来源： YouTube | Krishna Rao（Anthropic CFO） | May 13, 2026 分类： Anthropic 原文发表： May 13, 2026 纪要生成： 2026-05-15
Krishna Rao 是 AI 前沿实验室 Anthropic 的首席财务官。在加入 Anthropic 之前，他曾任职于黑石集团私募股权部门，并参与领导了 Airbnb 在疫情期间的融资项目。本集中，Krishna 深入探讨了 Anthropic 如何在极具不确定性的“算力游戏”中进行资源分配、如何看待绝不降速的规模法则，以及公司骇人营收增速背后的商业逻辑。他还分享了 Anthropic 独特的“协作、透明、热爱辩论”的企业文化，以及 AI 将如何重塑生物医疗等领域的未来。
本节重点
详细精要
物理世界的限制：你不能像买水一样，下周就让 1 吉瓦的算力到货。这要求公司必须深谋远虑，提前规划。
不确定性锥（Cone of Uncertainty）模型：这是 Anthropic 处理预测的核心框架。
长期主义视角：哪怕将为员工提供内部算力直接转化为营收就能支撑数十亿美元的大生意，公司仍然坚持长期的视角来分配资源。
灵活性的多维含义：这是连接今天定位与指数级未来之间的桥梁。
💬 精华片段（中文）
“如果你购买过多的算力，你会破产。如果你购买的算力太少，你就无法服务你的客户，并且你会因此失去前沿地位——这两者是一回事。”
"If you buy too much compute, you go out of business. If you buy too little compute, you can't serve your customers and and and you're not at the frontier is the same thing."
本节重点
详细精要
编排层（Orchestration Layer）：公司内部建立了一个能够统一调度不同类型算力的技术层，针对不同代际的芯片特性，为它们分配合适的工作负载，从而实现价值最大化。
深入底层的技术合作：为了实现极致的灵活性，公司采取了软硬结合的策略。
合作而非对抗：他们与 Amazon 的 Annapurna Labs 团队深度合作，通过自身的极限测试来影响未来芯片的路线图设计。
模型效率的跃升与杰文斯悖论（Jevons Paradox）：模型代际的提升带来了能力和效率的双重红利。
💬 精华片段（中文）
“在我们看来，一美元的算力在我们组织内部，能比在其他任何地方走得更远。”
"A dollar of compute inside our organization goes further than I think it does anywhere else."
本节重点
详细精要
时间差异即价值：两个能力相等的员工，一个用一周完成任务，一个用一天完成，后者的价值就是前者的 7 倍。
惊人的商业回报：更好的模型直接撬动了巨大的市场增量。
💬 精华片段（中文）
“每次我们发布一个新模型，都会以独特的方式解锁总可寻址市场（TAM）。更多的 TAM 被解锁，更多的用例成为可能。”
"By releasing new models, the TAM is unlocked um in a unique way. Like more TAM gets unlocked, more use cases are possible."
本节重点
详细精要
人才杠杆：最顶尖的人才配合最好的模型，能够极大地加速能力开发。
对规模法则的内部视角：尽管 Anthropic 的创始人中就有 Scaling Laws 论文的作者，团队依然保持着科学家式的怀疑精神。
💬 精华片段（中文）
“我们公司内部 90% 以上的代码实际上是由 Claude Code 编写的。而 Claude Code 自身的很大一部分代码，也是由 Claude Code 编写的。”
"90 plus% of our code is actually written by cloud code right a lot of cloud codes is written by cloud code."
本节重点
详细精要
战略合作筛选：并非所有算力都会接受，公司有一套严格的流程来评估算力的价格、合同期限、地理位置、类型以及能产生的经济回报。
创纪录的长期采购：为了支撑未来的指数级增长，Anthropic 下了巨大的赌注。
💬 精华片段（中文）
“这就像一层层的千层蛋糕，算力在不同的时间点启动，带着不同的能力，我们对它们随时间推移的性价比进行着非常动态的比较。”
"It's a bit of this layer cake of compute that's starting at different times with different capabilities and we're and we're very dynamically comparing that compute."
本节重点
详细精要
早期 AWS 的类比：Krishna 认为当下的状况类似于 AWS 的早期，一个强大的平台能创造巨大价值，但那些在平台上构建应用的客户能获得甚至更多的价值。
构建自有应用的逻辑：Anthropic 亲自下场做应用主要有两种考虑。
为生态系统树立样板：推出面向金融服务的 Claude (Claude for financial services) 或 面向生命科学的 Claude (Claude for life sciences) 等解决方案，是为了向生态展示如何组合平台能力，并创造让客户可以效仿的价值。
对客户恐惧的认知与应对：Krishna 明白外界对巨头包揽一切的担忧。
💬 精华片段（中文）
“我们大部分构建的是平台。我们认为，有太多例子表明，一个平台可以积累巨大的价值，但那些在它之上构建应用的客户，能积累的价值甚至更多。”
"Most of what we're building is platform and we think that there's so many examples of where a platform can acrue a lot of value, but the customers who are building on that platform actually crew even more value."
本节重点
详细精要
核心会计自动化：如今，所有法人实体的法定财务报表已能由 Claude 生成，人类仅需负责核对。
从“报告天气”到“分析气候”：AI 重塑了财务分析的本质。
💬 精华片段（中文）
“Claude 不只是报告天气（发生了什么），它还在帮助思考驱动因素，解释数字变化的原因，这让我们对业务有了极大的洞察力。”
"Cloud is not just reporting the weather it's also helping to think about drivers and like why did the number change in the way it did."
本节重点
详细精要
轻销售模式：他们曾质疑 Anthropic 的销售团队规模太小，不符合传统企业软件公司的范式。事实证明，强大的产品力和前沿模型本身就是最强的增长引擎。
融资关键时刻的惊险跳跃：每次资本运作都伴随着市场剧变。
E 轮融资（DeepSeek 冲击）：融资首日恰好是 DeepSeek 震惊市场的那一天，引发了投资者对 AI 投入是否有护城河的集体性怀疑。尽管如此，Anthropic 依然完成了融资。
当前投资者面临的最大认知挑战：算力的超灵活属性。
💬 精华片段（中文）
“如果你有一群在做研发的人，那就是你的研发成本，他们不可能瞬间变成销售去冲锋陷阵；反之亦然。但在我们这里，那种可替代性是真实存在的。”
"If you have a bunch of people doing R&D and that's your R&D expense they can't go and become cogs right and vice versa in most traditional companies here that you really have that fungeibility that's possible."
本节重点
详细精要
对恶劣态度零容忍：公司完全无法容忍那些“吃独食”、“抢功”或“挥舞手肘”的人。
严厉的人才筛选机制：文化不是口号，而是招聘的红线。
智力上的诚实与辩论：公司鼓励高强度的辩论和观点表达，但一旦决策做出，整个团队就必须绝对对齐，不存在背后议论和推诿。
极度透明的管理实践：Dario Amodei 的领导风格塑造了公开的环境。
💬 精华片段（中文）
“Dario 每两周会站在公司所有人面前，通常是先写一份简要的文档... 然后接受公开提问，这些不是提前安排好的软问题，而是人们真正在想的事。”
"Daario gets up in front of the company uh every two weeks usually writes a short document um and he talks about you know usually three or four topics and then takes open questions from the company and these are not softballs they're not like planted questions."
本节重点
详细精要
研发形态的进化：如今的产品研发不再是“一个产品经理带俩工程师花 3 个月”推动的，而是由“一大群在特定任务上协同工作的智能体”每日持续迭代。
对生物医疗的乐观预期：Krishna 个人最感到兴奋的领域。
💬 精华片段（中文）
“我们可能活在一个这样的世界里：你被诊断出一种目前无法治愈的疾病，但在你的有生之年，那种治疗手段就会被更快地找到，而你或许不会死于那种疾病。”
"We may live in a world where you're diagnosed with a disease that is not curable, but in your lifetime that cure can be found much more rapidly and you actually might not die of that disease."
| 术语 | 解释 |
|---|---|
| 不确定性锥 （Cone of Uncertainty） | Anthropic 进行战略规划时使用的框架。指在业务呈指数级增长时，对未来算力和营收的预测范围会随着时间推移急剧扩大，形成一个锥形。公司需为锥体范围内的多种可能情景做好准备。 |
| 算力可替代性 / 可互用性 （Fungeibility of Compute） | 指同一批 GPU 或 TPU 等物理算力资源，可以在短时间内动态切换用途。例如，白天用于客户推理创造收入，晚间切换到模型训练研发，不像人力和工厂产线那样固化。 |
| TPU （Tensor Processing Unit） | 谷歌设计的专用集成电路，专为机器学习任务优化。Anthropic 是其大规模使用者，这帮助公司形成多芯片平台策略，降低对单一供应商的依赖。 |
| Tranium / Annapurna Labs | Amazon 旗下的芯片设计团队。Tranium 是亚马逊自研的 AI 训练和推理芯片，是 Anthropic 除了 Nvidia GPU 和谷歌 TPU 外的第三大算力支柱。 |
| 编排层 （Orchestration Layer） | Anthropic 自研的软件层，负责将复杂的 AI 工作负载自动、高效地分配到最合适的芯片平台（GPU/TPU/Tranium）和代际上，是实现极致算效的关键。 |
| 杰文斯悖论 （Jevons Paradox） | 经济学概念。当技术进步使得一种资源的使用效率提高，导致其成本下降时，市场对该资源的总需求不仅没减少，反而因为使用门槛降低而大幅激增。Anthropic 降低 Opus 价格后，用量暴涨即是此例。 |
| 规模法则 （Scaling Laws） | AI 领域的核心理论，指出随着模型参数、训练数据和计算量的增加，模型的能力会呈现出可预测的提高。这是 Anthropic 创始团队的重要研究贡献。 |
| 对齐科学 / 可解释性 （Alignment Science / Interpretability） | Anthropic 安全研究的关键方向。对齐旨在确保 AI 的行为符合人类的意图和价值观；可解释性旨在打开 AI 神经网络的“黑盒”，像做 MRI 一样查看其内部是如何运作的。 |
| 总可寻址市场 （TAM - Total Addressable Market） | 泛指产品或服务理论上的最大市场机会。在播客语境下，特指随着模型能力（如更强的智能体、更长时的推理）的飞跃，原本技术上无法被 AI 替代或实现的新市场或新用例被解锁。 |
| 虚拟协作者 （Virtual Collaborator） | Anthropic 的终极产品愿景。有别于简单的聊天机器人，这指的是一个具有长期记忆、能理解特定组织上下文、能独立使用各种工具、并能针对复杂想法进行长期工作任务的 AI 代理。 |
| 智力诚实 （Intellectual Honesty） / 智力开放 （Intellectual Openness） | Anthropic 文化的核心信条。指在内部辩论时能做到实事求是，承认不确定性，并能迅速根据新证据更新自己原有判断的思维方式。 |