Anthropic的万亿美元估值：推理利润、训练投入与企业需求的考验

一、嘉宾背景

Joey Brookhart 是研究芯片与人工智能的 SemiAnalysis 分析师，也是 Tokenomics 模型联合负责人。他与团队研究 AI 需求、单位经济，以及云服务商和模型实验室，将超大规模云厂商、新兴算力云与实验室的经营联系起来：模型服务收入如何支付算力成本，支持研发投入，并最终形成可持续利润。

团队此前曾从外部建立 Anthropic 财务模型。本集邀请他解读上市文件及行业经济风险，也让他有机会用新材料检验既有分析。不过，外部建模经验不等于掌握公司的全部内部信息。访谈中的团队估算、媒体转述和未来判断，仍需与他引用的文件内容区分。

这期 Anthropic 专题访谈属于 Decoder with Nilay Patel，由 Nilay Patel 主持，时长约42分钟。Patel 追问企业客户为何付费、现有模型是否已经足够有用；Brookhart 则从吞吐、消费结构和训练预算解释实验室的经济状况。两人的讨论最终指向同一个问题：追求更强智能的投入，能否及时得到实际业务收入的支持。

二、本期主要内容

访谈从 Anthropic 的上市切入。Patel 在节目中称，公司已提交赴纳斯达克上市的 S-1，预期估值为1.5万亿至2万亿美元；Brookhart 称其 ARR 超过700亿美元，并积极评价其资本效率。这些数字和评价均来自节目，未经本文独立核验。支撑如此规模的收入与估值，需要怎样的需求、利润和资金条件，是两人随后讨论的重点。

收入进一步扩张，需要走出目前高度集中的客户和场景。Brookhart 称，需求主要集中在少数重度客户及编程领域，头部1%客户每名员工的支出可达5万至10万美元。在他看来，要达到万亿美元收入，需要网络安全、生物等更多行业采用，也需要从辅助个人工作，进一步走向节省或替代劳动。他谈到金融、法律产品测试，以及网络安全计划每月2.5万美元的额度；后一个数字是他在现场纠正最初说法后给出的。这些尝试说明了垂直行业拓展的方向，但额度本身不能证明产品已经形成持续收入。

对利润和资金的讨论，则需要区分账面亏损、现金消耗与融资能力。主持人提出800亿美元亏损时，Brookhart 将其解释为估值上涨后，与认股权证和可转换票据有关的非现金费用。他也承认，股权激励是否应从非GAAP指标中剔除，存在争议。他另称，公司累计现金消耗约100亿美元，持有现金及有价证券逾1200亿美元，并估计 IPO 后可能再增加约1000亿美元。这些指标衡量的是不同问题，不能相互替代。他关于增长能够抵消股权稀释的判断，也依赖一个乐观情景：Anthropic 成为 AGI 领先者，并成长为价值逾10万亿美元的企业。

第三季度的增长放缓，让长期预期面临更直接的经营检验。Brookhart 估计，Meta 曾贡献 Anthropic 超过10%的收入，并援引报道称，Meta 的 Claude Code 席位从6万降至3万，需求转向内部模型。他还把反蒸馏整治列为放缓因素，转述违反条款的用途约占收入5%至7%。节目没有进一步分解这些因素各自造成了多大影响。

Brookhart 估计，每月净新增 ARR 从第二季度的100亿美元降至第三季度的40亿美元，并判断第四季度会恢复到80亿至100亿美元的节奏。他称，网络安全漏洞代码扫描已经通过现有客户的大额合同实现变现，这是他看好后续增长的依据之一。访谈最后回到上市沟通的难题：Anthropic 既要讲述长期 AGI、工作替代和存在性风险，也要管理市场对上市首季表现及2027年指引的预期。长期愿景可以解释投入方向，近期经营表现仍需逐季检验。

三、核心观点：推理、例子与边界

更强的模型，是否总能带来更好的生意？这是访谈中最关键的分歧。Patel 问，如果现有模型已经能解决大量问题，扩大行业销售是否比持续训练更赚钱？Brookhart 的回应是，约80%的收入来自过去六个月发布的模型。不过，谈到收入的统计窗口时，他先说六个月，随后又改为三个月，口径并不明确。新模型贡献大量收入，可以说明近期客户的选择，却不足以单独证明每一轮训练投入都能获得足够回报。

Brookhart 对前沿模型需求的解释，在对抗性任务中更为具体：攻击者使用更强的模型，防守方就有动力升级；法律诉讼中，对方能力的提高，也可能促使客户购买更强的工具。邮件摘要未必面临同样的竞争压力。他称，部分企业只允许程序员使用前沿模型，其他员工限用 Sonnet。客户已经在按任务价值分配预算，前沿能力能否获得溢价，也需要放到具体任务中判断，不能推及所有工作。

推理效率的改善，是 Brookhart 看好 Anthropic 的另一项依据。他称，公司推理毛利率从两年前的负94%升至正85%，Trainium 的 token 吞吐同比提高5至10倍，改善来自硬件，以及模型与硬件交互的软件优化。但他同时指出，只有约30%的算力用于产生收入的推理，其余用于研究、实验和训练。公司目前约11%的非GAAP EBIT利润率，可能因追加训练投入而降至零甚至负值。推理服务的利润增加后，公司既可以保留利润，也可以扩大研发投入，因此不能直接外推近期的利润率改善。

效率提高也会改变基础设施需求。Brookhart 认为，每兆瓦能够带来更多收入，同等收入所需的算力就会减少，因此2028年可能出现过剩。他质疑，届时收入能否支撑超过2万亿美元资本开支的回报。这一判断取决于需求增长：如果增长足够快，效率提升未必造成闲置；但今天的短缺，也不足以证明未来所有建设都能获得回报，技术进步本身就在改变所需的算力规模。

企业部署的阻力，进一步拉开了能力提升与收入兑现的时间差。Patel 提到企业对数据的顾虑，以及律所的本地部署需求；Brookhart 则谈到零数据保留要求和开放权重模型的定制训练。企业能否采用模型，取决于性能，也取决于治理和部署条件。Patel 提出的另一条竞争路径，是通过部署工程师、开放模型和垂直行业自动化，帮助客户获得实际回报。Brookhart 认同，当前模型与能够完整替代工作的 AGI 之间，仍需要产品和部署来衔接，收入兑现也可能落后于训练投入。这并不能证明该路径必然胜过前沿实验室，但它把问题落到了实际工作流程，以及收入能否赶上资金支出的时间表上。

客户使用量的增长，也不等于收入已经稳固。Brookhart 称，SemiAnalysis 对 Anthropic 的使用占比曾从约90%至95%降至70%，随后在 Opus 5.5 发布后回到90%以上。单个组织的经历不能代表全部客户，但说明了高使用占比可以与较低的切换成本并存。他还转述了约900%的净收入留存率，同时指出，去年最后两周的 token 支出比此前两周下降约20%，并将其归因于假期编码活动减少。既有客户的消费可以快速扩张，也会随模型选择和工作量变化；按量消费与多年软件合同的收入稳定性并不相同。

云厂商则同时扮演供应商、渠道和竞争者的角色。Brookhart 称，约48%的业务通过 Bedrock、Foundry、Vertex 等云渠道成交，云厂商既获得算力收入，也获得模型分销收益。这解释了双方合作的经济动力，却不能消除竞争风险。节目中 AWS 16%的分成出现在示例算式里，并非已确认的合同条款。渠道收入可以帮助理解合作关系，不能据此认定竞争、采用和资本投入的风险已经解决。

四、学习与应用

对企业采购而言，访谈首先提示的是按任务分配预算。可以从结果容易核对的流程入手，比较前沿模型、较低成本模型与开放权重方案，记录质量、返工和人工复核需求，再决定是否扩大使用。Brookhart 提到的企业权限差异，说明模型预算需要与任务价值对应；数据保留、本地部署和定制训练要求，则应在测试前明确。更强的模型可能减少错误，部署与治理成本也会影响方案能否落地。

判断市场空间，需要同时看客户覆盖和使用深度。Brookhart 称，Anthropic 覆盖约一半财富500强，但这些客户的相关支出仅约占其运营费用的0.1%。他还称，前5%的 Claude Code 用户年均支出1.8万美元，非 Claude Code 用户的月支出则远低于75美元。采购方据此需要检查自己的使用分布：持续消费是否集中在少数程序员，其他员工的工作流程是否已经接入。这有助于确定试点方向，但低支出并不自动代表尚待释放的需求，也可能反映任务价值有限或部署条件不足。

财务分析应分别核算推理收入与成本、训练研发、非现金费用和现金消耗。每兆瓦指标尤其需要统一口径。Brookhart 及其团队估计，每兆瓦推理收入约6500万美元，并预测 Opus 5.5 在 Blackwell 上可能达到1亿至1.2亿美元；平均算力成本则略高于每兆瓦1000万美元。节目这一段没有明确收入和成本的统计期间，因此不能直接用这些数字计算利润率或回收期，还需核对硬件、利用率、价格和推理占比。推理业务的效率改善，也不能替代对整体训练研发支出的判断。

比较公司时，收入结构应先于利润率结论。Brookhart 称，OpenAI 第一季度末约60%的收入来自消费者、40%来自企业，而 token 消费约占 Anthropic 收入的80%。他援引媒体所报 OpenAI 约负100%的 EBIT利润率，与 Anthropic 正11%作比较，并将部分差异联系到业务结构和变现方式。这些数字提出了需要进一步核对的问题：订阅与按量消费如何转化为收入，研发负担又如何计入。来源和口径尚未对齐时，它们不足以支持完整排名，也不能替代现金流分析。

算力投资则需要同时考虑需求放缓、效率提升加快和训练占比上升。Patel 引用的是十年逾8000亿美元的算力承诺，Brookhart 讨论的则是七至十年5000亿至6000亿美元，两组数字不能合并为同一个基准。承诺能否兑现，取决于收入、客户流失、效率、训练占比和采用速度，也取决于风险由谁承担。Brookhart 称，实验室正在探索 SPV、租转购等更直接的算力安排，Anthropic 相关 TPU 采购管线约3.5至4吉瓦以上。交易安排更直接，并不意味着承担的义务更轻。

选择算力服务商时，Brookhart 更看重是否有大型实验室、云厂商或芯片公司支持或兜底，并举出 CoreWeave 和 Nebius。他估计，超大规模云厂商占资本开支及新增上线算力的65%，缺乏同等支持的长尾服务商融资更困难。实际评估仍需核查支持的形式、交付条件和责任，合作方的名字本身不能代替担保。

面对许可、电力和地方反对等约束，Brookhart 仍认为地面部署有出路。他转述云厂商 CFO 的应对思路：建筑外壳相对便宜，建设过量时，可以推迟购买或接收芯片。这种安排保留了一部分支出弹性，却不能证明已有投入能够获得足够回报。评估项目时，仍需分别检查许可、电力和需求条件。

来源

• 原始节目：Inside Anthropic’s trillion-dollar AI gamble