Anthropic的IPO前夜，Claude仍然无法回答这些问题

本文来自微信公众号： 未尽研究 ，作者：未尽研究

Anthropic更新了招股书，补入了三季报财务数据。但它没有为情绪降温的资本市场，注入足够的信心。

在短暂季度盈利后，2026年第三季度，Anthropic复又亏损。当季，公司实现营收169.56亿美元，环比增速降至46.74%；但算力与基础设施费用环比增长77%，占营收的比例也从二季度的48%回升到三季度的58%。最终，公司录得5.67亿美元GAAP经营亏损；按公司调整后的口径，经营利润率也从二季度的19%降至15%。

今年前三个季度，Anthropic累计营收332.42亿美元。如果它在四季度的营收增速，能稳住在三季度水平，那么它全年营收将达到580亿美元左右。假设市场届时给予它25倍市销率，差不多勉强支撑1.5万亿美元估值。从最初的2万亿美元缩水到1.5万亿美元估值，谨慎似乎正在占据上风。

问题在于，Anthropic的招股书证实了，当前算力支出具有刚性，而营收却具有弹性。

这也是美国AI三巨头传出IPO消息后，市场始终紧盯着的问题。巨头们承诺了“人类历史上规模最大的潜在市场”，换取极度前置的资本扩张，但似乎整个经济体系，未必能及时创造足够多的新收入，来消化这些投资。

AI三巨头的万亿IPO前夜，应用与技术债务

2026/05/22完整阅读>

OpenAI与Anthropic正在全球范围内争夺算力资源与企业客户。这推高了采购成本，也带来了模型价格折扣压力。

截至9月底，Anthropic通过采购承诺和租赁协议形成的累计支出承诺达到8954亿美元，其中一半要在2030年前兑现，未来12个月内到期的承诺约698亿美元；大多数协议具有“照付不议”性质，即使实际使用量不足，Anthropic仍需承担付款义务。

如果要让这些承诺付款相当于同期营收的一半，那么，按这一口径倒推，未来12个月Anthropic需要实现约1400亿美元营收。

在今年夏天，市场相信这并非不可能。但如今对不确定性的重新估值主导了市场情绪。Anthropic自己在招股书中就承认，第三季度客户使用量增长带来的收入增加，部分被新模型版本降价和合同折扣抵消，影响金额约6亿美元。

Token调用量增长，却未能带来同比例的收入增长。这与金融科技企业Ramp的观察一致。后者已经连续发现了数道AI叙事的裂缝。其中一个越来越明显的变化是，企业正在更频繁地更换AI模型提供商。企业迁移模型的成本越低，模型厂商就越难维持定价权。

Anthropic披露，公司第三季度超过80%的收入，来自过去半年内发布的模型版本。这对应了2026年下半年以来美国前沿模型的加速迭代。但训练与研究同样需要消耗大量算力，与推理业务争夺资源。

另一方面，市场上的大量知识工作，并非只有前沿模型才能完成。随着中国开源模型越来越好用，以及路由越来越智能，企业也有了更多低成本替代选择。

在美国市场，OpenRouter等模型聚合平台和Together AI等第三方推理服务商，正在承载越来越多的开源模型调用。它们的Token消耗规模已经逼近谷歌Gemini API在相关统计口径下的调用量。这至少说明，开源模型和第三方推理服务正在成为前沿AI之外不可忽视的供给渠道。

开源模型崛起会冲击闭源AI市场地位，这一判断隐含着一个前提，即AI供给的扩张速度可能快于付费需求的增长速度。

这是一个更深远的经济问题。长期收入的不确定性，可能是整个行业的问题，而不只是Anthropic的问题。AI需要证明，AI能力的提升最终如何转化为新的收入与消费需求。

目前，前沿大模型最成熟的规模化应用之一，是AI编程。但AI编程首先是在争夺存量IT支出，而不是创造同等规模的增量市场。代码量与开发速度的增长，也不意味着软件企业能够获得同等幅度的收入增长。未来几年，真正能够支撑软件支出持续扩张的，可能不仅是开发效率的提升，而是企业借助AI触及更大的收入市场。

这种矛盾会在宏观经济层面延伸。AI模型厂商需要企业持续增加算力和模型服务支出，但它所承诺的生产率提升，如果主要通过削减劳动成本实现，就未必能同步创造足够多的新收入和购买力。高薪知识工作者的就业与收入受到冲击，不仅意味着劳动收入向资本收入的重新分配，也可能削弱一部分未来AI应用消费者的购买力。

AI越成功地替代劳动，越需要证明它能够创造足够多的新需求，来维持整个经济体系的增长。

在编程之外，Anthropic找到的新场景之一，是AI药物发现与开发。尽管“生物学的世纪”已经被反复描绘了几十年，但创新药并不是一个能在12到18个月内形成大规模、可持续收入的领域。

到目前为止，作为AI及相关基础研究的重要预印本平台，arXiv上的论文数量大幅增长，但在以生命科学预印本为主的bioRxiv上，还没有出现相似的增长趋势。

最近，AI医药初创企业Insitro创始人兼CEO达芙妮·科勒（Daphne Koller）批评说，行业过度关注药物分子设计，而忽视了疾病生物学和临床转化的复杂性。

这类似于“技术债务”，在创新药新一轮繁荣到来之前，先带来研发效率和投资回报的恶化。

知名医药风投机构Atlas Venture合伙人Bruce Booth认为，与2001年基因组学泡沫顶峰，带来大批未经验证的新靶点，导致医药行业“消化不良”一样，大多数模型用已知的药物和靶点数据训练，AI无疑会加剧这个行业的热门靶点扎堆问题。真正能够突破已知生物学边界、开辟新机制的AI驱动药物，仍然是少数。

这些同质化的管线资源，开始争夺药物研发其他环节仍然未被AI加速的瓶颈资源，可能拖慢部分研发项目的进展。而AI迄今还没有证明自己能够提高药物的临床成功率。

AI厂商试图通过赋能科研，解决上述基础科研问题，许诺一个真正丰裕的社会。但它破坏性地进入科研领域，为基础研究带去了新的工具，也可能抽走年轻研究者在知识生产过程中逐步成长的阶梯。

MIT数学研究者对268名数学研究生和博士后的调查显示，约70%的受访者认为，自己未来继续从事学术数学工作的可能性下降；约77%的人表示，AI发展削弱了自己继续研究数学的动力。

如果AI赋能科研的结果，是让越来越少的人愿意成为研究者，那么它所许诺的科研繁荣，又将由谁来实现？除非AI能够证明，在那之前，科研完全不再需要人类。

AI似乎正在迅速改变一切，但人们又深深担忧，AI能否真正及时地接管自己正在改变的生产体系。