Anthropic CFO 播客：两年涨120倍，什么因素可能阻碍人工智能革命？

Anthropic 的 CFO Krishna Rao 第一次公开上播客，就把公司的底牌摊了不少。

这期播客是 Patrick O'Shaughnessy 主持的「Invest Like the Best」，时长 82 分钟。两人从算力采购聊到定价策略，从融资故事聊到内部 AI 使用，从 Mythos 发布聊到公司文化，最后落到了一个问题：

“ 什么因素可能让 AI 革命踩刹车？

Krishna Rao 两年前加入 Anthropic 时，公司年化收入 2.5 亿美元。而到今天，这个数字是 300 亿美元。

两年，120 倍。

Krishna Rao 是谁

Krishna Rao 是 Anthropic 第一位 CFO，2024 年 5 月加入。

从履历上，他可以说是位跨界选手：哈佛经济学本科（最优等毕业），耶鲁法学院，贝恩咨询起步，后来去了黑石做私募股权投资。再往后转向科技行业，先是在 Airbnb 做全球企业发展主管，经历了疫情期间的融资和 IPO（Airbnb 七周内收入暴跌 70%，他帮公司筹了 100 多亿美元的股权和债务融资）。之后又分别在医疗支付平台 Cedar 和 Fanatics Commerce 担任 CFO。

到了 Anthropic……则是他职业生涯中最不可预测的一段。

在播客中，他讲了一个加入前的故事：Anthropic 首席算力官 Tom Brown 带他在旧金山 Mission 区散步，走了两个半小时，描绘了公司未来的愿景。回到家，他跟妻子说了一句话：

“ 如果这里面哪怕 10% 是真的，一切范式都会被打破。

结果……不止 10%，大部分都应验了。

算力这盘棋

Krishna Rao 说，哪怕到今天，他大概还是有 30% 到 40% 的时间花在算力上。

在他的描述里，算力是 Anthropic 业务的命脉，也是最难做的决策。买太多，公司会撑不住；买太少，既服务不了客户，也没法待在技术前沿。

两种结果其实是一样的：出局。

Anthropic 内部用了一个概念叫「不确定性锥体」（cone of uncertainty），来思考这个问题。当业务在指数级增长的时候，周度或月度增长率上一个很小的变动，复利之后会导致截然不同的结果。Krishna Rao 坦言，打破「线性思维」这件事，他自己也花了好一阵子。

“ 人类天然是线性思考的。我在公司两年了，才逐渐学会在指数增长的曲线上做判断。

在算力的「灵活性」方面，Anthropic 同时使用三个芯片平台：Amazon 的 Trainium、Google 的 TPU 和 Nvidia 的 GPU。三个平台被当作可互换的资源来用，训练模型、内部加速、服务客户三类需求跑在所有平台上。

为了做到这一点，他们投入了好几年的时间，从芯片层往上自建编译器。

早年 Anthropic 选择 TPU 时，行业里一片质疑：「你们疯了，大家都在用 GPU。」但 Krishna Rao 认为，今天 Anthropic 在每一美元算力上榨出的价值，应该比其他任何前沿实验室都高。

他还透露了一个细节：Anthropic 早上用芯片跑推理服务客户，到了下午或晚上，同一块芯片就切换去做模型训练。这种灵活调度的能力是传统企业无法想象的，就像你不可能让研发部的人白天搞研发、晚上去当客服一样。

惊人的 120 倍

整期播客中最惊人的数字之一，当属过去四个月的增长：2026 年初，Anthropic 的年化收入大约是 90 亿美元；到一季度末，已经超过了 300 亿。

Krishna Rao 把这种增长归结为一个核心命题：前沿智能的回报极高，尤其在企业市场。

他认为，人们倾向于把模型智能理解成智商，一个单一数字。但 Anthropic 的看法不同：智能是多维的。每次发布新模型，被解锁的市场空间（TAM）都是不一样的，更多的用例变得可行，更长时间维度的任务变得可能，Agent 能完成的工作也变得更快。

“ 如果两个员工一样聪明，一个花一周完成任务，另一个一天就搞定，那第二个人的产出是前者的七倍。模型也是同理。

在企业端，这个效应尤其明显。每一代模型发布后，客户都会用更多的 token、投入更多资源。从编程开始，但现在已经远远不止编程了。

模型在训模型

被问到「递归自我提升」时，Krishna Rao 确认了一个在行业内流传已久的数字：Anthropic 内部现在 90% 以上的代码是 Claude Code 写的。更进一步，很多 Claude Code 自身的代码，也是 Claude Code 写的。

这就是 Anthropic 愿意把一部分算力分配给内部使用、宁愿放弃短期收入的原因：模型正在帮助他们构建下一代模型。

不过他也强调，人才依然极其重要。

模型赋能了研发，但并没有完全取代研究人员。最顶尖的人才配上最强的模型，才能真正加速能力的突破。

Anthropic 内部常说的一句话是：

“ 人才密度比人才数量更重要。

至于 scaling laws 是否还成立，Krishna Rao 的回答是：「从我们看到的数据来说，scaling laws 没有在减速。」他特别提到，Anthropic 的创始人里就有好几位是 scaling laws 论文的作者，但即便如此，团队本质上是一群怀疑论者，会用科学方法不断挑战此前的假设。

千亿算力

播客录制当天，Anthropic 与 SpaceX 旗下 xAI 在 Memphis 的 Colossus 设施达成合作的消息刚刚放出。

Patrick 问他是怎么在全球范围内搜罗算力的。

Krishna Rao 透露，就在上个月，Anthropic 跟 Google 和 Broadcom 签了一个 5 吉瓦的 TPU 协议（2027 年开始），同时跟 Amazon 签了同等规模的 Trainium 协议。

这加起来，超过了 1000 亿美元的算力承诺。

Patrick 追问：如果明天凭空给你 2 倍的算力，能消化吗？10 倍呢？

Krishna Rao 说，一两年前，尤其是异构算力，可能还真消化不了那么快。但到今天，Anthropic 已经具备了快速启用几乎任何类型算力的能力。

给多少，就能吃多少。

他还特别提到，Anthropic 是目前唯一一个在三大云（AWS、Google Cloud、Azure）上都有部署的前沿模型，也是唯一一个同时使用三种芯片平台的语言模型实验室。跟 Amazon 的合作远不止采购，Anthropic 的团队深度嵌入了 Annapurna Labs（Amazon 的芯片团队），共同影响芯片路线图。

平台 or 应用

被问到平台和应用之间的取舍时，Krishna Rao 把 Anthropic 的定位类比为 AWS 的早期阶段。

大部分精力花在平台上：不只是原始的模型接口，还有 prompt caching、Claude Code、Dispatch、Agent SDK、托管 Agent 等一系列工具。这些都是让其他公司在 Anthropic 平台上构建产品的入口。

但在少数领域，Anthropic 也会自己做应用。

主要有两种情况：一是对模型未来方向有独特判断（Claude Code 发布时，模型还做不到那种程度，但他们赌对了），二是给生态做示范（Claude for Financial Services、Claude Security）。

策略上大部分是水平的，在少数有独特视角的领域做垂直。

Patrick 还问到了一个尖锐的问题：你的客户怕你吗？毕竟你控制着最底层的智能引擎。

Krishna Rao 的回应是：AI 模型的能力有时候连他们自己都会感到意外。

以前需要 5 年、10 年、20 年的产品迭代周期，现在压缩到了几个月。这对客户来说确实是冲击，但 Anthropic 的做法是尽量走合作路线，在安全、设计、金融服务等垂直领域都跟生态伙伴联手推进。

定价的学问

在所有前沿实验室都算力紧缺的情况下，为什么不大幅涨价呢？

Krishna Rao 的回答跟外界想的可能不太一样。

Anthropic 成立才五年多，第一美元收入是 2024 年 3 月挣的。定价一直比较稳定，Haiku、Sonnet、Opus 三条线几乎没怎么变过。

他们做过的最大一次定价变动，反而是降价：Opus 4.5 发布时，Opus 系列价格被砍了下来。原因是，Opus 级别的模型一直被严重低估，客户总是试图把 Opus 级别的问题硬塞给 Sonnet 来解决。

降价之后呢？消费量的增长远远超出预期。

经典的杰文斯悖论。

（杰文斯悖论：19 世纪经济学家杰文斯发现，蒸汽机效率提升后煤炭消耗不减反增——因为更便宜的能源催生了更多用途。放到 AI 语境下就是：模型越便宜，用户反而用得越多，总支出不降反升。）

Opus 4.6 发布时，价格没变，客户直接把新模型嵌入现有工作流。Krishna Rao 认为，定价的稳定性对客户来说至关重要，它让企业敢于把 AI 深度嵌入自己的业务。

至于利润率，他不认为传统软件公司的成本结构框架适用于 Anthropic。

他更看重的是「算力总投入的回报」：服务推理是短期收入，模型研发是 6 个月后的 TAM 解锁，内部加速是新产品上线。所有这些共同支撑收入，只是时间维度不同。

70 个 Claude 技能

播客中最值得注意的一段，大概是 Krishna Rao 描述自己的财务团队如何使用 Claude。

大约一年前，他发现团队已经不只是在用 Claude Code 写代码了，而是把它当成了一个数字同事。这其实，其实就是后来 Co-Work 产品的雏形。

而今天，Anthropic 所有法律实体的财务报表都是 Claude 生成的（人会复核）。他们还搭建了一个叫 AntStats 的实时分析平台。以前要花好几个小时才能从数据里得出结论、写一份报告，大约 30 分钟即可完成。

财务团队内部有一个 Claude 技能库，上次统计有 70 多个。

其中有一个月度财务评审（MFR）技能，Claude 生成的报告 90% 到 95% 可以直接用。团队的讨论从「到底发生了什么」变成了「这意味着什么，我们该做什么」。

另一个现象是：团队里最资深的人反而是 token 用量最大的。排名第一的用户是他们的税务主管，正在用 Claude 构建税务策略引擎，自动化了大量工作流。

Krishna Rao 表示：

“ 如果连我们自己都不是超级用户，都不在推这个工具的边界，怎么指望客户去做呢？

融资之仗

Krishna Rao 加入 Anthropic 两年来，帮公司融了约 750 亿美元。上个月跟 Amazon 和 Google 签的协议，还有约 500 亿会陆续到位。

但这条路走得并不轻松。

两年前关 Series D 的时候，Anthropic 刚刚才有了真正意义上的前沿模型，而且 FTX 的清算正在市场上抛售 Anthropic 的股份。

投资人的疑问五花八门：你们为什么需要前沿模型？AI 安全和做大生意不矛盾吗？你的销售团队那么小，不需要像传统企业软件公司那样扩张吗？

2024 年底融 Series E 时，业务已经接近 10 亿美元年化收入。但首次 close 那天，恰好……DeepSeek 的消息出来了。

一脚油门之后，立刻就来了一脚刹车。

投资人看着预测说：

“ 好吧，你们确实长得够猛，但不可能维持的，物理定律在那呢。

然而业务持续在证明之前的假设。

而且投资人也慢慢看到了一个他们之前不理解的关联：Anthropic 在安全领域的投入，反过来成了商业优势。

可解释性研究相当于给模型做 MRI，看清神经网络内部的运作，这让他们更擅长构建模型。而当卖给企业客户时（目前服务着财富 10 强中的 9 家），这些企业把最敏感的数据和工作流托付给 Anthropic，安全投入就成了信任的基础。

净美元留存率（Net Dollar Retention）年化超过 500%。

Krishna Rao 还提到了一个细节：他来录播客的路上，在 Uber 里签了两笔八位数的合同，车程大概 20 分钟。

公众认知的鸿沟

Patrick 提到了一个颇为尴尬的数据：AI 这个概念在普通美国人中的好感度，比国会还低。

Krishna Rao 认为，核心问题在于速度。

以前需要几年甚至几十年的进步，现在被压缩到了几个月。对于习惯线性思考的人来说，这确实会让人不适应。

他提到 Anthropic 内部有一个说法叫「light and shade」，光明与阴影并存。Dario Amodei 写过一篇长文「Machines of Loving Grace」，描绘了 AI 在药物研发、医疗、提升发展中地区生活水平方面的正面潜力。但与此同时，Anthropic 也在主动讲风险。

“ 如果我只跟你说好消息不说坏消息，你凭什么信我呢？

长期来看，机遇会远远大于风险。但这条路不会是一条完美的直线。

Mythos 发布

Mythos 的发布在行业内引发了不小的反响。Patrick 说，他身边很多关注 AI 的朋友第一次表示「这个有点吓人」。

Krishna Rao 回应说，大家可能误解了 Mythos，觉得它只是一个网络安全模型。实际上它在很多维度上都极其强大，只是恰好在网络安全方向上出现了一个能力尖峰。

他给了一个具体数字：之前的模型在一个开源代码库中找到了 22 个安全漏洞，Mythos 找到了 250 个。

确实很有些吓人。

所以 Anthropic 决定用一种此前从未用过的方式来发布 Mythos：分阶段、限范围，先给一小部分用户使用，聚焦在防御性的网络安全应用上，然后逐步扩展。

Krishna Rao 还提到，Anthropic 一直在跟美国 zf 保持紧密沟通。

他们的立场是：创新不应该被减速，但对于这种级别的能力，应该有一个责任框架来规范部署方式。

七个联合创始人

被问到公司文化时，Krishna Rao 提到了几个外界可能不太了解的细节。

Anthropic 有七个联合创始人。

他说，这在纸面上不应该 work，但实际上运转得非常好。七个人至今全部在职。最早加入的二三十号员工，绝大多数也还在。

招聘流程中有一个文化面试环节，Krishna Rao 强调这绝不是走形式。一个候选人其他方面全部优秀，是你见过的最聪明的人，但文化面试不通过，照样不录用。

文化的核心是极度协作，不容忍「山头主义」，不容忍抢功劳。还有一种彻底的谦逊：达到了某个里程碑，不会有人在地上撒纸花庆祝，而是立刻问「下一步是什么」。

Dario Amodei 每两周会站在全公司面前，写一份短文档讲三四个话题，然后开放提问。不是安排好的问题，是大家想问什么就问什么。

去年 Meta 用天价薪酬大规模挖人时，Anthropic 只走了两个人，而其他前沿实验室走了几十个。

“ 我们的薪酬有竞争力，但不一定是市场最高的。人们留下来，是因为使命、因为人才密度、因为在这里能产生的影响力。

什么可能踩刹车

Patrick 问了一个关键的反面问题：如果做一个推演，一年后发现 Anthropic 实际处在不确定性锥体的低端，是什么原因导致的？

Krishna Rao 给出了三个可能。

第一，企业内部的扩散速度。 用例还在追赶模型能力。这些毕竟是有着长期工具和流程的大型组织，改变谈何容易。如果扩散撞墙或者显著放缓，收入增速就会受影响。

第二，scaling laws 不再成立。 他目前没有看到放缓的迹象，但他也不会 100% 打包票，那样说才是不负责的。如果模型能力趋平，所有上游的假设都要重写。

第三，前沿的竞争。 今天 Anthropic 定义了 agentic AI 的前沿，但这不是永恒的。市场竞争异常激烈，需要持续投入技术、算力和市场拓展。

最期待的未来

问到最兴奋的方向，Krishna Rao 没有说 AI 编程或者企业效率，而是选了一个很多人没预料到的答案：生物技术和医疗健康。

他描绘了这样一个场景：未来你被诊断出一种当前不可治愈的疾病，但在你的有生之年，AI 加速的药物研发可以找到治愈方案，你可能不会死于这种病。

目前 AI 已经在帮助加速临床研究报告和文书工作。但他更期待的是 AI 深入到药物发现和药物开发的上游。如果实验室的通量提升 10 倍、100 倍，能跑那么多实验，得到更好的结果，而且更快。

“ 这不局限于少数疾病，它可以覆盖的范围远比想象的要大。

最善良的事

播客的最后，Patrick 照例问了他那个标志性的收尾问题：「别人为你做过的最善良的事是什么？」

Krishna Rao 的回答，让做了 600 多期节目的 Patrick 说「从没听过这种类型的答案」。

Krishna 有个哥哥，比他大五岁半。哥哥上大学时拿到了所有申请学校的录取，打算之后读医学院。

但 Krishna 直到很多年后才知道，哥哥最终选择了留在州内的公立大学。原因是：他们家是标准的中产阶级，二十五三十年前的助学金没有现在这么丰厚。哥哥在选大学的时候，考虑到了弟弟，一个当时才 12 岁的孩子。

他想把经济空间留给弟弟，让他将来能去任何想去的学校。

12 岁的 Krishna 完全不知道这件事。

而现在，这件事一直在他心里。

◇ ◆ ◇