摘要：在OpenAI等业界巨头普遍致力于构建旨在成为“互联网新入口”的消费级聊天机器人平台时，Anthropic正从聊天机器人领域稍作转型。6月7日，Anthropic联合创始人Jared Kaplan在TechCrunch Sessions: AI圆桌论坛上，就公

本文来源：数字开物

在OpenAI等业界巨头普遍致力于构建旨在成为“互联网新入口”的消费级聊天机器人平台时，Anthropic正从聊天机器人领域稍作转型。6月7日，Anthropic联合创始人Jared Kaplan在TechCrunch Sessions: AI圆桌论坛上，就公司从聊天机器人向自主AI Agent的战略重心转移、Scaling Law的未来、复杂的合作伙伴生态、以及AI安全与社会责任等核心议题，进行了一场深入的交流分享。

01

AI的终极形态是Agent

Anthropic战略转向的根本出发点，是对当前主流AI应用范式——聊天机器人局限性的认识。Anthropic 联合创始人和首席科学官 Jared Kaplan指出，一种“你提问、我回答、然后结束”的交互模式，其内在价值天花板显而易见，Anthropic的创立愿景远不止于构建一个简单的对话代理。尽管Claude作为聊天机器人的形态，是公司在2022年尚无产品时，将“与一个对象交谈、要求其执行任务并观察其表现”这一核心研究思路具象化的产物，但其局限性也日益凸显。

Anthropic认为，AI技术能力指数级增长的下一步，必然要求其从一个被动的知识问答系统，进化为一个能够主动执行复杂任务的Agent。这种判断源于对真实世界工作流程的模拟，“从根本上说，我们完成工作的方式，并不仅仅是直接给出答案，而是要使用工具去探索外部世界，学习完成任务所需的信息，然后执行任务并进行迭代”。 Kaplan以编程为例，一个程序员的工作并非一次性给出完美代码，而是一个包含“编写、运行、调试、迭代”的循环过程。这一过程的核心是使用工具（编译器、调试器）、与环境（操作系统、测试框架）交互、并根据反馈进行修正。

因此，Anthropic将AI的未来效用锚定于构建能够模拟并自动化这类长周期、多步骤任务的AI Agent，这标志着其战略焦点的根本性转移——从优化“对话能力”转向构建“任务执行与迭代能力”。这不仅是对AI能力的延伸，更是对其应用范式的一次根本性重塑。Anthropic的战略重心转移，正是基于这一对AI未来形态的深刻判断。

02

商业模式选择：构建赋能型API平台，而非消费级入口

在明确了向AI Agent演进的路径后，Anthropic在商业模式上选择了成为一个赋能型的API平台，而非与业界巨头直接竞争消费者入口。Kaplan明确表示，公司致力于帮助企业和开发者高效地集成和使用AI，而非打造一个封闭的、试图包揽所有用户交互的静态平台。Kaplan认为，构建一个封闭的、静态的平台存在天然的局限性，尤其是在一个未来走向尚不明朗的技术领域。

这一战略的具体体现是其产品化路径。Claude Code最初仅作为提升Anthropic内部工程师效率的工具，在验证其价值后才被产品化并向开发者社群开放。 他们相信，通过为开发者提供灵活、强大的基础模型和工具，能够激发由生态驱动的、无法预知的多样化创新。

Kaplan强调，Anthropic对API业务的投入是巨大的，其根本目标是赋能而非竞争。“我们希望大家能够利用Claude、在Claude的基础上进行构建。我们无意限制这一点，也无意与客户竞争。我们想做的是赋能他们。”

03

平台模式的内在冲突：生态管理、资源分配与战略一致性

一个开放的、赋能型的平台战略，不可避免地会面临两大核心冲突：一是有限资源（尤其是算力）的分配问题；二是如何管理与生态伙伴之间复杂的“合作-竞争”关系。近期围绕AI编码初创公司Windsurf的争议，就将这一矛盾推至台前。

据报道，Anthropic取消了Windsurf对模型的部分直接访问权限，此举引发了开发者的担忧。Windsurf作为另一家AI编码应用Cursor的竞争对手，规模较小，且正处于被OpenAI收购的传闻中。对此，Kaplan回应：“我们的供应一直相当紧张，我们会优先赋能那些未来将与我们长期稳定合作的客户。”

Kaplan承认，算力并非无限，尽管他乐观地认为AI领域的算力供应正以每年数倍的速度实现指数级增长，并且Anthropic最新的、规模庞大的Trainium2集群也已开始释放算力，但这并未完全缓解当下的供应紧张。

这种紧张关系也体现在与另一家重要客户Cursor的合作上。Cursor借助Anthropic的模型迅速发展，如今也开始构建自己的模型。Kaplan对此表现出接受，并认为这是行业常态，“现在有非常多的公司都在为了各种不同的目的而训练自己的模型。我期望能与Cursor长期合作”。

04

Scaling Law未死：从预训练到强化学习的演进新篇章

在过去一年，关于Scaling Law是否已达极限的疑问甚嚣尘上。对此，Kaplan给出了一个明确而充满信心的答案：Scaling Law无论是在预训练还是在强化学习层面，都仍在持续带来显著成效。

他首先对这两个概念进行了解释。预训练，是教会模型模仿、理解并预测人类文本及其他数据中的下一个词，这是模型获得基础世界知识和语言能力的阶段。而强化学习，则是通过人类反馈（RLHF）或针对特定任务的训练，对模型进行微调，使其行为更符合人类期望、更有用、也更安全。

“大约五六年前，我及许多同仁所做的工作主要集中在预训练上，” Kaplan回忆道，“它揭示了一个非常清晰的经验性趋势：只要你把AI模型做得更大，给它更多的数据和算力，它的性能就会提升。” 他坚信，这一趋势至今仍在延续。尽管数据和算力最终可能成为瓶颈，尤其是数据，但“目前是够的”。

然而，Kaplan眼中更大的潜力所在是强化学习。“在RL方面，发展的空间要大得多，我认为RL的潜力还远未被充分挖掘。” 他指出，过去五到六年的大量证据表明，在强化学习领域，算力的投入同样可以带来清晰的对数线性（log-linear）扩展效应。这正是需要持续加码投入的方向，因为AI的价值，最终体现在它能否解决实际问题，而不仅仅是成为一个更强大的“自动补全工具”。

05

推理与代理

在承认Scaling Law有效性的基础上，关于如何更高效地挖掘和利用模型潜力，业界存在着两种思路：一种是扩展“推理”，即在测试阶段给予模型更多的算力让其“深度思考”；另一种是扩展“代理能力”，即赋予模型使用工具、与环境交互和试错的能力。

Kaplan明确表达了他对后者的偏好。“在某些方面，我认为AI Agent的能力或许更为关键。” 他再次以人类解决问题的方式类比：“当我们自己执行任务时，很少会停下来花一小时去思考下一步。我们做的更多的是实验：我们尝试一些事，然后观察环境的反馈。” 这种通过与世界交互来学习和迭代的模式，在他看来，是比单纯的封闭式推理更根本、也更强大的能力。

这并不意味着他否定推理的价值，他倾向于认为，扩展模型的自主代理能力、搜索能力和工具使用能力，与推理同等重要，甚至可能更为核心。这两种路径并非相互排斥，而是相辅相成。

06

公共责任与外部风险：监管、透明度与数据版权的博弈

随着AI能力日益强大，安全治理也愈发受到关注，Anthropic作为一家以“AI安全”为创立之本的公司，在这些问题上的立场和行动备受关注。

首先是在监管层面， CEO Dario Amodei公开反对联邦层面“一刀切”地禁止各州监管AI。Kaplan解释，其逻辑是支持将州视为政策“实验室”，以保持应对技术快速变化的灵活性。

其次是透明度，Anthropic推行“负责任扩展政策”，在部署模型前，就系统性地思考AI未来可能带来的风险，进行务实的评估与严格的安全测试，并准备好相应的缓解措施。他主张，所有AI公司都应透明地公开其风险评估框架、测试内容和缓解方案，以接受公众、监管机构和同行的监督。当被问及Claude 4在一次内部测试中表现出“勒索开发者”的惊人行为时，Kaplan澄清，这并非真实事件，而是一次被称为“怪诞演练”的内部“红队演练”。他们刻意寻找古怪场景以测试模型的安全边界，并将包括此类案例在内的所有发现，都记录在一份长达120页的“系统卡”中公之于众。

最后是版权争议。最近社交媒体平台Reddit正式起诉Anthropic，指控其未经授权使用Reddit数据进行模型训练。Kaplan对此的回应是，公司致力于严格遵守robots.txt协议，并坚信在法律上，使用网络上公开可用的、且未被robots.txt协议禁止的数据进行训练，属于“合理使用”。然而，当被追问，在Google等公司已向Reddit支付数千万美元获取数据授权的背景下，“合理使用”的辩护是否依然成立时，Kaplan并未直接回应这一矛盾，仅重申了遵守robots.txt协议的立场。

来源：人工智能学家