前言与引入
帕特里克： 今天我的嘉宾是 Anthropic 的首席财务官 Krishna Rao。我们对话的核心是他如何应对算力的采购与分配决策，他将算力描述为构建其他一切业务的画布。
我们探讨了他所称的“不确定性之锥”、Anthropic 在 Trainium、TPU 和 GPU 之间无缝互换使用的三大芯片平台，以及他们为了在模型研发、内部使用和满足客户需求之间分配算力而召开的每日会议。
他解释了为什么前沿智能的回报率持续走高（尤其在企业级市场），Anthropic 如何看待平台与应用之间的边界，以及他们为什么选择开发自己的产品（如 Claude Code）。
Krishna 处于观察人类历史上增长最快企业之一的独特席位，他慷慨地分享了自己自两年前加入公司以来所学到的经验。请欣赏我与 Krishna Rao 的对话。
算力：Anthropic 业务的生命线
帕特里克： Krishna，我一直非常期待这次对话。因为你得以从内部观察人类商业史上最有趣的业务之一，并且可能正处于人类历史最有趣的时期——至少对于技术专家或关注技术的人来说是如此。
其中最让我着迷的是算力问题，你整天都要处理它。这是你工作的关键部分，也是这些公司正在做的事情的核心，而且现在正发生着一场彻底的变革。
我想请你先解释一下，处理算力是一种怎样的体验？我听说你们一度每天开会讨论如何分配算力，分配给谁，以及为什么。带我们进入你生活中的这一幕，因为我认为这正处于行业发展的最前沿。
克里希纳： 我们采购的算力是业务的命脉。它是公司里最重要的事情，是构建其他一切的画布。我们做出的关于采购多少算力的决策，是整个公司里最重要且最难做出的决策。
可以这样想——如果买多了算力，公司就会破产；如果买少了，你就无法服务客户。
帕特里克： 就会出局。
克里希纳： 而且你将无法保持在前沿，结果是一样的。
帕特里克： 你们经常谈论这个“不确定性之锥”，核心在于这些采购会产生现实世界的影响。你不可能今天出去买一个吉瓦（GW）的算力，下周就能送达。你必须真正提前规划。
克里希纳： 我们采取非常严谨的方法来思考这个问题。我们自下而上地分析，对需求进行建模——当然，我们有时也会预测失误。我们会思考保持在前沿所需的算力，并真正放眼未来去尝试评估它。
在我们去进行算力采购交易时，灵活性对我们至关重要。我们将这种灵活性写入交易合同本身，同时也融入到我们使用算力的方式中。因为当业务呈指数级增长时，我们从现状跨越到未来期望目标的桥梁，就是尽可能高效地使用算力。
我想说，即使是今天，我依然把 30% 到 40% 的时间花在算力上。
帕特里克： 在你刚才的例子中，“灵活性”具体指什么？
克里希纳： 它包含几个不同的层面。第一，我们使用三种不同的芯片平台。我们是亚马逊 Trainium 芯片、谷歌 TPU 和英伟达 GPU 的客户。我们把这些芯片作为通用资源（无缝互换使用）。如果看我们采购的算力，我们将其用于模型研发，用于内部加速我们自己的产品和模型开发，当然，也用于服务客户。
在这三个芯片平台上，我们将算力用于所有这些内部和外部用途。为了能够做到这一点，我们付出了长期的努力。我们在这方面进行了多年的投资，从而使我们能够成为（我深信的）所有前沿实验室中算力使用效率最高的公司。这并非一朝一夕之功。当我们开始使用 TPU 时——我想第三代 TPU 是我们大规模使用的第一代芯片——人们会想：“哦，你们疯了吧。大家都在用 GPU，你们为什么不用？”我们投入了巨大的资源，才实现了这种极其灵活的算力使用方式。
我们审视这些芯片平台的不同代际，并根据代际特性来分配内部最适合的计算任务。我们真正构建了一个编排层（orchestration layer），赋予了我们使用所有不同类型算力的灵活性，也正因如此，我们能够从中榨取最大的价值。
帕特里克： 我的理解对吗——像 CUDA 这样长期作为英伟达核心壁垒的技术，能够让你在底层硬件上做很多事情——而你们的愿望是尽可能地接近裸金属（bare metal）？这是灵活性旅程的一部分，并且能让你们控制尽可能多的变量。这是你们一直在走的道路吗？
克里希纳： 这确实是旅程的一部分，但也充满了协作。我们与亚马逊的 Annapurna Labs 团队密切合作，共同影响这些芯片的路线图，因为我们相信，我们所做的事情正在将这些芯片的能力推向极限。这意味着我们组织内部的每一美元算力支出，都比在其他任何地方走得更远。
更重要的是，我们希望在公司内部物尽其用，发挥每款芯片的最佳用途，这意味着我们正在构建自己的编译器。我们真正做到了从芯片级别向上构建，以获得定制化和灵活性，按照我们认为能够产生最高投资回报率（ROI）的方式来进行内部使用。
帕特里克： 你能解释一下“不确定性之锥”这个概念吗？我想问它所有的组成部分，但这感觉是一个非常关键的起点，或者是思考算力采购和算力使用的整体框架。你能解释一下这是个什么概念吗？
克里希纳： 当你在以指数级速度构建和发展业务时，月度或周度增长率中微小的波动，在复利效应下会带来极其悬殊的结果。当我们展望未来，即便是我们的营收增长，这一业务也极难预测。人类大多习惯于线性思维，习惯于渐进式思考。我加入公司两年了，这也是我自己必须打破的思维范式——停止线性思考，转而用指数思维来考虑问题。
当你处于这条指数曲线上时，结果的区间会变得极宽。我们会评估一系列的场景，并观察一到两年内“不确定性之锥”不同位置的可能结果，然后倒推回来。我们希望自己处于即使在最坏情况下依然能够保持在前沿的地位——这是最重要的事情。同时还要能够服务客户，并有足够的内部算力来为我们的员工赋能提速。
很有意思的一点是，如果我们对员工说：“你们不能再使用我们的模型了”，我们把原本分配给内部员工的算力拿去服务客户，可以产生数亿美元的收入。但我们希望对不确定性之锥抱有长期视角和长远眼光，因为我们希望朝着这些可能结果的上限去努力，但我们必须为此做好规划。
在这个过程中，这就是我们严谨采购算力的思路。最关键的问题在于，如果你最终处于不确定性之锥的某一个点，但你只购买了对应另一个点的算力，会发生什么。这时候，我们的算力效率就真正帮了我们大忙。
算力分配与效率衡量
帕特里克： 你能带我们进入会议室，听听关于这些权衡取舍的讨论吗？我对这三个桶——广义上的训练研发、内部使用，以及满足客户需求之间的权衡非常感兴趣。幼稚地想，分配可能大概是各占三分之一。这中间的波动有多大？权衡是什么？日常的讨论又是怎样的？
克里希纳： 除了讨论算力采购的会议外，我们还经常讨论算力分配。重要的是，这首先始于我们极极协作性的企业文化，这决定了对话的进行方式。这里没有山头主义（fiefdoms），大家都是以协作、非零和的方式来进行的。
我们在模型研发上的算力分配有一个底线，即使这意味着服务客户会变得更困难，或者我们在客户服务上必须采取一些非常规的手段，我们也绝不会降到这个底线以下。我们希望继续对开发最优秀的模型进行长期投资，因为我们认为前沿智能的投资回报极其丰厚，尤其是在企业级市场。这为分配给模型研发的算力提供了一个硬性的下限。
当我们思考算力的内部使用时，它实际上帮助我们加速了模型开发，并帮助我们找到了那些算力效率倍增器，从而让我们在每一美元的算力上获得更多的回报。因此，当我们讨论这个问题时，每个团队都会展示他们将用这些算力做什么，然后我们对 ROI 进行非常开放和坦诚的讨论。因为我们可以如此动态地分配算力，我们可以在相对较短的时间窗口内做出改变和调整。
帕特里克： 效率这个维度对我来说非常有趣。我很想知道，相比于一年前你们自己的内部基准，或者对比你们有所了解的同行效率，你们现在的效率高出多少？你们如何衡量“效率”的定义？
克里希纳： 我觉得可以从几个不同的角度来思考。从模型的角度来看，人们在这些新模型推出时常做的一个类比是把它们比作汽车。你以前开的是普通轿车，然后你可能会换成高端版轿车，你在不断升级。在模型智能方面确实如此。但这个类比不太适用的一点是，人们会想：“好吧，我从轿车升级到了跑车，燃油效率肯定会大大降低。我可不会为了省油去买跑车。”
而在我们的案例中，我们实际上看到了能力的大幅提升，但同时也看到了模型效率的巨大飞跃。如果看看从 Opus 4 到 4.5、4.6，再到现在的 4.7——它们不尽相同，但每一次跨越到新模型，在处理 Token 的实际效率上都有倍数级的提升。这不仅服务了客户，对我们内部也大有利益。如果我们在模型上进行强化学习（RL），它基本上是在带有奖励函数的沙盒中进行推理。因此，如果模型的推理效率更高，强化学习的效率也会随之提升。
我们实现了一种双赢：客户在模型发布时获得了更强的能力，同时我们服务该模型的效率有时比上一代提高了数倍。在代际迭代的空窗期，我们会在这些阶跃式的模型变化之间，动态地部署效率改进方案。随着时间的推移，效率总是在不断提升，而源源不断注入这一动能的正是研发团队。
如果仔细想想，所有这些都是环环相扣的。我们内部的各种任务和工作负载都以这种方式紧密结合在一起。做模型能力的研发、做算力效率的优化、服务客户，然后用最优秀的模型（有时是尚未发布的模型）来加速内部的工作负载。
前沿智能的超额回报
帕特里克： 你刚才说了非常重要的一点，那就是保持在前沿的回报极其丰厚。你能尽可能详细地解释一下吗？这听起来显而易见，但确实有一些阵营认为：“我可以用半年前的模型，成本只是前沿模型的一小部分，用它就行了，它会一直处于追赶状态。”但实际情况并非如此。
比如 Opus 4.7 一推出——甚至作为消费者的我——第一反应就是立刻切换过去。或者 GPT 5.5 出来，大家也马上启用新的。大家都想要最好的。谈谈处于前沿的回报，以及为什么回报会如此之高。
克里希纳： 这体现在几个方面。每次我们推出新模型，都会带来一套完全不同的能力。人们倾向于把模型智能看作 IQ——一个单一的数字。“好吧，这个模型以前是 110，现在到了 125。”我们不这么看。对我们来说，智能是多维度的，而不仅仅是一个分数。我们发现，虽然大家都在发布自己的模型基准测试卡，但很多基准测试已经饱和了。我们也发布，但我们真正的衡量标准是客户告诉我们的反馈。这个模型在现实世界中的实际能力是什么？
随着我们发布越来越好的模型，我们看到这不仅仅是绝对智能的提升。它还体现在执行长周期任务（long-horizon tasks）的能力、使用工具或电脑的能力（computer use），以及以更快速度执行具有特定价值的智能体任务的能力。如果有两个员工，他们能力旗鼓相当，但一个人要花一周时间完成任务，另一个人一天就搞定了——如果持续下去，第二个人可能会比第一个人高效七倍。他们处理某件事的能力可能相同，但一个人花的时间更长。所有这些都会影响客户的实际体验。
我们非常一致地发现，通过发布新模型，市场总空间（TAM）被以独特的方式打开了。更多的 TAM 被解锁，更多的用例成为可能。一个很好的例证是公司过去这四个月的业绩。我们今年年初的年化营收（run-rate revenue）大约是 90 亿美元，而我们在本季度结束时达到了 300 亿美元以上的年化营收。这种转变正是由模型智能的阶跃以及我们围绕它们构建的产品所促成的。这就是我所说的前沿智能回报率极其丰厚的意思。
我认为这在企业级市场尤为独特。在消费端，有时你不会看得那么清楚，消费者并不总是在推高模型的极限。而在企业端，我们的客户——最开始是写代码，但现在已经非常有意义地扩展到了代码之外的领域。每一代模型都让你有机会做更多的事、做得更好、做得更高效。客户看到了这一点，然后他们就会投入大量资金，在更新的模型上消耗更多的 Token。我们看到这个循环一次又一次地在上演。这是我们业务的核心假设——尤其是在企业端，前沿智能的回报并不会放缓。
帕特里克： 推动前沿的那些力量——感觉就像科幻小说或我小时候读的书里写的那样。现在主流实验室似乎都达到了这样一个节点——你们团队的某个人最近也提到过——递归自我提升（recursive self-improvement），即模型本身正在构建并承担大量的研发工作，以开发下一代的改进。
如果我对比你和 OpenAI 正在推动的前沿，与开源模型相比，这种差距可能会因为你们率先触及递归机制而进一步拉大。你如何看待这个问题？告诉我们应该如何理解模型本身的这种递归自我提升，因为率先到达那里似乎至关重要——这样你就可以继续拉开与尚未触及这一阶段的对手的差距。
克里希纳： 我们确实看到进展正在加速。我无法代表其他公司，但对我们来说，缩放定律依然有效，我们最近发布的 Mythos 就证明了这一点。但就目前公司内部而言，我们 90% 以上的代码实际上都是由 Claude Code 编写的。而且 Claude Code 的很多代码也是由 Claude Code 编写的。
我们为什么在内部指配算力？为什么宁可放弃部分短期收入也要支持内部使用？就是因为模型本身在帮助我们构建下一代模型。除了缩放定律带来的能力阶跃外，人才也极其重要。而这些人才在最优秀模型的赋能下，能够极大地加速能力研发，我们正在见证这一点。
我们其实并不把模型简单地区分为闭源或开源，我们只区分是前沿模型还是非前沿模型。处于前沿的模型显然正在捕获核心的经济价值，为客户带来显著的 ROI。我们正在为这一假设投入资金，这意味着既要投入算力，也要投入人才来使用这些算力，并用我们自己的模型来真正加速研发。这是我们长期以来一直在做的事情，并不是新现象，但我们在所做的一切事情中都看到了这种投入的成果。
另一个方面是——这不仅关乎模型，还关乎构建在它们之上的产品。我们在一月份发布了 30 个不同的产品和功能。这一节奏也在加速，这在一定程度上是由于我们利用模型和人才，加速了访问底层智能的通道。这就是我们在产品方面的逻辑。
缩放定律与指数级思考
帕特里克： 你刚才提到人才和杠杆，他们不用自己写代码，而 Claude Code 会编写自己的代码。在这个不可思议的世界里，你怎么看它的发展？感觉最后一步是你甚至不需要人才来告诉它该做什么。它自己就能搞清楚，这是终极形态，它自己运行，只受到算力的限制。我是不是想得太夸张了，还是说这种未来确实是可能的？
克里希纳： 我们公司的核心依然是一个研究实验室。外界或许没有完全理解这一点，但也许正逐渐被理解。我们在进行实验，做一些推高模型极限的事情，而这种研发引擎处于我们所讨论的一切业务的上游。
这在今天是由模型辅助实现的，但并非完全由模型独立完成。随着时间的推移，我们认为模型会变得更好，并在这一过程中提供更多帮助。但是，拥有最优秀的人才来设定方向，并有效地引导这一过程——不仅是确定优先级，还包括开拓新的探索领域——实际上会让研发人才变得更加优秀。
我认为这是在强化和加速我们已有人才的能力。我们经常讨论“人才密度胜过人才数量”，事实也的确如此。我们希望拥有最密集的 AI 研究人才和推理工程人才团队，这与最优秀的模型相结合，是一个真正致胜的组合。
帕特里克： 缩放定律在内部是如何被讨论的？现在的共识是它由不同的部分组成。你有预训练、后训练、推理，所有这些都在以不同的速度前进，要碰到真正的物理墙，所有这些路径都得失效。这是目前外界理解缩放定律方式。你们内部是如何谈论它们的？你如何看待它们？
克里希纳： 我们会在模型开发的不同阶段去观察它们，因此我们可以在预训练运行期间，看到这个模型在损失曲线上与我们之前做的模型相比表现如何。这能让我们对模型的能力有一个预期。在思考强化学习时，你也可以做同样的事。但同样重要的是，当客户拿到产品时，他们看到了什么？他们在哪里发现了痛点？这些痛点就会成为我们的训练目标。
我们不会在企业端使用客户数据进行训练。在专业个人用户（prosumer）端，也只有在用户选择加入（opt in）时才会使用。但客户会告诉我们：“嘿，我希望模型在这方面能做得更好”，或者“在某个特定地方模型卡住了，我本可以构建另一个产品，但它的能力需要更进一步。”我们通常会告诉他们：“针对那个方向去构建你的产品吧，因为我们在研发端会随着时间的推移逐步改进并解决它。”
这中间存在一个闭环，但在内部，我们一直在观察不同模型的训练、观察我们拥有的不同快照，并在内部（较少地在外部）对照我们自己的标准进行评估，最终还会看我们的客户如何评价它们。
帕特里克： 感觉缩放定律本身并没有任何放缓的迹象。这是一个合理的定性吗？
克里希纳： 对我们来说，这是一个合理的定性。显而易见，缩放定律论文的几位作者就在我们的创始人之中。尽管如此，我们依然是一个带有一些怀疑精神的团队。我们对自己要求极高，遵循非常严谨的科学方法，大家在不断挑战以前持有的假设。但从我们所看到的情况来看，缩放定律并没有放缓。
帕特里克： 如果这是真的——你刚才说人类很难进行指数级思考，而习惯于线性思考。如果这在未来的代际迭代中继续成立——在你自己的工作和业务中，你如何做到不进行线性思考，而是进行指数级思考？这其中的影响是很难推导的。指数级的营收增长是一回事，但能力的指数级跃升——我都不知道该如何去理解。你是如何理解它的？
克里希纳： 我们把世界看作各种场景的组合。在这个行业中，很难给出一个精确的单点预测。同时，对于更新你现有的先验假设或观点，你的门槛必须要非常低。很可能一个月前还是正确的事，今天就不再正确了，这会打破你的模型，你必须回去更新它。
过去那种“我们每季度做一次预测，然后在三个月后的下一次董事会上重新评估”的做法，在我们的业务中是行不通的。它太动态了，以至于我们必须时刻思考：“我们的模型以前做不到这一点，现在能做到了。这对 TAM 意味着什么？”
我们在写代码上首先看到了这一点。从 Sonnet 3.5、3.6 开始，我们开始看到能力的显著飞跃，紧接着就是采用率、使用量和营收的飙升。虽然以前很难预测这一点，但现在我们可以把写代码作为很多在其他经济领域以及我们业务其他板块正在发生的事情的类比。我们通过观察自身业务中的模式识别，来尝试预测未来会发生什么。
算力获取的“新陈代谢”
帕特里克： 就在你来这里的 15 分钟前，刚刚公布了你们与 xAI 以及田纳西州设施（Memphis）的合作消息。这让我很好奇你们是如何在全世界寻找资源的。这是一个你们决定执行的机会，我相信你们还探索了更多的可能性。在以创造性方式获取更多算力方面，你们的战略是什么？带我们深入了解一下。
克里希纳： 我们宣布了与 SpaceX 合作使用其位于孟菲斯的 Colossus 设施。对此我们非常兴奋。这将使我们能够继续扩张，尤其是在消费者和专业个人用户端。这只是我们寻找能以最快速度获取的短期算力的一个例子。随着整体算力基数的增长，这种短期算力占可用及外部算力的比例会变得越来越小。
我们关注的是，我们能否高效地部署这些可用的算力？有时答案是肯定的，有时是否定的。但如果可以，我们会根据它的价格、我们拥有的租期、所处位置、算力类型以及我们能运行得多么高效，来评估其经济回报。我们有一套专门的评估流程。
这套流程，我们也用来评估更长期的交易。上个月，我们与谷歌和博通（Broadcom）签署了从 2027 年开始的 5 吉瓦 TPU 算力协议。我们还与亚马逊签署了高达 5 吉瓦 Trainium 芯片的协议。这是一笔超过 1000 亿美元的承诺，其中大量算力已经在逐步落地，并将在今年剩余时间直至明年继续落地。
因此，如果仔细想想，这像是一个在不同时间启动、具有不同能力的算力“千层蛋糕”，我们在非常动态地对比这些算力。随着时间的推移，其性价比对我们至关重要——包括它何时落地，以及我们认为它在内部业务中能发挥什么作用。你必须针对许多不同的变量进行优化，涉及算力类型、成本以及时间跨度。但我们有一套相当动态的方法来评估短期算力，以及中长期算力。不过，我们评估的核心指标大体是相同的。不同之处仅在于时间跨度。
帕特里克： 那关于性价比的取舍呢？比如每 Token 成本、吞吐量和速度之间的取舍。当然，这两者都很重要。从客户的角度来看，他们两者都关心。随着这些东西变得越来越快，速度可能会解锁一些我们目前尚不了解的非常有趣的用例和能力。你能谈谈在评估算力时，这中间的权衡取舍吗？
克里希纳： 随着我们审视三个不同的芯片平台，我们内部也拥有多代芯片。可能是 TPU v5e、v6 和 v7，Trainium 2、Trainium 3。它们在性价比曲线上的位置各不相同。我们看的是我们将如何使用它。性价比非常重要，因为它关系到效率。对于某些特定的用例，速度同样至关重要。
我们对算力的评估非常细致，具体到它能为我们提供什么以及何时提供。我们的算力团队主导这项工作，但我们在整个业务中密切协作，以明确：“我们需要这些算力做什么，以及需要把它部署在何处？”好，我们可能在强化学习中需要 CPU。我们需要多少，在哪里部署，它的具体性质是什么？我们可能需要这种更前沿的算力，我们将把它部署在我们最优秀、最快速的模型上，或者用于训练它们。
在我们的视角中，核心不仅是客户需求，还非常细致地落实到每款芯片最适合做什么，以及我们在什么时候能拥有什么。
帕特里克： 我总是对 Anthropic 消化新算力的代谢速度（metabolism）感到好奇。如果我明天把你们拥有的算力翻倍，你们能多快消耗掉？如果我把十倍的算力直接空投给你们呢？你能帮我们校准一下这个概念吗？
感觉在训练、内部使用和客户需求这三个用途之间，需求是无限的。每个人都在说同样的话：到处都在短缺，内存芯片股暴涨。情况真的有那么极端吗？如果明天可用算力翻 2 倍、5 倍或 10 倍，你们几乎能瞬间消耗掉吗？
克里希纳： 这要回到我们如何使用它以及它的通用性（fungibility）。答案是，在这些用例中我们都面临着瓶颈。一两年前，想要快速消耗——尤其是在你提到的空投异构算力（heterogeneous compute）的例子中——会更加困难，因为这些芯片平台各不相同。有些更难运行，有些在我们的使用方式上存在其独特的复杂性。
今天，如果获得大量额外的算力，我认为它会在这些不同的用例中被极其迅速地部署。我们可能会采用与今天相同的分配或校准方式，但对我们来说，快速启用并部署几乎任何类型的算力已经变得容易得多。我们认为这是一种真正的竞争优势。
站在 Claude 平台的生态之上
帕特里克： 其中一个让我着迷的有趣张力和取舍，是平台化路线（即我在 Claude 之上构建我的业务，由它提供核心驱动力）与你们自己做我想让它构建的产品之间的博弈。这很像经典的 Claude Design 路线与 Figma 等应用之间的关系。
你如何思考应该深入到应用层多远，与仅仅作为一个纯粹的赋能层之间的平衡？赋能层的逻辑是：“我们只提供推理引擎和智能，世界据此去构建你们想建的一切，通过 API 传递信息。”这在某种程度上感觉是一个非常迷人的内部讨论和张力。
克里希纳： 我们的思考方式是，我们构建的绝大部分都是平台。我们认为平台可以累积巨大的价值，但在该平台上构建业务的客户实际上会累积更多的价值。我们认为这就是我们今天所致力于的方向。这可能类似于早期的 AWS。
如果想想 Claude 平台以及现在内置在其中的所有工具和服务，因为它不仅仅是粗放的模型访问——它还包含提示词缓存（prompt caching）、使用虚拟机的能力、在其中调用的 Claude Code 或 Dispatch 等等。Claude Agents SDK、托管智能体（managed agents）——所有这些都是其他公司将其融入自身产品以访问模型智能的路径。这是我们绝大部分精力所聚焦的地方，也是我们认为业务从现状走向未来的核心方向。
我们也会在同一个平台上构建我们自己的应用，但这需要满足几个前提条件。第一，如果我们觉得我们对模型的未来发展方向有独特的远见，并且能够将其证明并为客户创造价值。这可能就像 Claude Code。我们能够证明，其实市场上很多东西都是开发者主导的，而 Claude Code 是一个 Claude 主导的平台，在一年多前推出时模型可能还无法完全做到这一点。但我们相信它们会实现，现在也确实做到了。
一是提前为模型能力做好铺垫。二是思考为生态系统展示价值的方式，供其他人借鉴。如果你想想针对金融服务的 Claude 或针对生命科学的 Claude，甚至是像 Claude Security 这样的产品，这些都是我们组合这个平台的方式。再次强调，我们和我们的客户是在同一个平台上构建的。这创造了一个公平的竞争环境。
我们也认为在这些领域将会累积巨大的价值，我们的客户能赢，我们也能赢。这就是为什么当我们推出其中一些产品时，我们都是以协作、面向合作伙伴的方式来进行的——无论是在安全领域、设计领域还是金融服务领域。我们都与生态系统进行了合作。
我认为我们的战略主要是横向的。我们会在我们认为能够增值、拥有有用视角，或者能够向市场展示我们的平台如何增值的地方进行纵向构建。大量的价值最终将流向构建在平台之上的客户。我们的目标是构建最优秀的模型，然后构建让这一智能在客户内部广泛渗透的产品、工具和服务。
帕特里克： 人们确实会对你们感到畏惧，你在多大程度上在意这个现实？有一种感觉是，因为你们控制了这些新应用中最核心的部分——底层的智能推理引擎——这可能完全是事实，而且可能已经是事实，即相较于 Anthropic 所捕获的价值，更多的价值正累积在 Anthropic 平台之上。
但尽管如此，想象起来依然令人担忧。我想对于云计算和 AWS 也可以说类似的话。但是，对于你们的一些潜在客户或现有客户实际上把你们视为竞争对手并心存敬畏这一事实，你有多大程度的思考和在意？
克里希纳： 这个业务很困难的一点在于它变化得太快了。模型的能力有时甚至连我们自己都会感到惊讶。当我们基于此发布模型或产品时，这中间存在着之前技术浪潮的特征——过去可能要花五年、十年、二十年发生的事，现在几个月就发生了。当我们发布一些东西时，人们也会对此感到惊讶，这与我们感到惊讶的方式是一样的。
从根本上说，我们试图做的是针对生态系统采取极具合作伙伴导向的态度，这意味着我们有早期访问计划（early access programs）。我们与客户非常紧密地合作。我们倾听他们想要什么能力。这并不意味着我们发布的东西有时不会让人惊呼：“哇，这比我想象的要强大得多，”或者“我没意识到模型能这么快做到这一点。”
在某种程度上，这是我们所处的这个周期、这个智能发展阶段的现实。另一方面，我们希望让这些能力变得非常容易获取，这也应该为客户累积巨大的价值——前瞻性地采用并使用它，以及那些在我们的平台上构建并使用我们提供的工具的客户，我们认为我们实际上可以加速他们的发展。这有一部分是前沿模型研发的现实，但我们的应对方式可能略有不同，更加注重合作伙伴关系。
稳定的价格与指数级爆发
帕特里克： 你刚才提到，在第一季度从 90 亿增至 300 亿，速度太疯狂了。这让我对定价产生了好奇。如何对 Token 或系统使用进行定价的动态机制让我非常着迷，因为一年前很多人会说价格会持续下降。但实际上发生的是，在许多情况下价格在上涨。在不同层面上都是如此，比如 Mythos 的定价相当高，因为它太强大了。而租赁一张 H100 的价格曲线看起来就像一条微笑曲线。
我很奇怪，如果大家都面临算力限制，为什么大家不直接大幅提高价格，以试图找到正确的均衡点？定价策略是怎样的？为什么不大幅涨价？
克里希纳： 公司才成立五年多。今年三月份是业务产生第一美元收入的三周年，而我们直到 2024 年三月才第一次真正拥有了一个前沿模型。当我思考这个问题时，这些事情的时间跨度是一个重要的背景。
我们的定价在 Haiku、Sonnet 和 Opus 之间一直相对稳定，现在 Mythos 显然是更新的产品。我们做出的定价调整非常少。我们做出的最大定价调整是在推出 Opus 4.5 时降低了 Opus 系列的价格。我们为什么要这么做？因为我们发现 Opus 级别的模型相对于它们的能力被低估了。人们经常试图把一个 Opus 级别的问题强行套进 Sonnet 中。我们能够从我们自身的视角非常高效地提供服务，但实际上把价格降下来，这让客户更容易获取它。
我们希望我们的客户能从中创造巨大的价值。他们今天从我们的模型中获得了巨大的 ROI。我们希望这种情况能继续下去，因为我们的目标是让这种智能在整个生态系统中扩散。我们认为我们所有的这些用例都处于非常非常早期的阶段。实现这一目标最好的方式，就是将这种智能交到尽可能多的企业手中，从初创公司到数字化原生企业，再到世界上最大的公司。其中一些意味着你必须让价格点变得可以承受，从而使他们能够从中榨取大量的价值。
在调整 Opus 的定价时，你看到了这个杰文斯悖论（Jevons paradox）。我们降低了价格，但消费量的增长远超预期。因为我们切中了客户的甜蜜点，他们能够更频繁地使用它。我们拥有能够大规模服务客户的效率。他们能够将这融入到他们的工作负载中，以至于当我们发布 Opus 4.6（一个模型改进版本）时——他们可以直接无缝接入。我们没有改变价格。我们认为定价稳定性非常重要，同时我们也认为，定价以获取价值并见证杰文斯悖论的发生是至关重要的。
帕特里克： 另一个组成部分是利润率，以及你们作为一个业务如何看待利润率。同样，因为构建这些前沿实验室需要投入难以置信的巨额资本，你拥有我们谈过的这些杠杆，即效率和价格——这两者都与利润率相关。
既然你需要这么多资本，为什么不直接说我们希望能有一个健康的利润率并据此定价，如果效率变好价格可以再降下来？我很好奇你如何思考利润率与业务定价之间的关系。
克里希纳： 我们思考的是，我们广义上的算力支出的回报率是多少。这涉及我们谈过的所有不同工作负载，是否是在服务客户。所有这些工作负载在不同的时间跨度上都是在支持营收。如果我提供推理服务，那是在支持今天的营收。如果我进行模型开发，它可能会在六个月后支持一个解锁 TAM 并驱动营收的能力。这中间的一切也是如此。如果我进行内部提速以发布新产品——所有这些事情都是为此提供支持的。
我们今天在这些算力支出上的回报是极其强劲的。我们思考的是，我们这整个算力的回报是多少？从这个角度来看，我们对自己的处境感觉非常好，我们正在平衡为客户传递价值与我们自身看到这些算力的极强回报。
当营收增长时，正如我们在第一季度提到的——我们并不是在那段时间里启用了一大堆新的算力。算力是根据可能在 12 个月前就已经确定的斜率逐步落地的。这种以服务客户的边际增量作为可变成本的概念，并不真正契合我们的业务。它试图把我们的业务套进软件的范式里，但实际情况并非如此。事实上，算力在支持着所有的这些活动。我们真的在这些算力上产生了极佳的回报，这就是我们的度量衡。我们把我们拥有的算力看作是能够治理我们能驱动多少营收的东西，无论是在短期还是在长期。
帕特里克： 如果你是算力提供商的超级大客户，那这个群体需要做些什么才能成为你们的优秀合作伙伴，帮助你们驱动这种回报？
克里希纳： 我们非常幸运，因为我们在亚马逊、谷歌和微软拥有非常出色的合作伙伴，同时也与博通和英伟达保持着合作。我们是目前唯一在所有三家云服务商上都提供服务的模型。我们是唯一使用所有这三个芯片平台的大型语言模型实验室。这些协作比单纯的采购要深得多。我认为这一点经常被外界忽视。
如果想想我们与亚马逊的关系，我们的团队与 Annapurna Labs 团队深度融合。我们是 Trainium 芯片的重度使用者。我们投入了大量的时间和精力，与内部团队密切合作，我们共同规划产能。我们与其他超大规模云服务商也是如此。如果想想这三家云服务商，它们对我们来说也是极佳的渠道分发引擎。
我们同时也拥有非常强劲的第一方业务，但这些是多维度的合作关系，无论是开发芯片本身、落地容量、提供服务，还是最终将其分发给客户。每一个环节都包含这些要素。它们各不相同，各有其相对优势，但我们已经能够在这三家云服务商，以及博通和英伟达之间协同得非常出色。
Anthropic 财务团队是如何使用 Claude 的
帕特里克： 我在想你的职能部门——财务团队。我脑海中浮现出这个在不同时间跨度上、包含所有这些复杂变量的“算力投资回报率”模型。这让我很好奇，你们自己内部是如何使用这些强大的工具来运行你的团队和业务的？财务团队在 Anthropic 是如何部署 Claude Code 和广义的 Claude 的？
克里希纳： 这非常有趣。大约一年前我们开始使用 Claude Code，我开始问大家：“大家是都在进行氛围式写代码（vibe coding），还是在干嘛？”我们开始把 Claude Code 当作一个助手、一个数字同事来使用——不仅仅是用于编写代码任务。那是在最终演化为 Cowork 的早期阶段。这是 Claude Code 的延伸——即它在智能体软件开发上能做到的事，也应该能在所有的知识工作中做到。
然后我们开始将它投入生产运行，我真的很自豪。我们与我们的产品团队也花了大量时间，他们能看到我们如何使用它，并从中获得输入和反馈。今天，我们所有的法人实体——我们都可以使用 Claude 来生成符合法定要求的财务报表。是的，人类会进行核对，但所有这些财务报表都是通过 Claude 生成的。我们还有一个更实时的平台，叫做 Ant Stats。
以前要花费大量时间去筛选所有数据、得出结论、写备忘录，或者发布关于当天发生了什么的定期报告，是什么在驱动它。我们现在为 Claude 建立了一个专门针对财务的技能库。我上次查看时，已经有超过 70 个技能，每个人都可以通过这个公共仓库来访问。
在此之上，我们构建了一个 MFR——即月度财务回顾（monthly financial review）技能。它能够生成我们的月度财务回顾。它已经有 90% 到 95% 的成熟度了。然后我们所有的讨论就变成了——我们要做什么？影响是什么？而不是具体发生了什么，因为 Claude 不仅仅是在播报天气。它还在帮助思考驱动因素。为什么数字会以这种方式发生变化？这能让你对业务产生巨大的洞察，无论是我们所做的 MFR 还是在日常工作中。以前要花几个小时来生成一份关于什么在驱动营收或什么在驱动我们算力利用率的周报，现在缩短到了 30 分钟，然后我们就可以把时间花在业务的实际战略影响上。我们也可以更快地把它交到业务领导的手中。洞察引擎运行得快得多了。
我有一个仪表盘，我可以查看 Token 的使用情况。
帕特里克： 还有一个排行榜？
克里希纳： 是的。我们并不以此来考核大家。没有人为了这个去狂刷 Token（token maxx）。但这非常有趣，因为财务团队中一些最资深的人实际上是 Token 的最大使用者。所以，这不仅仅是刚入职、有编程背景、周末自己折腾并把这些带到工作中的 22 岁年轻人。
它同时也包括人们使用这些工具来改变他们的工作方式。我们的头号使用者是我们的税务主管，他专注于税收政策引擎，并实现了团队内部大部分工作流的自动化。我非常乐见于此。我告诉大家：“如果我们自己都不是这套系统的超级用户，如果我们自己都没有推高它的极限，你又怎么能指望客户做到呢？”
帕特里克： 仅仅作为一个人，这会让你在某种程度上感到恐慌吗？我听过很多这样的例子。感觉我们开始只做 AI 让我们做的事——在销售案例、日历或者其他事情中。也许这很棒。也许它就是一个比我们更优秀的协调者、更广阔的思考者和优化器，我们确实应该做它让我们做的事。
但这让我感到有那么一丝的反乌托邦，这种现实正在迅速逼近。我也有过这样的体验。这感觉挺酷的，很有帮助，但同时，如果我真正闭上眼睛，我会想：“哦，我只是在做它告诉我的事，而不是我告诉它该做什么。”这是一个非常有趣的人性动态，我很想听听你的看法。
克里希纳： 我对此的看法略有不同。我认为我们能够在公司雇佣到非常优秀的人才，但这确实让那些才华横溢的人变得高效得多。我把它看作是劳动力的杰文斯悖论，即我们的人员效率得到了难以置信的提升。我们也因此雇佣了更多的人，因为公司永远不缺活干。
现在有了 Claude 的辅助，人们花在 MFR 里对账的时间变少了，但他们实际上在思考：“哦，我们如何把这些重新投资到业务中？我们如何动态地分配资源？”而在这之前，我可能在对账，或者在会计案例中，要花很长时间去结账。
我实际上更加乐观地看待它——它使我们的生产力大幅提速，这实际上意味着我们可以完成更多的工作。即使我们在扩大团队，随着那些员工学会在我们公司内部使用 Claude，他们的效率也会更高。在许多其他公司中，这也开始成为现实。
Anthropic 的融资历程与营收增长
帕特里克： 我很想谈谈投资者和资本形成。当然，你不得不筹集巨额的资金。与此同时，如果我只是稍微眯起眼睛想一想目前营收的倍数，在你们募资估值的层面上，它似乎并没有那么疯狂。
我很想听你讲讲与投资者打交道是一种怎样的体验——你如何看待他们对公司的理解是如何演进和成熟的。你认为投资者这个群体目前理解到什么程度了？在哪些方面对 Anthropic 存在误解？跟我们聊聊你生活中的这一面。我不知道这占了你工作的多少比例，但它确实是一个重要的部分。
克里希纳： 我大约在两年前加入公司。当时我们正在关闭 D 轮融资。那并不是一次顺理成章的融资。公司在融资中途才推出了一个前沿模型。在融资的尾声，FTX 的破产交易正在发生，这涉及清算大量的 Anthropic 股份。那是我们的起点。
在那个节点上，投资者的问题围绕在：你们为什么需要拥有一个前沿模型？这能带来什么回报？还有关于我们使命的问题，以及我们如何做事情。人们说：“好吧，AI 安全与建立一个庞大的业务，这两者难道不是冲突的吗？”还有很多其他的误解，比如“你们的销售团队太小了。难道你们不需要像所有这些企业软件公司一样去扩张销售团队吗？”当时存在一种试图将我们套入之前既有模板的思维范式。
随着时间的推移，情况发生了演变。在 2024 年底，我们募集了 E 轮融资。当时业务规模已经扩大到接近 10 亿美元的年化营收。但我们第一笔交割的当天，DeepSeek 的消息刚好发布。我们完成了交割，但确实经历了巨大的波动，人们会问：“等一下，我是否应该彻底重新评估我整体看待 AI 的方式？”
那就是 E 轮融资——显然，我们在所有这些融资中都引入了优秀的投资者，但人们仍然会有这些疑问。他们看着我们的预测，他们会想：“我懂了。你这么快就成长到了 10 亿美元的年化营收，但你绝对不可能保持下去。这根本不可能。”
帕特里克： 不可能再翻 10 倍了。
克里希纳： “这违背了物理定律。你在企业级市场做得很棒，但这中间的采用需要花费长得多的时间。看看云计算花了多长时间，还有多少人至今仍在本地部署。”
业务继续证明了这一假设，即前沿智能的回报极其丰厚。实际发生的是由模型驱动的增长，这得到了产品、我们 go-to-market 团队以及分发渠道的赋能。他们同时也看到了这一假设，即：“嘿，构建这种变革性的技术极其重要，但必须以正确的方式、负责任地去做。”这与我们的业务有着极其有趣的内在联系，而大多数人以前并不理解或并不真正相信，那就是我们不仅在模型开发上投资，还在 AI 安全研究上投资。
我们开拓了可解释性（interpretability）研究。可以把它看作是模型的 MRI，以此看清神经网络的内部工作机制。我们开拓了对齐科学（alignment science）——你希望模型做你让它做的事，它做到这一点的频率有多高，而它偏离的频率又有多高？这些事情对我们的使命至关重要，这也是我们做这些事情的原因。它们带来了下游的积极效应，事实证明，如果你能看清模型的内部，你就能更好地构建它们。
最后一个纽带是，如果你向企业销售——我们现在的客户涵盖了 10 家财富十强企业中的 9 家。所有这些企业都在向我们托付客户信息和它们的数据。它们在与员工互动，有时甚至在与它们的客户互动。这些都是最敏感的工作负载。越来越多这样的业务正运行在 Claude 和我们的 Claude 平台上。
当你看到我们在安全、可解释性、对齐上所做的并将继续做出的投资——这实际上也让企业级客户以及我们的所有客户受益。因为他们要把所有这些访问权限、所有这些数据托付给我们，并让我们在他们公司内部最敏感的工作流中工作，他们会希望得到这些。他们希望得到一家可以信任的公司。这不是我们最初投资于此的原因，但它确实带来了我们一再看到被证实的下游效应——成为一家既处于前沿、又在安全上投资且值得你信任的公司。
自主加入公司以来，我们已经募集了 750 亿美元。未来通过上个月签署的亚马逊和谷歌协议，还将有 500 亿美元资金进来。这是一个极其巨大的资金量，但这是一个资本密集型业务，我们需要 these 资本来支持增长。这都归结于业务运行得非常高效这一事实。我们募集这些资本，更多的是为了应对不确定性之锥，而不是为了填补公司今天的亏损。
帕特里克： 你自己对业务增长 10 倍的预期是怎样的——第一次发生时，你个人相信这可能吗？这看起来是不是很荒谬？现在这正变得持续发生，也许对你来说它变得更加平常了。但是，盯着这个圆锥，你个人对连续多年实现 10 倍左右增长的概率持什么看法？
克里希纳： 当我加入这家公司时，它的年化营收约为 2.5 亿美元，计划是达到 10 亿，我说：“太棒了。在哪个年份实现？”那是线性思维。在营收预测上，达里奥（Dario）一向比我预测得更准。我想随着我们越来越擅长预测和理解业务，我们将逐步缩小这一差距。
但绝对在第一次看到它时——你会听到所有关于物理定律和数律（大数定律）的论调。收入到底从哪里来，怎么能增长得这么快，客户怎么能行动得这么快，这在企业级市场真的是可能的吗？随着你看到业务在内部如何运转，看到正在发生的采用曲线和指数级增长，所有这些怀疑都会随着时间的推移而被打破。我们的营收在呈指数级增长，但在其底层，还有许多其他指数级变化的维度在提供支撑。你开始更多地看到并相信这一点。
这并不意味着我们对预测以及我们思考不同场景范围的方式不够严谨和深思熟虑，但这确实意味着我的思维至少发生了巨大转变，从线性和渐进转变为倾向于这种指数，并真正相信它的潜力，以及这与其它业务演进的方式是多么的不同。
投资者应该思考些什么
帕特里克： 在你与每个阶段的投资者交流时，我敢说在你们募资的每一轮中，都有一个最普遍或最难向投资者解释的事情——他们最难理解和搞清的一点。今天那是什么？
克里希纳： 我认为是对算力使用方式的这种思维范式。不要仅仅把它看作是在某个时间段内的可变成本，而要真正看作是这种可以极其通用地、无缝互换使用的资源。我们在某一天的早上运行某个芯片来进行推理，然后在下午或晚上，我们将其用于模型开发。这种范式在软件公司或工厂等传统公司中是不存在的。你无法重新指配——如果你有一群人做 R&D，那是你的 R&D 费用，在大多数传统公司中，他们不能去变成 COGS（销货成本），反之亦然。而在我们这里，你真的拥有这种通用互换性。这是可能的。
这就是算力投资回报率如此重要的原因，我认为人们正开始理解这一点。但仍然存在一种倾向，试图把这两项成本隔离开来，而实际上它们是极强地相互强化的，这种灵活性正是帮助在短期和长期驱动营收的核心。
帕特里克： 如果我强迫你卸任，去一家伟大的大型投资机构做投资人，然后我对你说：“你的工作是去考问这些公司并投资于最优秀的公司。”为了真正触及不确定性、怀疑以及可能让这些公司无法成为有史以来最好业务的核心，你会向这些构建模型的实验室或公司提出什么问题？很想听听如果你坐在那个角度，你会如何做。
克里希纳： 首先，算力的整体 ROI 到底是多少？你们是如何使用它的？你们今天看到了什么回报，随着时间的推移，它是如何变化的？这当然是投资者经常问我的问题，但我认为这确实是一个极其重要的问题。这些是像我们这样的公司正在做出的前所未有的巨额投资。你们在其中产生的回报是什么，何时产生，以及它的走势是怎样的？我认为这是第一点。
第二点是，你们的客户如何看待 ROI？我也经常被问到这个问题。人们仅仅是在用它进行测试吗？他们是否在以有意义的规模实际部署？对我们的业务来说，我们真的看到了这一点的证明。在年化基础上，我们的净金额留存率（NDR）超过了 500%。财富十强中的九家企业——这些都是做出重大采购决策的真实客户。
帕特里克： 这些不再是试点项目了。
克里希纳： 确实。在来这里的路上，我在优步（Uber）里，在 20 分钟的车程中签署了两份达到两位数百万美元（千万美元级）的采购承诺。从这个角度来看，我们看到了它，我们现在正在被一些世界上最庞大的公司、最成熟的买家所检验。还有初创公司——它们在市场上有选择，而它们选择了我们。作为一个持怀疑态度的投资者，我会问的一个问题是：“你们的客户如何从这中间获得回报？”
第三点可能是，你们如何看待未来的算力，它来自何处？我们购买算力的一些提供商，它们也把算力卖给别人，它们也可能在内部使用这些算力。随着时间的推移，这中间的平衡是什么？
帕特里克： 所以你在那里的哲学是与伟大的玩家合作，并保持灵活性。
克里希纳： 没错。
AI 的受冷遇与政府的角色
帕特里克： 关乎 AI 有一个非常疯狂的数据，即在大众心目中，AI 的通用概念受欢迎程度甚至低于国会。第一次听到这挺滑稽的，但当你真正细想时，你会觉得这有点糟糕。我们需要解决这个问题。
如果以人们对 AI 的看法来衡量，非技术领域、不生活在湾区或纽约的大众似乎还没有感受到或理解为什么这对自己有好处。你认为我们作为行业需要针对这个问题做些什么？
克里希纳： 如果我们思考正在发生的变革——以前也有过其他变革浪潮，一直可以追溯到工业革命、互联网、云计算等等。AI 的不同之处在于它发生得太快了。你可能会有数年甚至数十年的进展被压缩进几个月。回到人类以指数思维对比线性思维的思考，这可能会让人感到不安。
总体而言，我们对这项技术的潜力非常乐观。我们作为一个行业可以继续在阐明这一点上做得更好。Dario 写了那篇名为《充满慈爱的机器》（Machines of Loving Grace）的论文。它讲述了这项技术彻底改变我们生活方式的潜力，无论是在药物研发和治愈更主流及罕见的疾病上，即加速生物学进展的能力。第二是在医疗保健以及医疗服务的交付方式上，以提高发展中国家以及资源不那么丰富的地方的生活水平。我们如何真正确保 经济成果不仅流向世界上少数人，而是惠及全球？
所有这些都是 AI 的承诺和潜力的一部分。我们在描绘这幅图景上可能可以做得更好，我们希望随着时间的推移为之展示更多切实的结果。我认为这正在到来，这也是我最乐观的事情之一。
然而，在另一方面，我们也希望阐明风险。我不认为我们应该只告诉大家一切都会很棒。道路上很可能会有颠簸。人们通常更倾向于诚实和客观的评估。如果我觉得某人只告诉我好消息而从不提坏消息，那么我会想：“好吧，我真的能相信这个观点吗？”这就是需要平衡的地方。
听着，当变革被压缩在极短的时间内发生时，有些事情就会发生。我们如何在商业和政府之间合作，以真正提出一些解决方案？所以，我认为这关乎对机会的清晰阐述，关乎思考这些解决方案可能是什么，而且这不是任何一家公司可以独立解决的。
我们没有能解决一切的完美蓝图，但至少要就一些风险、负面影响以及我们可以做些什么来应对它展开对话。然后我认为在谈论它时，要对这两方面保持透明。我确实认为从长期来看，机会将显著高于并大于可能发生的一些风险和负面影响，但这并不意味着曲线会是绝对平滑的。
帕特里克： Mythos 的发布是一个非常有趣的时刻。这是第一次有很多人——我的一些密切关注此事的优秀朋友——说：“这一次有点让我感到害怕了。”这又回到了安全问题上。这也是你们第一次站出来说：“我们希望确保这不被用于坏事，而且这可能是第一个我们担心可能被用于坏事的模型。”
我很想知道在世界听到它之前，你们内部的讨论是怎样的——围绕它的决策过程。以此为例，谈谈随着我们继续推进、缩放定律继续保持，真正让你感到害怕的事情。
克里希纳： 关乎 Mythos，人们可能会把它误解为网络安全模型。它是一个在许多许多不同维度上都极其强大的模型。我们发现，网络安全确实是一个它呈现出能力尖峰的领域。这是我们决定以不同方式发布的第一个模型。我们所做的方式与我们的使命和原则是一致的。我们希望以这种方式去做。
我们对其采取了分阶段的方法，因为我们认为，当一个模型具有如此能力时——同样，网络安全是人们关注的焦点，但还有其他维度——我们认为它可以被积极地用于修复代码库漏洞。你见过这样的例子，此前一个模型在一个开源代码库中发现了 22 个安全漏洞，而 Mythos 随后发现了 250 个。这确实有点吓人，但这决定了我们发布它的方式。我们并没有说我们永远不发布，我们说：“让我们以分阶段的方式来做。先对一个逐步扩大的群体开放，我们可以专注于这一个网络安全能力，以及它如何真正被积极地用于防御，而不是用于进攻。”
我们认为这可以作为未来的一个模板。但由于这一特定领域的敏感性，我们希望在发布时对其保持清醒的认识。
帕特里克： 你们现在已经发展得如此庞大，以至于会碰到各行各业以及所有人。其中一个例子就是政府，就在几天前，政府说也许会建立一个新系统，要求你们在向公众发布新模型之前，必须得到政府的预先批准。显而易见，你们经历了与国防部（Department of War，译者注：原文为 Department of War，在现代语境下指美国国防部或相关国家安全与防务部门）的奇特经历，我很想知道经历这一切是种怎样的体验。
现在每个人都关注这家公司、这项技术以及其他几家构建它的公司。你如何应对这些事情？有些事情完全超出了你的控制，但我相信你正在尽最大努力与人们合作。也许可以聊聊政府作为非常相关的合作伙伴、参与者、监管者这两个例子。
克里希纳： 我们优先在这方面建立牢固的关系，因为我们确实认为监管可以发挥作用。我们对此表现得相当直白。我们在方法上非常“美国优先”。我们希望这项技术能支持美国以及全球的民主国家，这也是我们一直与政府密切合作的原因之一。
我确实认为存在一种平衡。你希望能够让创新极其迅速地发生，而不被放缓；但你也希望为这些技术的部署建立责任框架。因为我们长期以来一直表示，这项技术会产生深远的影响，我们应该对此展开诚实的对话，这包括与政府的对话。我认为 Mythos 的处理过程就是一个很好的例子。
走近 Anthropic 的内部文化
帕特里克： 你能教教我们如何向你的父母描述你们的文化信条吗？什么感觉是真正驱动大部分文化的核心？我尤其对协作和写作文化感到好奇。你经常听说 Dario 会在外部发布这些长文——每隔一段时间。我的理解是他内部发布的频率要高得多，而且内部有很强的写作文化。
我想了解一下处于其中是种怎样的体验，以及是什么让它与其他公司——也许是你工作过的公司，或者其他试图做同样事情的公司最清晰地区开来。你对这些差异和独特性有什么感受？
克里希纳： 文化是 Anthropic 非常独特的方面，我们在外部确实会谈论它，但当你身处其中去体验时，感觉是不同的。我可以与你分享一些我的观察。首先，我们有七位联合创始人。这在纸面上看起来行不通，但在实践中它确实运转良好。他们真的为文化和对公司真正重要的事情树立了榜样。
我们极其严肃地对待文化。我们进行文化面试，这绝非应付差事。它是评估流程的真实组成部分。即使某人在其他所有方面都非常优秀，是你在这个岗位上面试过的最聪明的人——如果他们没能通过文化面试的门槛，我们也不会录用。
如果用“如何向你的父母描述”来做框架，我会说——它是令人难以置信地协作的。这意味着我们绝不容忍山头主义、好斗争功（sharp elbows）或者“我需要把功劳归于自己”的做法。它极其谦逊。我们内部员工的笔记本电脑上贴着一张贴纸——“我们的竞争对手非常强大，成功绝非理所当然。”这是公司运营方式的一部分。如果我们达到了一个里程碑，发生了一件好事，地板上不会有庆祝的五彩碎纸，而是会问“下一步是什么？”这是一种对使命的专注以及对高度对齐的追求，贯穿于公司的文化之中。
另一个方面是，这里存在极其激烈的争论，同时也有智力上的开放和智力上的诚实。这发生在大家提出疑问的时候。人们会表达自己的观点，但随后会有围绕该观点展开的建设性对话，然后我们会决定前进的道路。在这发生之后，会有真正的对齐。在像我们之前讨论的算力分配等事情中，人们可能对如何分配这些算力有不同的看法。他们会围绕在哪里回报最高或最好展开深思熟虑的讨论。当他们这样做，并且当我们做出决定时，大家就会达成一致。这里不会有事后质疑，不会有政治斗争或建立个人势力。
另一个方面是，它非常透明。Dario 每两周会在全公司面前发表讲话，通常会写一份简短的文件，谈论三四个话题，然后回答公司员工提出的公开问题。这些可不是应付的送分题，它们不是安排好的问题，而是员工脑海中真实存在的疑问，他会尽他所能去解答。这不是一个决策论坛，但它确实是公司员工了解管理层如何思考、他如何思考的一个窗口。这里面充满了辩论和对话。这是员工非常珍视的。
这是一种透明的文化。七位联合创始人至今都留在公司，绝大多数前 20 到 30 名员工至今也留在公司。文化支撑起了我们能够吸引并留住行业顶尖人才的原因，因为我们并不总是给钱最多的。我们有非常有竞争力的薪酬包，但当 Meta 和其他公司为这些大型语言模型实验室的技术人才开出巨额包裹时，我想我们只流失了两个人，而其他实验室流失了数十人。
帕特里克： 业务和文化的哪些部分让研发人员尤其认同？你认为为什么会这样？
克里希纳： 这确实是由文化所支撑的。这不仅仅是我们的感觉。从经验上看，当你与人们交谈时，他们的反馈是“我希望产生尽可能大的影响力。”再次强调，talent density（人才密度）比 talent mass（人才数量）更重要。“我希望在一个真正协作的地方工作，而不是我必须为这一件事去争斗，并且我觉得它没有以正确的方式被讨论和辩论，”或者关于决策是如何做出的缺乏透明度。
我认为这确实非常重要，因为我们的大多数团队成员只想做出优秀的工作，他们是被使命吸引而来到公司的。在一个致力于开发变革性技术、但要以负责任的方式去做的公司中产生影响力——我认为这无论是对研发团队还是对全公司的人来说都非常重要。这是我们的核心竞争优势，我们绝不会对此掉以轻心。
我们有“向上的竞赛”这个概念。我们并不总是拥有所有正确答案，我们并不总是能把所有事情做到完美，但我们希望其他人看到我们所做的一些事情时，也许会借鉴其中的一些片段，并让这项技术在整个行业中以更好的方式被开发出来。人们也非常被这一点所吸引。不是说我们拥有所有答案，而是说我们可以成为为人类这一未来进程做出贡献和引领的一部分。
开启 40 万亿美元的可服务市场空间 (TAM)
帕特里克： 如果我们现在展望未来，当你在内部与大家交流时，前沿感觉是怎样的？我指的不仅仅是模型的前沿，而是指构建广义 AI 的下一步动作。大家都已经意识到：“这些东西非常强大，每个人都在使用它们。”从内部来看，你觉得前沿是什么？
克里希纳： 我认为这关乎一个愿景——同样，因为我们专注于企业级市场，并且真的在努力改变经济中知识工作的生产力——它正朝着“虚拟协同者”（virtual collaborator）的愿景或目标前进。可以把它想象成在你们组织内部拥有上下文、能够使用你们特有所有工具（无论是自研工具还是采购工具）的东西。它拥有记忆，能够从你犯过的错误以及它自己随着时间推移所犯的错误中吸取教训。它有能力在非常长的时间跨度上工作，不仅是完成一项任务，而是真正围绕一个想法去工作。
这对我们意味着，模型的能力必须继续增长来提供支撑。我们在此之上构建的产品可以释放出这个虚拟协同者，我们认为它可以极大地加速知识工作。全球每年大约有 40 万亿美元的知识工作被完成。我们认为生产力和提速是可能发生的，但你必须把它放在正确的形态中。这就是为什么智能不是单一维度的，而虚拟协同者结合了这些维度中的很多方面。它不是那种通用意义上的聪明，而是针对你的特定用例表现得聪明。
我们在写代码中看到的趋势正是我们期望在其他领域看到的。对我们来说，Claude Code 在这方面引领了潮流，我们很多客户也都在推高代码的前沿。你同时也看到像 Cowork 这样的产品出现，并开始解锁这一潜力。如果将 Cowork 与 Claude Code 在相同时间起点上进行对比，它的增长速度要比 Claude Code 还要快。这相当惊人，因为开发者通常是这项技术的极快采用者。
这是因为模型能力和产品正朝着虚拟协同者的概念推进，在这里，甚至我们今天的产品开发也不再是一个产品经理带着两个工程师开发三个月然后发布。我们每天都在发布，公司内部有一群智能体（agents）在协同处理特定的任务，所以每个人都变成了管理者。
这其中的含义，以及当它处于正确的形态中时所带来的效率提升——我们还处于非常早期的阶段，但它的潜力是难以置信的。
遵循第一性原理的领导力
帕特里克： 我很好奇你个人必须做出怎样的进化才能留在这里继续做下去。你经常听到这些故事，高管必须伴随公司一同成长，他们也在引入新的高管。在你之前的业务中，那是一家很棒的业务，但规模只是这里的沧海一粟。你和所有人一样，正处于这个全新的、前所未有的浪潮中。
你谈到了从线性思维中跳脱出来，进入更具指数级思考的例子。这是我所指的一个方面。但你个人是如何应对的？你必须做些什么？什么是最痛苦的？当这个业务以我们此前未曾见过的速度在扩张时，你如何管理自己伴随它一同成长的能力？
克里希纳： 这非常难。重要的是要以第一性原理来思考。每个人来到新事物面前都会有先验假设。从第一性原理思考并保持智力上的开放。我与我们的首席算力官 Tom Brown 花了大量时间。他实际上是第一批面试我的人之一，我记得我们去散步，他开始向我讲述他对公司未来的愿景。那是在 2024 年初。说实话，这听起来太疯狂了。他一路送我回家。我记得我进屋告诉我的妻子：“这将会非常疯狂。如果那里面哪怕有 10% 是真的，这都将颠覆我们所看过的、以及大多数人所看过的所有范式。”
事实证明，Tom 在那次散步中所说的很多事情都成真了。我把这视作一个早期的塑造过程——与他散步并回到家，心想：“我的天，这将会是完全不同、完全崭新的体验。非常不可意，但也充满挑战。”事实也的确如此。
另一个方面就是雇佣优秀的人才。我尝试去雇人，并在面试过程中告诉他们：“我其实不是在招募你做我的直接下属。我是在招募你做我的合作伙伴，我希望你把它当作一段合作伙伴关系，这意味着有些事情你和我可能会产生分歧。我希望听到那些分歧，并且我希望能在白板上讨论它，去理解它。”我们从世界上一些最顶尖的公司雇人，他们带着不同的视角来到这里。他们可能来自超大规模云服务商，或者大型软件公司，或者金融服务领域。
在我的另一段职业生涯中，我在黑石集团（Blackstone）的私募股权团队工作过。那段训练对于在极其微观的层面上思考问题并保持这种敏锐度是非常宝贵的。我不是一个习惯在 5 万英尺高空指手画脚的人，那不是我的风格。但在这项业务中，你也不可能在所有事情上都只盯着 500 英尺的高度，因为它的表面积实在是太大了。拥有能够成为合作伙伴的人是非常关键的。我们吸引了非常优秀的人，他们极大地拓展了我的思维。
最后一点是去思考业务随着时间的推移如何演进，以及在过去发生过的事情中可能会有哪些类比。我曾在疫情中协助主导了爱彼迎（Airbnb）的融资。非常不同的境遇——公司的营收在七周内下滑了 70%。我知道 Brian 与你做过节目。那是一段极度煎熬的时期，但那也是一段没有先例可循的时期，在局势瞬息万变的情况下，你必须以极清晰的视角去思考，而没有任何现成的模板或模式可以匹配。
在个人层面上，平衡一切确实很困难。家庭和朋友，而这份工作确实夺走了这中间的很大一部分。我所尝试去做的，也许是每周一次，在安静的时刻，心想：“哇，这真的太酷了。”这是一个不可思议的机会，能与这群人在这家公司的这个历史时刻共同致力于解决这个问题。也许是在车上，也许是深夜。拥有这种认知和感激是非常重要的，所以我试着在每周抽出几分钟时间，把这种感激带入我的生活。
帕特里克： Tom 在散步时对你说的最疯狂的事是什么？
克里希纳： 我们聊了很多关于算力基础设施的规模，以及模型在很短时间内能做到的事。他描述了一个我会称之为科幻的世界。我们此时此地正在经历的很多事情都源于那次对话。他谈到的甚至还有很多超越了我们今天的水平。
但共同点在于，一切发生的速度都将比我们想象的要快得多，无论是影响还是能力都可以发生变化。他同时也对未来抱有一种难以置信的乐观态度，这也是我们内部常说的——同时拥抱光明与阴影（holding light and shade）。这是我们常说的话之一。我带着一堆问题结束了那次谈话，但也对未来可能发生的事情带有一种极度的积极态度。
洞察不确定性之锥的上限与下限
帕特里克： 感觉我们的大部分时间都在讨论——因为这已经成为了现实——我们正处于那个不确定性之锥的上限。你能想象出什么会导致这种情况转向不确定性之锥的下限吗？如果我们对一年后的情况进行某种事前剖析（pre-mortem），比如：“哇，实际上我们根本不需要像我们想象的那么多算力，”或者诸如此类的事。你能想象出什么能让我们在这条锥形曲线上发生有意义的下滑？
克里希纳： 主要是实际能力和用例在追赶模型发展的进程上遇到了瓶颈。我们所讨论的是大型组织中的人类，他们拥有一套已经执行了很长时间的工具、实践和习惯。变革是困难的。在某种程度上，如果这种扩散技术碰到了墙壁或者放缓，这可能会影响我们在年化营收增长上的速度。
缩放定律放缓或不再成立——虽然我们现在没看到，但我们无法百分之百保证它会一直成立。那样说就太愚傻了。我们当然相信这一轨迹，但模型能力触顶将是另一个可能因素。
第三是关于我们如何保持在前沿。今天，我们处于前沿，我想我们正在定义智能体 AI 的前沿。我们需要留在这里。这是一个极其竞争激烈的市场，我们将继续在技术、算力以及所需的 go-to-market 上进行投入以留在这里，但这同样是无法保证的。
帕特里克： 为了以乐观的基调结束，如果那些是可能导致我们走向下限的因素，那你最兴奋的是什么？你拥有一个特权席位，你几乎能够真正看到未来，因为它在外部世界看到之前就已经在业务内部发生了。带上这种视角和处于这个席位上，你最兴奋的是什么？
克里希纳： 我真的认为，生物技术和医疗保健领域的成果是我最乐观的。我们可能生活在一个你被诊断出某种无法治愈的疾病、但在你的有生之年该疗法被以极快速度找到的世界里，你可能不会因此而死去。我们今天所做的很多工作都在帮助加速药物研发过程。很多需要完成的文案工作、临床研究报告之类的事情——AI，尤其是我们的解决方案，正在帮助极大地加速这一进程。
当它更深地切入到药物开发和药物发现本身时，我是最乐观和最兴奋的。因为人类非常擅长研究，但如果你想想这些分子和蛋白质——它们是如此复杂，如此微小的改变会对结果产生如此巨大的影响。AI 是完美的解决方案。当实验室的吞吐量提高 10 倍或 100 倍，我们可以运行多得多的实验时，会发生什么？可能更快地获得更好的结果，这可以帮助全球的人们。它不必局限于少数几种疾病或障碍，它可以真正延伸到链条的更深处。这有可能极大地改变我们的生活方式和我们的互动方式，这真的让我非常兴奋。
Krishna 经历过最善良的事
帕特里克： 真希望你是对的。我们看起来确实处于这一轨道上，这是一个相当值得去想象的未来。这真的太有趣了。我觉得我们涵盖了业务的许多非常有趣的方面。
当我做这些访谈时，我都会问同一个传统的结束问题。别人为你做过的最善良的事情是什么？
克里希纳： 我有一个比我大五岁半的哥哥。他上大学时我们住在加州。他被所有申请的大学录取了，并且在那之后打算去读医学院。我当时对这一切一无所知——他最终选择在州内上大学。他表现得极其优秀。
很多年以后，我才从他嘴里把这件事套出来，但在决定去哪里上大学时——我们家庭是稳固的中产阶级。那是 25、30 年前，当时的助学金包没有今天这么丰厚。我发现，他决定中的一个重要因素，是想把机会留给我，让去我任何我想去的地方。那是六年后的事，谁知道我以后会怎么样。他决定中的很大一部分因素，是为了给我提供选择的机会。
我当时不知道。12 岁或 13 岁的我永远无法理解。许多年以后，我认为那是一件极其善良的事，也是我今天依然铭记在心的事情。
帕特里克： 我做过大约 600 次这样的访谈。我从未听过这种类型的回答。这太棒了，令人惊叹。很想见见你的哥哥。
Krishna，非常感谢你来与我做这次访谈。
克里希纳： 谢谢你邀请我，帕特里克。真的非常享受。