投資如大師：Anthropic 營收從 90 億美元暴增至 300 億美元，財務長稱「擴展定律」毫無放緩跡象
Krishna Rao 於 2026 年 5 月 13 日接受 Patrick O'Shaughnessy 專訪，揭開 Anthropic 的運算策略、指數級成長，以及為何前瞻智慧具備結構性溢價。
單季營收從 90 億美元躍升至 300 億美元
這個讓多數投資人震驚不已的數據，竟是在不經意間透露的。Anthropic 財務長 Krishna Rao 向《Invest Like The Best》節目表示，該公司 2026 年初的年化營收運轉率（run rate）約為 90 億美元，而第一季結束時已突破 300 億美元。這並非全年數據，而是單季表現。作為對比，Rao 兩年前加入公司時，營收運轉率僅約 2.5 億美元。這種軌跡顛覆了所有傳統的企業軟體採用框架，Rao 也坦言，即便連他自己，起初幾個月的思想也被線性思維所束縛，直到被迫重新調整認知。
Rao 指出，推動這種成長的引擎並非單純靠銷售執行力或定價能力，而是模型智慧的自我疊加。「每一代模型都讓你更有能力、更精準、更有效率地完成任務，」他說。「前瞻智慧（frontier intelligence）的回報率極高，在企業領域尤為顯著。」目前其年度淨美元留存率（Net Dollar Retention）超過 500%。財星 10 大企業（Fortune 10）中，已有 9 家成為其客戶。就在前往錄音室的車程中，Rao 又簽下了兩筆金額達數千萬美元的合約。
1,000 億美元的運算承諾與「千層蛋糕」策略
上個月，Anthropic 簽署了企業史上規模最大的運算採購承諾之一。該公司與 Google 及 Broadcom 達成協議，將自 2027 年起取得最高 5 吉瓦（GW）的 TPU 運算能力；並與 Amazon 另行簽署協議，取得最高 5 吉瓦的 Trainium 運算能力。兩項協議合計承諾金額超過 1,000 億美元。Rao 還披露了一項與 SpaceX 的新合作，將使用其位於曼菲斯的 Colossus 設施進行短期運算，主要針對消費級與專業級工作負載。
Rao 將由此產生的基礎設施形容為「千層蛋糕」——由來自不同供應商、不同晶片世代、不同啟用時間的運算資源組成，並在模型訓練與開發、內部員工加速，以及外部客戶推論需求這三大場景中動態調度。「我們將這些晶片視為可互換的資源，」他說。Anthropic 同時運行 Amazon 的 Trainium、Google 的 TPU 與 Nvidia 的 GPU，並開發了自己的編譯器堆疊與調度層，以榨取每種晶片的最大效能。Rao 認為，這使 Anthropic 成為所有前瞻性 AI 實驗室中運算效率最高的一家，他將此歸功於多年來的審慎投資，而非單一架構決策。
維持這種多雲、多晶片架構的戰略邏輯很簡單：靈活性是規避不確定性的對沖手段。「如果你買了太多運算資源，你會破產；如果你買得太少，就無法服務客戶，也無法站在技術最前線——兩者結局是一樣的，」Rao 表示。
「不確定性圓錐」——為何它主導一切
Rao 在 Anthropic 執行財務職能時所使用的核心概念框架，是他所謂的「不確定性圓錐」（cone of uncertainty）。在指數成長曲線上，每週或每月成長率的微小差異，在一年至兩年的跨度下會產生截然不同的結果。因此，情境範圍變得極度廣泛，點估計（point estimates）幾乎毫無意義。Anthropic 的應對之道是將靈活性嵌入每一份運算合約中，確保模型開發的運算資源配置設有嚴格底線（不受短期需求壓力影響），並根據持續進行（而非按季進行）的投資回報率討論，動態重新分配剩餘資源。
Rao 明確表示，公司歷史上一直是在圓錐的高端運作。他強調，持續大規模募資——自他加入以來已籌集 750 億美元，加上 Amazon 與 Google 協議帶來的 500 億美元——並非為了彌補營運虧損，而是為了預先為成長持續超出預期的情境做好準備。「我們籌集這些資本的主因，更多是為了應對那個『不確定性圓錐』，而非為了填補當前的業務虧損，」他說。
遞迴式自我提升已成現實
對話中最重大的披露之一，是 Rao 確認「遞迴式自我提升」（recursive self-improvement）在 Anthropic 已不再是理論構想，而是當前的營運現實。目前內部編寫的程式碼中，超過 90% 由 Claude Code 產出，且 Claude Code 本身有很大一部分也是由 Claude Code 所編寫。Anthropic 投入大量內部運算資源進行此循環，並非為了犧牲營收，而是因為這些模型正實質性地加速下一代模型的開發。
「模型本身正在協助我們構建下一代模型，」Rao 說。「除了擴展定律帶來的能力飛躍外，人才至關重要——而擁有頂尖模型的人才，確實能加速能力的開發。」僅在 1 月份，該公司就發布了 30 項產品與功能更新，Rao 表示此節奏此後只會更快。Anthropic 的內部論點是，這種遞迴循環結合依然穩固的擴展定律，正在拉大前瞻實驗室與其他競爭者之間的差距。
擴展定律：未見放緩跡象
針對 AI 投資界爭論不休的核心問題——擴展定律是否已觸及瓶頸——Rao 的立場毫不含糊。「對我們而言，這是一個正確的描述。擴展定律並沒有放緩。」他承認公司創辦人中包含多位擴展定律論文的原作者，內部文化也要求對既有假設保持科學懷疑。但從 Anthropic 在預訓練損失曲線、強化學習運行，以及最終客戶對現實世界能力的回饋中所觀察到的情況來看，沒有任何減速的證據。預訓練、後訓練與推理能力都在提升，Rao 認為，若要出現真正的上限，必須這三者同時崩潰才有可能。
Anthropic 在追蹤原始能力提升的同時，也監測模型效率的改進。以 Opus 系列為例——從 Opus 4 到 4.5、4.6，再到現在的 4.7——每一代迭代不僅帶來更高的智慧，還帶來了代幣（token）處理效率的倍增。這暗示將 AI 模型比作跑車的類比是錯誤的：更好的模型運行成本反而更低。「我們確實看到了兩者並進——能力的大幅提升，以及模型效率的優化，」Rao 說。這種效率提升在內部產生了連鎖反應，因為強化學習本質上就是沙盒中的推論過程，因此更高效的模型也讓強化學習的運行成本更低。
定價：傑文斯悖論的實踐
Anthropic 近期最重大的定價動作，是在推出 Opus 4.5 時調降了 Opus 系列的價格。其邏輯很直觀：客戶因為將 Opus 等級的問題套用在 Sonnet 等級的定價上，導致 Opus 的能力被低估。透過降價，Anthropic 觸發了 Rao 明確描述的「傑文斯悖論」（Jevons paradox）——消費量的成長遠超價格調降所帶來的比例。Sonnet 與 Haiku 的定價則大致維持穩定。最新且最強大的模型 Mythos，則根據其能力等級制定了較高的價格。
Rao 反駁了「運算限制應當導致全面漲價」的觀點。他偏好的衡量標準是整個運算範疇的投資回報，將訓練、內部使用與推論視為一個統一的資本池，在不同時間跨度下產生回報。「我們目前在運算支出上的回報非常穩健，」他表示，但未提供具體的利潤率數據。對投資人而言，關鍵在於隨著營收快速成長，而運算資源並未同步在短期內激增（因為產能是提前 12 個月預訂的），在既定的運算存量下，服務新需求的邊際經濟效益可能非常優異。
平台與應用：以水平擴張為主，垂直布局為輔
Rao 將 Anthropic 的戰略定位為主要的水平平台業務，並明確類比 AWS 的早期階段。目標是打造最好的模型，然後提供工具、SDK、託管代理（managed agents）、提示快取（prompt caching）以及特定應用的疊加層，讓企業客戶在之上進行構建。Claude Code、co-work、Claude for Financial Services、Claude for Life Sciences 以及 Claude Security 被定位為垂直展示，旨在向生態系展示平台能力，而非為了搶佔應用市場。
Rao 直接承認了這種緊張關係。在 Claude 之上建立業務的客戶，確實有理由關注 Anthropic 在技術堆疊中向下延伸的程度，他也承認模型發布有時甚至會讓 Anthropic 內部團隊感到驚訝。他對合作夥伴焦慮的回應本質上是結構性的：Anthropic 構建在與客戶相同的平台上，垂直產品的發布是與生態系夥伴協作完成的，且公司的商業利益在於廣泛普及智慧，而非佔領每一個應用層。至於隨著平台成熟，這種立場是否能維持，Rao 未給出定論。
Claude 如何運作 Anthropic 的財務團隊
Rao 還詳細披露了他的財務部門是如何被轉型的。Anthropic 現在使用 Claude 製作所有法人實體的法定財務報表，人類審核僅作為檢查機制，而非主要生產手段。該公司建立了一個名為 Ant Stats 的內部平台，擁有超過 70 種財務專用技能，團隊成員皆可使用，包括能在 90% 至 95% 完成度下產出月度財務審查（MFR）的技能。一份過去需要數小時才能完成的每週營收與運算利用率報告，現在只需 30 分鐘。關鍵在於，Rao 指出模型不僅僅是報告結果，還能分析驅動因素與因果關係。「Claude 不僅是在播報天氣，它還在協助思考驅動因素——為什麼數字會這樣變化。」
Rao 在團隊中追蹤代幣使用量的排行榜，並指出使用量最高的人往往是資深主管。他的稅務主管是頭號使用者，負責構建政策引擎並自動化大部分稅務工作。「如果我們自己不是這些工具的超級用戶，如果我們不去推動它的極限，怎麼能期待客戶做到呢？」他說。
Mythos、網路安全與分階段發布框架
Rao 談到了 Mythos 的發布，他將其描述為一個廣泛能力強大的模型，恰好在網路安全能力上表現出特別顯著的躍升。在先前的 Claude 模型識別出開源程式碼庫中的 22 個安全漏洞時，Mythos 卻發現了 250 個。該公司決定分階段向受控且不斷擴大的用戶群發布，這被視為 Anthropic 未來處理具備不對稱雙重用途風險模型的一種範本。在發布前，該公司與美國現任政府進行了密切合作。Rao 將這種監管動態描述為：Anthropic 希望創新能快速推進，但必須在責任框架內進行——而 Anthropic 對可解釋性與對齊研究的投資，為其帶來了最初並非該研究動機的企業客戶商業利益。
什麼可能導致論點失效
Rao 對可能將 Anthropic 推向「不確定性圓錐」底端的情境進行了坦率的預判。第一個風險是擴散率：大型企業的應用場景正努力追趕模型能力，而人類組織的慣性可能會減緩採用速度。第二個是擴展定律本身的放緩，Rao 指出即使 Anthropic 目前未見任何跡象，也不能完全排除這種可能性。第三是競爭地位：「今天我們處於最前線。我認為我們正在定義代理式 AI（agentic AI）的最前線。我們必須保持在那裡——而這並非理所當然。」
長期願景：醫療保健與藥物研發
當被問及他個人對 AI 影響最感到興奮的領域時，Rao 的回答毫不含糊：生物技術與藥物研發。他的願景是一個患者在診斷出目前不治之症後，能在有生之年治癒該疾病的世界，因為 AI 將分子研究、蛋白質分析與臨床試驗處理的時間壓縮了數個數量級。「如果你思考這些分子與蛋白質——它們如此複雜，微小的變化對結果卻有巨大的影響——AI 對此再適合不過了，」他說。他認為實驗室產能提升 10 倍至 100 倍是可實現的，且這種變革將造福全球人口，包括醫療資源匱乏地區。