Anthropic CEO Dario Amodei去年的一些观点，时效性差点，但依然很有启发。

1. 过去十多年，Scaling Law 一直没有失效。增加算力和数据，再配合一些幅度不大的技术改进，模型就会持续变强。这两年所有的模型进步，仍然属于这条主线上的优化，并没有改变大模型发展的基本路径（其实也是姚顺雨之前说的没有魔法）。
更关键的是，这种能力提升会同时出现在很多领域。编程、科学研究、生物医药、法律、金融、材料和制造业，几乎所有依赖智力劳动的行业都能从中获益。这些领域加在一起，本身就构成了现代经济的大部分价值来源。所以，他并不怀疑 AI 最终能够创造巨大的经济价值。

2. AI 大模型这个业务，最大的难点是收入增长和算力建设之间存在一两年的时间差。数据中心从规划、采购到真正投入使用，通常需要很长时间。所以，头部的 AI 公司今天就得判断，2027 年会有多少客户、多少请求，需要提前买多少芯片、建设多少数据中心。Kimi、GLM 最近都算力紧缺，除了算力不好搞定外，投资方面的权衡也是重要因素。

3. 没有人能够准确预测两年后的收入。算力买少了，模型即使足够好，也没有能力服务新增客户，只能眼看着订单流向竞争对手。算力买多了，收入又没有按时增长，公司依然要承担折旧、云服务和融资成本，严重时可能直接拖垮现金流。

4. 达瑞欧把未来收入可能出现的范围叫作不确定性锥。比如一年之后，Anthropic 的收入可能是 200 亿美元，也可能是 500 亿美元。两个数字都有可能，但对应的算力投入完全不同。公司不能按照最乐观的收入去买算力，否则一旦增长低于预期，就会承担过重的成本。可如果完全按照最悲观的情况规划，又可能因为算力不足错过市场。Anthropic 的做法，是尽量靠近预测区间的下沿购买算力，同时保留足够的余量继续竞争。算力规划的难点，就在于两边都不能错得太多。

5. 建设一吉瓦规模的算力，大约需要 500 亿美元资本投入。假设这些设备可以使用五年，相当于每年要承担约 100 亿美元成本。对于一家年收入只有 80 亿至 100 亿美元的公司来说，一次拿出 500 亿美元几乎不现实。但它又不能等到收入达到几百亿美元以后再开始建设，因为数据中心落地需要一两年。等收入真正出现时再动工，客户早就被别人拿走了。这也是芯片公司、云厂商和大模型公司之间频繁交叉投资的原因。云厂商和芯片公司先提供资金，大模型公司用这些钱提前建设算力，再依靠未来收入逐年偿还。

6. AI 芯片的折旧，不能只看硬件还能不能正常运行。旧芯片可能使用很多年都不会坏，但新芯片会不断变快、变便宜，能耗也更低。一旦竞争对手使用了新一代芯片，旧芯片完成同样任务所需要的电力、时间和成本都会更高。因此，芯片的物理寿命可能很长，经济寿命却可能很短。一批芯片买回来仅仅一年，虽然还能正常工作，但已经无法和新芯片竞争。对于动辄投入几百亿美元的数据中心来说，只要折旧速度比预期快一点，最终的财务结果就会出现巨大差异。

7. Anthropic 选择企业市场，很大程度上避开了 OpenAI 和 Google 在消费市场的正面战争。Google 需要保护搜索业务，OpenAI 的核心用户也主要来自消费者，两家公司争夺的是同一个入口、同一批用户和同一种使用习惯。Anthropic 走的是另一条路，更关注企业愿意长期付费的高价值任务。目前进展最快的是编程，接下来还有金融、生物医药、零售、能源和制造业。这条路线不需要每天争夺消费者注意力，但要求模型在专业能力、稳定性和实际工作流中持续创造价值。这个战略今年即便 Claude Code 这么火，他们应该也没有改变。

8. 企业切换基础模型，比很多人想象中困难。不同模型的能力侧重、表达习惯、提示词写法和交互方式都有明显差异。企业围绕一个模型写好提示词、搭建评测系统、接入业务流程以后，整个产品都会逐渐适应这个模型。如果企业还有下游客户，切换成本会更高。客户已经习惯了原有模型的输出风格，企业也需要重新测试准确率、稳定性和安全边界。因此，即使另一个模型暂时在排行榜上领先，企业也不会马上迁移。基础模型 API 看起来标准化程度很高，实际使用起来仍然有很强的黏性。

9. 有些公司是从消费互联网产品思维出发做 AI，把模型当推荐算法、信息流的升级版。Anthropic 则更多是“infra + 工作流工具”路线，B2B/B2D 重一些。稳扎稳打的做水电煤。#图灵量化#