜率会在我们这边。

几个小时前，素有“华尔街、硅谷超级提问者”的DealBook 创始人、纽约时报首席财经记者Andrew Ross Sorkin，与 Anthropic 的 创始人 Dario Amodei 展开了一场年末对话。

这次采访背景一方面是大洋彼岸已经处于圣诞前夕，但更重要的一面是，昨天，Anthropic被曝出已经启动IPO筹备工作，计划最快2026年上市，估值或达3000亿-3500亿美元。

在此之前，则是 Transformer 架构和 Scaling Law 终结的争议，以及 Gemini 3 Pro 模型的爆火，OpenAI  内部拉响红色警报。这些事件的接连发生，让此前甚嚣尘上的“泡沫争议”和接下来AI模型的发展走向带来了新一轮的不确定性。

Dario在爆出了自家的算力财务模型，他们内部称之为一个不确定性圆锥。

如果我有 80% 的毛利率，我花 200 亿美金买算力，可以支撑 1000 亿美金收入。但问题在于，这个“不确定性圆锥”实在太宽了，很难避免在某一侧犯错。

此前，Dario 就曾表示，Anthropic 计划在 2028 年实现盈亏平衡。

而对于 AGI 的实现路径，Dario 对于 Transformer 架构依旧保持乐观：

我仍然认为是 “规模化 + 偶尔的小修小补” 就足够了。

对于业界一直担心的GPU芯片的折旧周期，Dario 回应道：旧芯片的价值会快速下滑。

我们在建模时，已经默认旧芯片价值会快速下滑，同时也假设芯片效率曲线会持续高速演进。

对于自己经常发出警告这件事，Dario对美国AI监管隐隐表达了不满：现在美国监管已经分成了两个世界，应该让真正最接近AI技术的人来发声。

对于自己曾说过的“90%的工作会被AI替代”言论，Dario说，那只是半句话，下半句则是——

哪怕 AI 完成了 90% 的工作，而不是 100%，人类的“剩余 10%”反而会被放大 10 倍，有时候甚至需要 10 倍的人，去完成原来 100 倍产出的事情。

问题不在“会不会替代”，而在“企业愿不愿意更多选择创造新价值，而不是只做极致降本”。

以下是这次采访的整理内容，大家enjoy！

泡沫存在：接下来速度一定会放缓

但有些公司却在YOLO 式下注

主持人（Andrew Ross Sorkin）：今天下午的重头戏从 Dario 开始。他是当今人工智能领域最具影响力的人物之一，是 Anthropic 的联合创始人和 CEO，这家公司以 Claude 模型闻名，是历史上增长最快的科技公司之一，现在更是同时获得了三大科技巨头——亚马逊、微软和谷歌的支持。他比大多数人更早进入这个领域，早年在 BYU 做研究，后来加入谷歌，又成为 OpenAI 的早期成员，主导了 GPT-2 和 GPT-3 的研发。欢迎你来到现场。

Dario Amodei： 谢谢邀请。今天可以聊的话题很多，包括——我们是不是正处在一个 AI 泡沫中？但我保证，我们会慢慢谈到那个问题。

主持人： 那我就直接问那个一开始提到的问题吧。你也承认，2014 年没人想到 2025 年会走到今天这个程度。现在这个行业吸纳的资金规模，几乎代表了美国当前 GDP 增长的主要来源之一。我们是不是正处在某种泡沫中？是不是在过度投资？

Dario： 这是一个非常复杂的问题，我必须把“技术本身”和“经济层面”分开来看。从技术角度看，我非常坚定，我可能是最乐观的那一类人之一。 但从经济层面看，我确实有担忧。即便技术真的兑现了承诺，生态里如果有人在节奏上稍微踩错一步，后果会非常严重。

先说技术这部分。之所以我对技术进展并不太惊讶，是因为我和几位后来成为联合创始人的同事，最早系统性地总结过 AI 的“Scaling Law”——也就是只要你不断加算力、加数据，在少量结构微调下，模型能力就会持续提升。像推理模型、测试时算力，本质上都是非常小的改动。我已经跟踪这个趋势 12 年了。最震撼的是：你用这样极其简单的方式训练模型，它会在几乎所有领域同步变强——编程、科学、生物医药、法律、金融、材料、制造业，这些正是整个经济的核心价值来源。

只看 Anthropic 自身，因为我们更偏企业级市场，我觉得更像一个“纯粹的温度计”。我们过去三年，收入每年 10 倍增长：2023 年从 0 到 1 亿美元，2024 年从 1 亿到 10 亿，今年会落在 80 到 100 亿之间。未来还会不会这样涨？我不知道。但技术确实在推动价值，经济回报也正在兑现。 它一定会放缓，但依然会非常快。所以我对“长期终局的经济价值”是有信心的。

主持人： 但问题在于，现在有公司每年要烧掉上千亿美元，你们也计划投 500 亿。Sam Altman 去年的规划数字同样惊人。这是一次超级昂贵的下注。这个账到底能不能算清，还是更多是一种“直觉赌注”？

Dario： 这就进入我刚才说的第二部分——真正的困境来自于：“经济价值增长速度”的不确定性，与“数据中心建设周期”的滞后性之间，存在巨大张力。 这是摆在所有公司面前的真实两难。我认为有些参与者是在“YOLO 式下注”，把风险旋钮拧得太狠了，对此我非常担忧。

主持人： 谁在 YOLO？

Dario： 这个我不回答（笑）。

但你可以换个视角想：如果你站在我这个位置，连续三年收入 10 倍增长，很自然会去问：明年会怎样？如果你非常粗暴地外推，下一年可能是千亿美元级别——我必须强调，我完全不相信这个数字。但它是数学上的上限之一。如果你从更理性的企业客户、具体场景、销售路径去拆，可能是 200 亿、300 亿。所以我内部把它称为一个“不确定性圆锥”——一年后是 200 亿，还是 500 亿，极其不确定。 我只能按最保守的一侧去做规划，但这种不确定性本身就足够令人不安。

 算力财务模型

不确定性圆锥实在太宽了

Dario ： 还要叠加一个现实因素：数据中心建设有很长的滞后周期，通常是一到两年。这意味着我必须在“现在”，甚至几个月前，就决定：在 2024 年初要买多少算力，去服务 2027 年初那个收入规模下的模型。这中间存在两个强耦合风险：第一，如果我买少了算力，我就没法服务所有客户，只能把他们推给竞争对手；第二，如果我买多了算力，而收入又没跟上，我就付不起这些算力的成本，极端情况下甚至会面临破产风险。这个“安全缓冲”本质上取决于我的利润率。如果我有 80% 的毛利率，我花 200 亿美金买算力，可以支撑 1000 亿美金收入。但问题在于，这个“不确定性圆锥”实在太宽了，很难避免在某一侧犯错。

Dario： 我们自认为是一家相对克制、负责的公司。因为我们主做企业市场，我觉得我们的商业模式更健康，利润更稳，也更谨慎。但如果你换成另一种模式，比如纯消费者业务，收入来源没那么确定、毛利也不稳定，再加上企业家本身就是那种“偏爱 YOLO、偏爱大数字”的性格，那风险旋钮就可能被拧得非常狠。只要存在不确定性，就必然存在过度扩张的系统性风险。 我们每家公司都面临这个问题，再加上彼此之间的竞争压力，甚至还叠加了与威权国家“国家层面的技术竞争”，整个系统都会被推着往前走。这种风险是不可消除的，只能被管理。 但我确实认为，有些参与者并没有管理好这种风险，而是在进行不明智的下注。

主持人： 你说到这里，其实大家心里大概也知道你在暗指谁。你曾对投资人私下说过，Anthropic 计划在 2028 年实现盈亏平衡；而 Sam Altman 说的是 2030 年。我暂且按他的算法来算：他需要在两年内从 740 亿美元级别的亏损，转为两年后实现盈利。这个在你看来合理吗？

Dario： 说实话，我不了解任何其他公司的内部财务情况，也不可能评价别人。我只能回到我们自己的计算逻辑，也就是那个“圆锥式不确定性”：我们买的算力规模，是在“即便是第 10 百分位的悲观情景下”，大概率依然付得起账。再糟也会存在“尾部风险”，这从来不可能为零，但我们在尽力把风险控制在可承受范围内，同时又要确保我们在竞争中不被甩开。我们在训练和推理上都很高效，利润结构也不错。我认为胜率在我们这边。

主持人： 现在市场上很多人开始讨论所谓的“循环交易”，以前我们管这叫“厂商融资”。尤其是英伟达，以及其他一些公司，直接入股 AI 公司，而这些公司随后又用这笔钱去买英伟达的芯片，相当于形成了资金闭环。你怎么看？

Dario： 我们也做过类似的交易，只是不是某些玩家那样的大规模操作。我不讲具体案例，只讲一个“标准化结构”的例子，解释为什么它在逻辑上成立：假设你要建 1GW 的算力规模，买芯片、建机房，总资本开支大概是 500 亿美元，使用周期可能是 5 年，也就是每年摊 100 亿。如果你是一家年收入 80—100 亿、处在快速增长期的公司，现在就让你一次性掏 500 亿，现实中根本不可能。那怎么办？大型厂商站出来说：“我先投你 100 亿，占 20%，你先用这 100 亿覆盖第一年，其余的慢慢按收入滚动支付。” 如果你已经接近 100 亿年收入，那这并不是一个疯狂的赌局。数据中心一年建成，第一年融资覆盖，意味着你只要在两年后做到 100 亿级别收入，就能跑得通这套逻辑。从结构上看，这并不违背商业逻辑。

Dario： 真正的危险只发生在一个场景：如果你一层层叠加这种结构，最后变成“到 2027 或 2028 年，我必须做到 2000 亿美元年收入”，那你就一定是在过度扩张。规模，决定了一切的风险边界。

一批芯片到底能撑过几年？

旧芯片的价值会快速下滑

保守押注者会活下来

主持人： 这里还有一个关键变量，几乎决定了整个行业的“投资算不算得过账”——芯片的折旧周期。你买一批新芯片，它到底是有效四年、五年，还是八年、十年？这个假设不同，整个行业的财务模型就完全不同。你怎么看？

Dario： 我们在内部做的是非常保守的假设。严格来说，并不存在一个固定、统一的“折旧年限”。芯片本身可以跑很多年，真正的问题不是“它还能不能用”，而是有没有更快、更便宜的新芯片出现，并且你的竞争对手已经在用它了。 一旦出现这种情况，老芯片的相对价值就会迅速下降，甚至一年之内就会发生。现在不止是英伟达，各家都在推新一代 TPU、GPU。我们在建模时，已经默认旧芯片价值会快速下滑，同时也假设芯片效率曲线会持续高速演进。我们在 Anthropic 的所有假设，基本都站在极端保守的一侧。 结果是：在“几乎所有世界线”里，我们都可以活下来。当然，极端尾部世界线一定存在，但我只能为我们负责，不能替别人背书。我也完全可以想象，有些公司正在“自我欺骗”，建立在过度乐观假设之上。

主持人： 所以，市场上真正理性克制的，其实就你们两家？

Dario： 我不知道你在指谁（笑）。我真的不知道。

ps：这里小编猜测，所谓市场上真正保持克制的这两家，一家自然是Anthropic，另一家90%的概率是指的 Amazon。（同样瞄准的是企业市场，而且没有过度囤卡。用排除法的话，只剩下 Amazon 和 Apple 了。然而Apple 算是大模型玩家吗？？？不大会。）

不卷C端！谷歌Gemini强归强，Claude清风拂山岗

主持人： 那我们换个话题，聊聊模型本身的竞争格局。就在过去一周，硅谷内部几乎“情绪失控”，因为某位你我都认识的人发布了新模型，引发了巨大震动。Saraparay 去年也来过这里，现在大家突然意识到，原本被认为“数据天生占优、理应赢麻了”的 Google，可能真的开始发力了。 Sam Altman 内部甚至发了“红色警报”邮件，让所有人回到工位冲刺下一轮突破。在你看来，现在这些模型的真实排序是怎样的？以及，这种“当下时刻的领先”，到底有多重要？

Dario ： 这是少有的几个时刻之一，我真心觉得 Anthropic 选择了一条不同的道路，是一件值得庆幸的事。 我们走的是企业市场路线。你刚刚提到的另外两位玩家，本质上都还是以 消费者市场为核心，虽然也在做企业业务，但主战场仍在 C 端。这也是为什么会出现“Code Red”那种级别的内卷——Google 要守住搜索垄断，而 OpenAI 的核心阵地也在消费者端，这两家是在正面肉搏。对他们而言，企业只是“第二战场”。而我们过去几年一直在 围绕企业真实需求反向打磨模型能力，最先爆发的是编程，现在已经开始延伸到金融、生物医药、零售、能源、制造等领域。模型战争当然重要，比如我们上周刚发布的 Opus 4.5，在编程能力上几乎被公认为目前行业最强模型。但我们真正走的是“不同维度”的竞争路线，所以对这种你来我往的短期厮杀，依赖反而更低。某种意义上，我们处在一个相对“优越”的位置：可以持续增长、持续迭代模型，而不用天天发“红色警报”。

企业级AI很挑模型，迁移成本很高

专精能力会和AGI长期并存

主持人： 那这些公司真正的“护城河”到底是什么？如果有一天真的到了 AGI 级别，所有模型是不是都会趋同？谁还会在乎你用的是哪家？是“记忆能力”吗？还是人格差异？很多人现在就是哪个新就用哪个。

Dario： 我只能从企业侧讲我的结论。为企业打造的模型，和为消费者打造的模型，在“性格”和“能力结构”上差异非常大。 企业模型更少追求“黏性与娱乐感”，更强调编码能力、高阶智力活动、科学推理能力。我也不认同“只要到了 AGI，所有东西都会收敛成一个形态”。你看看在座的所有人，都具备“通用智能”，但我们没有变成同一种人。专精能力会和通用智能长期并存。 再加上企业侧的现实因素：公司会形成使用习惯，会和某个模型建立长期关系。即便是在 API 这种“卖裸模型”的业务里，迁移成本也极高。下游客户适应了某个模型的“脾气”，提示词、交互方式都深度绑定，切换代价很大。这意味着企业级 AI 具备长期稳定的商业粘性。

通往AGI，“规模化+小修小补”足够了

主持人： 一个纯技术问题：你认为，现在这种基于 Transformer 的架构，加上纯算力规模化，本身就足以通向 AGI 吗？还是说还缺“某个关键成分”？

Dario： 我仍然认为是 “规模化 + 偶尔的小修小补” 就足够了。这些修改之小，小到外界可能根本不会注意到，只是实验室里的技术迭代。我已经观察这些 scaling laws 超过 10 年了。

主持人： 那你的时间判断呢？AGI 在什么时候？

Dario： 我其实不太喜欢“AGI”“超人工智能”这些词，因为没有清晰定义。它更像 芯片摩尔定律式的指数曲线——模型会在所有维度持续变强：新模型比上一代编程更强、科研更强，现在已经常态化拿下高中数学竞赛，正在冲大学数学，甚至开始 首次产生“全新数学发现”。Anthropic 内部已经有人对我说：“我现在已经不写代码了，我只是让 Claude Code 先打草稿，我负责修改。” 这种状态，在过去从未真正出现过。 这个节奏只会继续加快，没有所谓“质变奇点”，只是能力持续外推，模型的智力不断抬升，收入曲线不断往后面加零。

美国AI监管已经分成了两个世界

主持人： 你在（美）监管、就业冲击这些问题上也相当激进。白宫的 David Sacks 曾公开指控 Anthropic 正在通过“制造恐慌”推动监管，从而进行“高阶版的监管俘获”，并且已经伤害了创业生态。你怎么回应？

Dario： 我还是那句话：不要把这场讨论变成对个人或单一机构的攻击。 我从 2016 年起就开始公开写 AI 风险和治理的论文，那时候 Anthropic 这个公司根本还不存在，更谈不上什么“监管俘获”。而且我们支持的几乎所有监管法案，都明确为中小型创业公司设立了豁免条款。 比如我们支持的 SB53 法案，年营收低于 5 亿美元的公司根本不在适用范围内。 我们在这件事上非常谨慎。真正该讨论的，不是立场对立，而是具体政策是否合理。

Dario： 你可以抛出各种指控，但这些说法和现实完全不符，无论是和我们实际支持过的法律条文，还是和真实情况，都对不上。现在其实存在两个世界：一边是 Andreessen Horowitz 等人，他们支持一个超级政治行动委员会；你们这边也在构建另一个超级 PAC，试图用完全不同的方式去影响这个行业的监管。问题是，为什么？你们看到了什么，是他们没有看到的？我还是想把讨论维持在政策层面。我对这项技术的看法是：我能理解一些人的乐观来源，但我确实担心，有一部分人把 AI 视为类似互联网、通信技术那样的技术革命，觉得市场自然会解决一切问题。放在过去那些技术浪潮里，这种看法也许是成立的。但真正最接近 AI 技术的人，并不这么看。

如果你去问那些真正做 AI 研究、真正构建模型的人——不是投资某些 AI 应用的投资人，也不是自以为懂 AI 的技术评论员——你会发现，他们一方面对潜力感到兴奋，另一方面也非常担忧。他们担心国家安全风险，担心模型对齐问题，担心 AI 对经济结构的冲击。 举个例子，有人曾提出要在十年内冻结所有监管，或者冻结州一级监管，而联邦层面又没有统一框架。这种提案去年夏天就出现过，上周又尝试了一次，结果再次失败，因为它极不受欢迎。连普通大众都清楚，这是一个全新而且极具力量的技术。

我可能是对 AI 正面效果最乐观的那一类人之一。 我写过一整篇文章《Machines of Loving Grace》，我在里面说，AI 甚至可能把人类的寿命延长到 150 岁。再往后推，当数据中心里真的出现“天才之国”，我们将拥有一个比任何人类都更快做出生物学发现的虚拟生物学家；它可能把经济增速推到 5% 甚至 10%。老实说，我对这项技术的乐观程度，可能比很多自称“技术布道者”的人还要高。 但一切如此强大的东西，都不可能没有巨大的副作用。作为一个社会，我们必须提前思考这些代价。 如果你说未来十年都不去监管这种技术，这就好比你在高速路上开车，然后决定把方向盘拆掉，因为“未来十年我都不需要转向”——这在逻辑上是说不通的。

老板们不应该只做极致降本，而忽视创造新价值

90%的工作被AI替代，但剩下的10%会被放大10倍

主持人： 那我们就谈谈其中一个最具体、最现实的风险——就业。除了黑客攻击这些问题，你最近在《60 Minutes》里也谈到过工作岗位。我想知道的不是“有没有可能”，而是，如果真的出现大量入门级岗位被替代，你认为应该怎么应对？

Dario： 我之所以不断发出这些警告，并不是为了当什么末日预言家，而是因为“发出警告本身，就是解决问题的第一步”。如果我们不提醒自己风险的存在，就相当于在雷区里闭着眼睛往前走；如果我们看见了地雷，就可以绕开它。我这段时间在认真思考这些问题，在 Anthropic 内部也是一样。现在 Claude 已经开始为我们写大量代码，我们也在亲身经历“工作如何发生变化”。

我把应对方式分成三个层级，从短期到长期，也对应从企业就能推动，到需要整个社会投入更多资源。

第一层，是企业自身与客户层面的调整。 每一家客户都会面临同样的权衡，这不是简单的“取代或不取代”。一部分场景中，AI 会直接完成原本由人类完成的工作，比如保险理赔流程、KYC 全流程自动化，这些都可以端到端由 AI 完成。结果就是：更高效率、更低成本、更少人力。但还有另一种路径——哪怕 AI 完成了 90% 的工作，而不是 100%，人类的“剩余 10%”反而会被放大 10 倍，有时候甚至需要 10 倍的人，去完成原来 100 倍产出的事情。问题不在“会不会替代”，而在“企业愿不愿意更多选择创造新价值，而不是只做极致降本”。 前一种他们一定会做，我们也不打算拦；但如果他们愿意更多做第二种，新增岗位也可能超过被替代的岗位。

第二层，是政府的介入。 我并不把“再培训”视为万能解法，但它一定是必要选项的一部分。企业会做，企业也必须和政府一起做。但从财政层面看，我认为政府迟早要介入。我不确定具体是税收工具，还是其他政策工具。但在一个高速增长的世界里，我们曾做过一份报告，即便是今天这些模型，也已经能让生产率每年提高 1.6%。这几乎意味着生产率的翻倍，而且模型还在不断变强。我认为未来有可能到 5%，甚至 10%。 这是一块极其巨大的“蛋糕”。如果财富过度集中，这块蛋糕本身也足够大，大到我们完全有条件照顾到那些并未直接从 AI 中受益的人。

第三层，是更长期的社会结构问题。 如果一个社会真正构建出了强大的 AI，它的运行方式必然会发生变化。回到凯恩斯在《我们后代的经济前景》中提出的“技术性失业”，他设想他的孙辈也许每周只需要工作 15 到 20 个小时。这是一种完全不同的社会结构。当然，总有人会选择拼命工作，但是否可能出现这样一个世界：对很多人来说，工作不再是生活的绝对中心，意义的来源发生转移，工作不再只是为了生存，更偏向于实现感？这种可能性真实存在。 我不是在提任何自上而下的规划，我只是认为，社会终究会在后 AGI 时代，自己找到新的运行方式。

这三层变化，从企业层面最容易、最快发生，到政府层面需要共识，再到社会结构层面最慢、最难推进。但未来很多年里，我们三件事都必须一起做。

主持人： Dario，我真心希望你还能再回来，和我们继续讨论这三件事该怎样一步一步落地。非常感谢今天这场精彩的对话。

Dario： 谢谢你，Andrew。谢谢大家。

文章来自于“51CTO技术栈”，作者 “云昭”。