0514-Anthropic CFO ：一年从 90 亿到 300 亿美元背后的算力经济学
输入“/”快速插入内容
0514-Anthropic CFO ：一年从 90 亿到 300 亿美元背后的算力经济学
0514-Anthropic CFO ：一年从 90 亿到 300 亿美元背后的算力经济学
用户9970用户9970
用户3733用户37335月15日修改
文章标题：0514-Anthropic CFO Krishna Rao 详解：一年从 90 亿到 300 亿美元背后的算力经济学
嘉宾：Krishna Rao（Anthropic CFO）
频道：Invest Like the Best
日期：2026-05-14
主题：Anthropic 算力配置、定价哲学与文化护城河的内部视角
核心观点
1、算力是 Anthropic 的"画布"——所有业务建立在它之上，因此也是公司最难、最关键的决策。CFO Krishna Rao 30–40% 的时间花在算力上。逻辑很硬：买太多会破产，买太少则既无法服务客户、也守不住前沿。一吉瓦的算力不是下周就能上线的东西，必须用一到两年的提前量做配置规划。
2、Anthropic 是唯一同时大规模使用 AWS Trainium、Google TPU、Nvidia GPU 三大芯片平台的前沿实验室。这种"芯片可替换性"花了多年才建成——他们从 TPU 第三代开始用，曾被外界嘲笑"GPU 才是标准答案"。今天回头看，这是过去几年最关键的基础设施投资之一。
3、"Cone of uncertainty（不确定性锥）"是 Anthropic 内部规划的核心框架。指数增长意味着每周/每月增长率的微小差异会复利成完全不同的未来。传统公司"每季度预测一次"在这里完全无效——因为一个月前还成立的判断，今天可能已经不成立。
4、算力分三大用途：模型开发 / 内部员工加速 / 服务客户。模型开发有一条不可触碰的下限——再难也不会跌破。"如果禁止员工用模型，我们理论上能多服务几十亿美元收入"，但 Anthropic 选择放弃这部分收入，因为内部加速带来的复利远大于眼下卖 token。
5、模型代际进化打破了"性能更强=能耗更高"的直觉。从 Opus 4 → 4.5 → 4.6 → 4.7，每一代同时提升能力和 token 效率。CFO 用了一个反汽车的类比：你以为从轿车换跑车油耗更高，但 Anthropic 的"跑车"反而更省油。这是商业模型的核心魔法。
6、Anthropic 内部 90%+ 的代码是 Claude Code 写的——"Claude Code 大部分是 Claude Code 自己写的"。这就是为什么内部要给员工分配大量 token、放弃短期收入：模型在帮自己造下一代模型，是真正意义上的 recursive self-improvement。
7、"智能"不是单一 IQ 数字，是多维度真实能力——长 horizon 任务、工具使用、agentic 速度。Krishna 的比喻：两个员工同样聪明，一个一周做完任务，一个一天做完——后者就是"7 倍更好的员工"。每代新模型解锁的不是抽象智能，是 TAM。
8、Q1 单季度 run-rate revenue 从 90 亿冲到 300 亿美元。这个增速来自三件事乘起来：模型智能跳跃 → 围绕它的产品 → 客户 ROI 解锁后的 token 消费暴涨。这是为什么"前沿智能的回报极高"是 Anthropic 的核心商业 thesis。
9、平台战略是 90% 横向 + 10% 纵向。横向：Claude API、Claude Agent SDK、managed agents 等让别人构建；纵向自建产品只在三种情况下：① demo 模型未来能力（Claude Code 在发布时模型还做不到，他们提前下注，结果真的到了）；② 给生态做模仿模板（Claude for Financial Services、Life Sciences、Security）；③ 安全和可信任领域。"价值大部分会沉淀到上面构建的公司里——这是 AWS 模式。"
10、定价哲学：稳定 + Jevons paradox。即使所有人都算力紧缺，Anthropic 也几乎不提价。最大的一次定价动作是 Opus 4.5 发布时降价——因为他们发现客户把"应该用 Opus 的问题"硬塞给 Sonnet。降价后消费量上升远超降价幅度，下一代 Opus 4.6 不再涨价，客户能直接平滑切换。
11、毛利率不能用传统 SaaS 模型看。算力是"软资源"，可以在不同时刻服务不同用途——上午给客户做 inference，下午给内部做 RL。所以 ROI 必须看"全部算力 envelope 对应短/中/长期 revenue 总和"，而不是单笔 token 的边际成本。
12、Mythos（最新模型）展示了 Anthropic 的发布纪律。它在 cyber 能力上有明显尖峰——在一个开源代码库里前代只能找到 22 个漏洞，Mythos 找到了 250 个。Anthropic 没有"不发布"，而是分阶段、逐步扩大开放对象，让安全研究员先用它做防御性 patch。这是高能力模型未来发布的模板。
13、安全研究反过来成了护城河。九成 Fortune 10 选择 Anthropic 处理最敏感的内部工作流，原因不是模型最聪明，是公司投入了 interpretability（给模型做"MRI"）和 alignment science。这些不是为生意做的，但它带来的 trust 让企业敢把核心数据交过来——这是当初没人意识到的下游红利。
14、文化是 Anthropic 最大的招聘武器。Meta 等公司开出天价挖前沿实验室人才，其他 lab 走了几十人，Anthropic 只走了 2 人。文化面试不是流于形式——再聪明的候选人不过 culture bar 也不要。核心几条：极度协作（不容忍 fiefdom 和邀功）、谦逊（达到里程碑不撒彩带，只问"下一个是什么"）、知识诚实（激烈辩论 + 决策后真正对齐）、透明（Dario 每两周直接面对全公司，开放问答，没有提前安排的软问题）。
15、Krishna 给自己的成长方法论：思维从线性切换到指数，并保持"低门槛更新先验"的能力。1 个月前正确的事今天可能就不再正确。每周抽一刻钟独自感叹"这个机会有多疯狂"——这种 appreciation 是高压力工作环境里的必要校准动作。他的 onboarding 来自和 Chief Compute Officer Tom Brown 在 Mission 区散步两小时听他描绘 2024 年初的"科幻未来"——回家告诉妻子"如果有 10% 是真的，所有 paradigm 都要被打破"——现在看，大部分都成真了。
精彩片段
关于"不确定性锥"：为什么传统季度预测在指数业务里失效
> Patrick：什么是 cone of uncertainty？
> Krishna：当业务指数增长时，每周/每月增长率的微小波动会复利成完全不同的未来。这是我入职两年最难破的旧习惯——人类天然线性思考，一切按增量推演。但在指数曲线上，输出范围会非常宽，我们要看 1-2 年的整个"锥形"，然后倒推今天该买多少算力。
> 旧世界那种"每季度做一次预测，3 个月后下次董事会再修"——在我们这里完全失效。一个月前正确的事，今天可能已经不再正确。所以我们必须对更新先验保持极低门槛——一旦看到模型在某个能力上跳了一步，整个 TAM 模型就要重写。
关于模型代际进化：性能更强、token 反而更省
> Patrick：人们对模型代际的直觉来自汽车——你买跑车不是为了省油。
> Krishna：恰恰相反。Opus 4 → 4.5 → 4.6 → 4.7，每一代既更强又更省 token。这不是边际优化，是商业模式的核心魔法。
> 因为我们 RL 训练本身就是"在 sandbox 里做 inference + 给 reward"。如果模型 inference 效率提升，RL 效率也跟着提升。所以新模型给客户的是"能力更强"，给我们内部的是"训练更便宜"——这两件事在同一根曲线上叠加，整个 token 经济每一代都翻新一次。
关于 Claude Code 自己写 Claude Code：为什么内部 token 不卖给客户
> Patrick：你们 90% 的代码真的是 Claude 写的？
> Krishna：是的。Claude Code 自己很大一部分就是 Claude Code 写的。如果你问我们为什么宁可放弃数十亿美元的对外销售 token、把这部分算力保留给员工——答案就在这里。模型在帮我们造下一代模型。
> 这是 scaling laws 之外的另一层加速：talent + 顶级模型 + 顶级算力 = 模型迭代的复利。我们做出来一个新模型，它马上又被用在做下一个模型上。
> 你 Q1 看到的从 $9B 跳到 $30B run-rate revenue，不仅仅是模型变强带来的，更是模型变强 → 帮我们造产品 → 产品再帮客户解锁 ROI 这条复利链被打通了。
关于定价：为什么人人在抢算力时 Anthropic 反而降价
> Patrick：所有人都算力紧缺，为什么不集体涨价试探均衡点？
> Krishna：我们公司只有 5 年多，第一笔收入是 3 年前 3 月。Haiku / Sonnet / Opus / Mythos——我们几乎没改过定价。
> 最大的一次定价动作是 Opus 4.5 时降价——因为我们看到大量客户把"应该用 Opus 的问题"硬塞给 Sonnet，能力不够用，但 Opus 当时太贵舍不得用。我们靠效率提升把 Opus 服务成本压下来，传给客户。
> 结果是经典的 Jevons paradox：消费量上升远超降价幅度。下一代 Opus 4.6 出来时，我们不动价格，客户直接平滑替换。
> 真正的 thesis 是：我们处于这整轮 AI 浪潮的最早期 inning，价值要尽可能多地流到客户手里——让他们 ROI 好到无法不用，比我们一时多挣几个百分点的毛利重要得多。
关于文化护城河：为什么 Meta 挖角战只走了 2 个人
> Patrick：Meta 出天价挖前沿实验室人才，其他 lab 走了几十人，你们只走 2 人——为什么？
> Krishna：钱在我们这里不是最高的，包薪有竞争力但绝不是最猛。真正留住人的不是钱，是文化。
> 我们有 7 个联合创始人——按理说不该 work，但 work 了，因为他们设定了几条不可动摇的规则。第一是协作——我们不容忍 fiefdom、不容忍邀功；达到里程碑不撒彩带，只问"下一个是什么"。第二是知识诚实——会议上激烈辩论，但决策一旦做出就真对齐，不在背后再扯。第三是透明——Dario 每两周亲自上台答全公司提问，没有提前安排的软问题，真问题真答。
> 我们做 culture interview，不是走流程——一个候选人在所有技术维度都是"史上最强"，但过不了 culture bar，我们也不要。
> 加上 7 个 co-founder 全部还在公司、前 20-30 号员工绝大多数还在——这种气场本身就在告诉新人"这是个值得长期待的地方"。
关于个人方法论：Tom Brown 的散步谈话与"每周一刻钟的 appreciation"
> Patrick：你怎么扩展自己以跟上这个速度？
> Krishna：核心是第一性原理 + 知识开放性。每次进新领域，把所有 prior 清空，从底层算一遍。
> 我入职前和 Chief Compute Officer Tom Brown 在旧金山 Mission 区散步两小时，他给我描绘 2024 年初他眼中的"未来"。说实话当时听起来就是科幻。我回家告诉妻子："如果他说的只有 10% 是真的，所有 paradigm 都会被打破。"
> 结果一年半过去，他当时讲的大部分都成真了——而且还有更多在路上。
> 但要在这种速度下不被吞没，我每周会留一刻钟独自坐着，"哇，这个机会有多疯狂"——可能在车里、可能深夜。这种 appreciation 不是矫情，是人在过高速曲线时必须做的校准动作——否则你只看到下一个数字，看不到自己在历史里的位置。