2026-05-15 17:20
扫码打开虎嗅APP
本文来自微信公众号： InfoQ ，作者：褚杏娟
当地时间5月14日，Anthropic以中美AI竞争为由发布长文，呼吁进一步收紧芯片出口限制。
同一天稍早时候，路透社报道称，美国已批准约10家中国公司购买英伟达专为中国市场定制的H200芯片。报道提到的公司包括阿里、腾讯、字节、京东等。不过，这批许可尚未转化为实际交付。
Anthropic直接指出，训练前沿AI模型最关键的资源是先进芯片，也就是算力。美国目前的优势建立在NVIDIA、AMD、TSMC等“民主国家产业链”之上。但如果不进一步收紧管制，美国在2028年前可能会失去主导权，中国AI实验室的模型能力可能追到只落后美国几个月。
Anthropic还引用了一组数据，称按总处理性能计算，华为在2026年的算力产出仅相当于英伟达的4%，到2027年更是降至2%。
在Anthropic的框架里，中美AI竞争被拆解为四条线：第一是智能，即谁能开发出最强大的AI模型；第二是国内采用，即谁能更有效地把AI整合进商业和公共部门；第三是全球分发，即谁能部署支撑世界经济运行的全球AI技术栈；第四是韧性，即谁能在AI带来的经济社会转型中维持稳定和连续性。
其中，模型智能被认为是最重要的一条，而这也是Anthropic收入的重要基石。
Anthropic认为，当前中国AI实验室之所以仍能接近美国模型能力，主要依靠三类因素：世界级人才、先进算力，以及通过大规模“蒸馏攻击”提取其前沿模型能力。为此，Anthropic还提出，应明确将“蒸馏攻击”非法化，并加强情报共享；同时推动美国“可信AI技术栈”出口，抢占全球南方市场。
一边阻止先进芯片外流，Anthropic一边正在斥巨资解决自身面临的巨大算力短缺问题，同时通过频繁调整产品价格，让用户来承担算力短缺带来的影响。
在算力持续紧张的背景下，Anthropic再一次调整了定价策略。
近日，Anthropic宣布，从6月15日起，将把程序化Claude使用量与标准聊天订阅额度拆分开来。也就是说，开发者通过Agent SDK、GitHub Actions，以及OpenClaw等第三方智能体框架调用Claude时，将不再简单计入原有订阅套餐，而是进入一个独立的月度积分系统，并按照类似API的方式计费。
这一变化意味着，过去许多开发者用Claude Pro或Max套餐低成本运行自动化任务、智能体脚本、CI流水线和长期编码代理的方式，将面临重新定价。
根据Anthropic的安排，程序化使用的月度积分额度将与用户现有Claude订阅档位挂钩，大体对应其月费水平。其中，Pro用户每月可获得20美元积分，Max 5x用户为100美元，Max 20x用户为200美元。
在此之前，Claude的交互式聊天使用和程序化调用来自同一个订阅额度池。开发者不仅可以用高阶Claude套餐进行聊天、写代码、调试，也可以通过外部智能体框架运行自动化工作流。
正是这种“一个订阅覆盖多种用途”的模式，让Claude一度成为智能体开发者眼中的高性价比选择。尤其对于运行长期任务的开发者来说，通过OpenClaw、Agent SDK等工具调用Claude，实际成本往往低于直接使用API。
但Anthropic早在今年4月就已经释放信号。公司当时在X上表示，Claude订阅将“不再覆盖OpenClaw等第三方工具的使用量”，理由是算力容量受限。新政策落地后，开发者如果继续使用外部智能体框架，要么购买额外用量包，要么转向直接API计费。
有趣的是，Anthropic首席财务官Krishna Rao在采访中表示，“我们的定价一直比较稳定。无论是Haiku、Sonnet，还是Opus，价格都没有频繁调整。现在Mythos当然是比较新的模型，但总体来说，Anthropic很少改价格。过去最大的一次价格调整，是在推出Opus 4.5时，公司把Opus系列的价格降了下来。”
他解释当时的降价的原因在于，Anthropic发现Opus级模型的能力很强，但实际使用量没有完全匹配它的能力。很多客户明明遇到的是一个适合用Opus解决的问题，却会想办法把它塞进Sonnet的工作负载里。后来，由于模型效率上又有提升，从Anthropic的角度看，已经可以更高效地运行Opus，于是公司就把价格降下来，让客户更容易用上它。
这又回到一个核心点：Anthropic希望用户使用自己的模型，这也价格必须设在一个用户可以接受、并且能够从中获得足够价值的位置上。
Krishna认为，“Opus这次降价，其实体现了杰文斯悖论：Anthropic把价格降了下来，但使用量的增长远远超过原本预期。也就是说，因为价格落到了客户觉得合适的位置，他们开始更大量地使用Opus。而Anthropic也有足够的效率，可以支撑这种大规模使用。等客户把它真正接入自己的工作流之后，Anthropic再发布Opus 4.6，它就是一次模型升级，客户可以直接替换进去，而价格不需要再变。”
Krishna强调定价稳定很重要，但实际上，用户对价格有很强的敏感度，很反感Anthropic一而再再而三地调整价格策略。
如之前调整一样，最新调整很快就引发了开发者不满。许多人认为，Anthropic正在削弱Claude对智能体工作流最有吸引力的一点：用相对稳定、可预测的订阅价格，支撑大规模自动化任务。
高级数据科学家Yadesh Salvi在X上批评称，Anthropic提供的月度额度“连一天的认真工作都撑不过去”。他认为，Claude Agent SDK和Claude Code中的claude-p等功能原本是用户高频使用的核心能力，如今却被压缩使用空间，还被包装成订阅福利。
Broadcom高级站点可靠性工程师Advait Patel也表示，对于那些基于Claude Pro或Max固定价格套餐构建副业项目和个人自动化工具的开发者来说，新的独立积分池确实能给开发者一点试验空间，但一旦智能体足够有用、需要频繁运行，开发者就不可避免地进入按量计费模式。
“重度智能体用户消耗的算力，远远超过20美元或100美元订阅能够支撑的范围。”Patel认为，运行大模型本身确实昂贵，面向程序化使用的无限固定价格套餐，本来就很难长期持续。同样的钱，能跑的自动化任务变少了，想保持原来的使用强度，就要额外付费。
这场定价变化影响的不只是个人开发者，也会给企业带来新的成本管理问题。Patel指出，过去一些团队会依赖Claude订阅运行无人值守工作流，例如CI流水线、定时自动化任务和长时间运行的编码智能体。但在新政策下，使用量将更直接地与token消耗绑定，而不是简单跟订阅档位绑定。
这会让企业在预算预测上面临更大不确定性。尤其是那些涉及多次重试、大上下文窗口、多步骤智能体循环的工作负载，其token消耗可能快速膨胀。
更麻烦的是，Anthropic的积分是按用户分配的，不能在团队之间共享。这意味着企业无法轻松建立一个统一预算池来覆盖共享自动化任务。一个失控的智能体，或者一个设计不佳的提示词，都可能迅速烧光个人额度，导致任务中断或者开始产生额外费用。
高额的费用让微软也有了压力。据外媒报道，微软已开始逐步取消数千名内部开发者的Claude Code授权。尽管过去半年这个AI编程工具深受微软员工欢迎，但公司决定将重点收缩至自家的GitHub Copilot CLI。
微软向员工解释说，此举是为了将Copilot CLI作为其在“体验与设备”领域的主要代理命令行界面工具，但消息人士称，此举也与财务有关。6月30日是微软当前财年的最后一天，取消Claude Code许可证是削减运营开支的简便方法，以便在7月新财年开始时节省开支。
近几个月来，微软内部开发者更倾向于使用Claude Code而非GitHub Copilot CLI。对于内部员工来说，从Claude Code过渡到GitHub Copilot并非易事。微软一直鼓励没有编程经验的员工尝试使用Claude Code，以便设计师和项目经理能够快速构建原型。微软最初还希望员工同时使用Claude Code和GitHub Copilot，以便比较两者并提供反馈。
现在，微软的GitHub团队面临着巨大的压力，他们需要改进Copilot CLI，并力争超越Claude Code。
可以看到，Claude Code虽然得到了能力认可，但一旦价格超出用户负担，无论个人还是企业，都会考虑选择其他产品，这对Codex、Copilot们来说，也是一次机会。
拥有更多算力是Anthropic最直接的解法。
“我们采购的算力，基本就是整个业务的生命线。”Krishna也在近期参加播客节目时表示。
Anthropic近期大规模采购算力，也说明了这一点。该公司已经独家租用SpaceX Colossus 1超算中心；与AWS长期合作，锁定5GW Trainium算力，10年投入超1000亿美元；签约Google与Broadcom的下一代TPU长单，3.5GW算力将从2027年起交付。去年，Anthropic还宣布投入500亿美元自建美国AI基础设施，并同步加码Google TPU与Microsoft Azure算力。
值得一提的是，Krishna明确表示，公司内部并没有看到scaling laws放缓的迹象。
在Anthropic内部，scaling laws的讨论也与不同开发阶段密切相关。Krishna表示，公司会看模型在不同开发阶段的表现。比如，在一次预训练运行过程中，Anthropic可以从损失曲线上看到，这个模型和之前训练过的模型相比表现怎么样。这样一来，公司就能对模型能力有一个基本判断。
在强化学习阶段，也可以用类似的方式来看。还有一点同样重要，就是当客户真正拿到模型之后，他们看到了什么、在哪些地方发现了问题。这些痛点之后就会变成Anthropic的训练目标。
当然，在企业侧，Anthropic不会用客户数据来训练模型，但客户会告诉Anthropic一些很具体的反馈。比如：“我希望模型在这个方面更好”，或者“我在某个地方被卡住了”，Anthropic通常会按这个方向去做产品，因为公司会在研发侧持续推进，随着时间推移把这些能力提升上来。
所以，这里面其实形成了一个相互连接的循环。在内部，Anthropic会一直观察不同训练阶段的模型、不同版本的模型快照，把它们和自己的指标做比较，也会和外部模型做一些比较；最终，公司还会看客户怎么评价这些模型。
Krishna补充解释道，Anthropic确实非常相信scaling laws。“当然，很多scaling laws论文的作者本来就是Anthropic的创始人。但即便如此，公司内部其实也是一群带着怀疑精神的人。至少从目前看到的情况来看，scaling laws并没有放缓。”
因此，单从模型开发层面，Anthropic就有动力持续进行算力投入，更何况其背后还有众多用户。
“对公司来说，算力是最重要的资源，也是其他一切能力建立起来的基础。所以，到底要买多少算力，是公司里最关键、也最难做的决策之一。”Krishna解释称，算力买多了，公司可能会被成本拖垮；算力买少了，又没办法服务客户，也没办法继续站在技术前沿。某种意义上，这两个结果都很危险。
因此，对Anthropic来说，算力采购不是一个可以临时拍板的事情，它会带来非常现实的后果。公司不可能今天说要买一吉瓦算力，下周它就交付。很多事情都必须提前规划。
据Krishna介绍，Anthropic在思考算力问题时，会尽量用一套系统的方法来判断。公司会从具体需求往上推，建模型、预测未来可能需要多少算力。当然，这些预测有时候也会出错。公司还要判断，如果想继续保持在前沿，到底需要准备多少算力，并且尽量根据未来的发展去估算。
“等到真正去做算力采购交易时，灵活性就非常重要。”Krishna强调，Anthropic会把这种灵活性写进合同里，也会体现在后续使用算力的方式里。因为当业务进入指数级增长阶段，最关键的就是尽可能高效地使用手里的算力。
“即便到今天，我大概仍然有30%到40%的时间花在算力上。”他说道。
在Anthropic的语境里，灵活性有好几层意思。首先，公司不是只押注一种芯片平台。现在Anthropic同时使用三类芯片：Amazon的Trainium、Google的TPU，以及Nvidia的GPU。对公司来说，这些芯片可以在不同场景里相互替换、灵活调度。
Anthropic买来的算力，会被用在几类事情上：一类是模型开发，一类是内部使用，比如加速自己的产品和模型研发，当然还有一类是对外服务客户。无论是Trainium、TPU还是GPU，Anthropic都会尽量让它们覆盖这些内部和外部场景，而不是把某一种芯片固定死在某一种用途上。
但这种灵活性不是一开始就有的。Anthropic花了很多年时间，持续投入，才慢慢做到今天这个程度。Krishna认为，在所有前沿实验室里，Anthropic可能是最高效的算力使用者之一。
比如Anthropic刚开始用TPU的时候，Krishna记得大概还是第三代TPU。那是Anthropic第一次大规模使用TPU。很多人当时都不理解，觉得：“你们是不是疯了？大家都在用GPU，为什么你们不用GPU？”但Anthropic一直很重视这件事，因为公司的目标就是能够非常灵活地使用各种算力。
除此之外，Anthropic还会比较同一芯片平台的不同代际，看哪一代芯片最适合哪一种内部工作负载，然后把它放到最合适的位置上。也正因为这样，公司后来真正搭起了一套编排层。它的作用就是帮Anthropic灵活调度不同类型、不同代际的算力，并在这个过程中，把每一份算力的价值尽可能榨出来。
一方面，公司会贴近底层硬件做优化，尽量少被中间软件层限制，从而控制更多性能变量；另一方面，这也是一个与各方紧密协作的过程。比如，Anthropic和Amazon的Annapurna Labs团队合作非常紧密，也会参与影响这些芯片的路线图。
因为Anthropic认为，公司正在做的事情确实是在把这些芯片的能力推到极限。这也意味着，在Anthropic内部，一美元算力所产生的价值，比在其他任何地方都要更高。
Krishna坦言，今天在这些使用场景里，Anthropic其实都受算力限制。如果放在一两年前，突然给Anthropic一批不同类型的算力，公司确实很难马上消化掉。因为这些芯片平台彼此不一样，有些更难操作，有些在使用方式上也有自己的特点。
但今天不一样了。如果现在给Anthropic更多算力，公司会很快把它部署到不同的使用场景里。整体分配方式可能和今天差不多，但Anthropic现在已经更擅长快速启动、快速部署几乎任何类型的算力。Krishna认为，这也是公司的一个真正优势。
Anthropic已经宣布与SpaceX在Memphis的Colossus设施合作。这就是一个很好的例子，来证明，只要能拿到近期算力（near-term compute），Anthropic都会去寻找机会。
随着算力基数越来越大，这类近期算力在整体可用算力中的占比会越来越小，但Anthropic看它的核心标准是：这些可用算力能不能有效部署起来。
答案有时候是可以，有时候是不行。如果可以，Anthropic就会继续看它的经济回报：价格怎么样、能用多久、位置在哪里、属于哪种类型的算力，以及公司能不能高效地运行它。所以，Anthropic内部有一套评估流程。
这套流程也会用来评估长期交易。上个月，Anthropic和Google、Broadcom签了一个五吉瓦的TPU合作，从2027年开始。Anthropic也和Amazon签了一个最高五吉瓦的Trainium交易，这是一个超过1000亿美元的承诺，其中很多算力其实已经开始落地，并且会在今明两年里继续落地。
Krishna将其形容成一层层叠起来的“算力蛋糕”（layer cake）：不同算力会在不同时间启动，能力也不一样，而Anthropic会非常动态地比较这些算力。对公司来说，算力随着时间变化的性价比非常重要，它什么时候能落地，以及公司认为它能在业务内部发挥什么作用，也同样重要。这里有很多变量需要一起优化：它是什么类型的算力、成本是多少、使用周期有多长等。Anthropic会用一套相当动态的方式去看近期算力、中期算力和长期算力。评估的核心大体相同，只是时间周期不同。
在评估算力时，Anthropic也会看每token成本、吞吐量和速度之间的取舍。Krishna提到，当Anthropic同时看三个不同芯片平台时，每个平台里面其实还有不同代际的芯片，比如TPU V5e、V6、V7，Trainium 2、Trainium 3，它们在性价比曲线上的位置都不一样。
接下来很重要的一点，是看公司准备怎么用这些算力。性价比当然重要，因为它直接关系到效率；但对某些使用场景来说，速度也同样重要。所以，Anthropic会把算力拆得非常细，细到它什么时候能交付、能交付什么能力。
这件事主要由Anthropic的算力团队主导，但整个公司也会密切配合，一起讨论哪些地方需要这些算力、具体是为了什么。比如，公司可能需要CPU来做强化学习，也可能需要更前沿的算力来运行最好、最快的模型，或者用来训练这些模型。所以，从Anthropic的角度看，算力怎么用，既取决于客户需求，也取决于一个非常细的问题：每种芯片最适合做什么，以及公司什么时候能够拿到它。
Anthropic现在想要达到的状态是：首先仍然要站在前沿，这是最重要的；其次要能够服务客户；同时还要有足够的内部算力来加速员工推进工作。
除了讨论怎么买算力，Anthropic也经常开会讨论算力怎么分配。Krishna认为，这套讨论方式和公司文化有关。Anthropic的文化非常强调协作，所以大家讨论算力分配时，也不是各自守着自己的“地盘”，更不是零和博弈，而是用一种非常协作的方式来推进。
但在模型开发这件事上，Anthropic会设一个不会低于的算力底线。也就是说，哪怕这会让服务客户变得更困难，或者不得不在某些地方采取一些不太常规的做法，公司仍然会继续做长期投入，去开发最好的模型。因为Anthropic认为，前沿智能的回报非常高，尤其是在企业领域。所以，分配给模型开发的算力，会有一个明确的下限。
而内部团队也会分走一部分算力。Krishna提到一个很有意思的点。如果公司对员工说，“你们不能再使用我们的模型了”，那么Anthropic分配给员工内部使用的这些算力，其实可以支撑数十亿美元的收入。
实际上，Anthropic现在内部90%以上的代码，其实都是由Claude Code写的。很多Claude Code本身，也是在Claude Code的帮助下写出来的。这一程度上解释了Anthropic为什么要把部分算力留给给内部使用，因为模型本身正在帮助Anthropic构建下一代模型。
Krishna表示，公司内部讨论算力分配问题时，每个团队都会说明：如果拿到这些算力，他们会用来做什么。接着，大家会非常开放、坦诚地讨论这些投入的回报该怎么看。因为Anthropic可以非常动态地分配算力，所以也能在相对较短的时间内做出调整和改变。
这期间，Krishna还强调了人的作用。拥有最好模型的人才，可以加速能力发展。
他解释称，Anthropic其实不太用“闭源”或“开源”来区分模型，而是会把模型分成“在前沿”和“不在前沿”。那些站在前沿的模型，显然正在捕获经济价值，也在为客户带来有意义的投资回报。Anthropic现在做的，就是继续围绕这个判断加大投入。这既意味着投入算力，也意味着投入那些能够用好算力、并且能够用Anthropic自己的模型来真正加速开发的人才。
不只模型，还包括构建在模型之上的产品。比如，Anthropic在一月发布了三十个不同的产品和功能。这个节奏也在加快。这部分也得益于公司把模型和现有人才结合起来，让人们能够更快、更有效地使用底层智能。这基本上就是Anthropic在产品侧的判断。
Krishna强调，Anthropic的核心仍然是一个研究实验室，是那些不断推动模型能力上限的事情。公司一切都建立在这套研究体系之上。
今天，这套研究体系确实已经被模型赋能了，但还不是完全由模型自己完成。随着时间推移，Anthropic认为模型会变得更强，也会在研究过程中提供更多帮助。但研究方向怎么定、优先级怎么排、哪些新领域值得探索，仍然需要最优秀的研究人才来判断和设定。模型的加入，是在进一步放大这些研究人才的能力。
所以，Krishna把模型看成一种放大器：它不是取代Anthropic已有的人才，而是在强化和加速这些人才。人们经常说，人才密度比人才规模更重要，Krishna认为在这里同样成立。
Anthropic真正想要的，是聚集最优秀、最密集的一批AI研究人才和推理工程人才，再用最好的模型放大他们的能力。Anthropic认为，这会形成一个非常有竞争力的组合。
Krishna透露，Anthropic看算力投入，不会只看某一项具体成本，而是看整块算力支出到底能带来多少回报。这里说的“整块”，包括各种用途：服务客户、模型开发、内部提效等等。可以把它们理解成在不同时间尺度上支持收入增长的事情。
比如，现在用算力做推理，它直接支撑今天的收入；如果把算力用在模型开发上，它可能会在六个月后带来新的模型能力，打开新的市场空间，进而推动未来收入增长；如果把算力用于内部提效，帮助团队更快推出新产品，这本质上也在支持收入。
所以，Anthropic真正看的不是某一笔算力花费本身，而是整个算力池的总体回报。至少从今天来看，Krishna认为Anthropic在算力上的投入回报是很稳健的。公司一方面要为客户创造价值，另一方面也要确保自己能从算力投入中获得足够强的回报。站在这个角度看，Anthropic对目前的位置比较有信心。
再看第一季度的收入增长，那段时间收入涨得很快，但并不是因为Anthropic突然上线了一大批新算力。算力通常是按照很早以前就确定好的节奏逐步到位的，很多时候这个节奏可能在十二个月前就已经定下来了。
所以，在Krishna看来，如果把服务每一个客户都简单理解成一笔“新增变量成本”，其实不太适合Anthropic的业务。那更像是在用传统软件公司的逻辑来套它，但真实情况不是这样。
他解释称，算力不是只对应某一个客户、某一项成本，它同时支撑客户服务、模型研发、内部提效等一整套活动。而Anthropic衡量的核心，就是这整套算力投入到底能不能带来稳健回报。因此，Anthropic会把现有的算力池看成一个关键约束条件。它决定了公司短期能服务多少客户、长期能推动多少模型和产品能力，也决定了最终能带动多少收入。
Amazon、Google、Microsoft都是Anthropic的重要合作伙伴，Broadcom和Nvidia也是如此。Krishna表示，Anthropic的生态系统很强。今天，Anthropic是唯一一个同时出现在三大云上的模型，也是唯一一家使用这三种芯片平台的语言模型实验室。
“这些合作远远不只是采购。”Krishna认为，这一点经常被忽视。
比如Anthropic和Amazon的关系，Anthropic的团队和Annapurna Labs团队是深度绑定在一起的。Anthropic非常擅长使用Trainium，也投入了大量时间和精力，和Amazon团队密切合作，双方会一起做容量规划。
“再看三大云，它们对Anthropic来说也是非常好的分发渠道。”Krishna进一步解释道，“当然，Anthropic自己的一方业务也非常强。但总体来看，这些合作关系都是多维度的，不只是买算力这么简单，包括了芯片本身的开发、容量落地、服务交付，最后还包括把这些能力分发给客户。”
参考链接：
https://www.anthropic.com/research/2028-ai-leadership
https://www.reuters.com/business/retail-consumer/us-clears-h200-chip-sales-10-china-firms-nvidia-ceo-looks-breakthrough-2026-05-14/
https://www.infoworld.com/article/4171274/anthropic-puts-claude-agents-on-a-meter-across-its-subscriptions.html
https://www.theverge.com/tech/930447/microsoft-claude-code-discontinued-notepad
