Anthropic 的 S-1：收入、算力成本与规模竞赛

讨论从 AI 商业经济性的一个显著变化开始：Anthropic 的 S-1 文件显示，客户支出的增长速度远快于提供服务的成本。嘉宾探讨这种变化能持续多久，以及它对算力供应商和竞争对手意味着什么。

嘉宾首先讨论盈利能力，重点放在经营利润率和推理经济性。他们认为，这份文件挑战了一个常见假设：AI 收入每增加一美元，算力成本就必须按比例增加。[申报文件](https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm)同时显示，2026 年上半年净亏损 807 亿美元，其中大部分来自金融工具公允价值变动产生的非现金损失；经营盈利与净盈利不是一回事。

嘉宾强调现有客户支出的增长：去年花费一美元的客户，如今会花费数美元。他们认为使用量扩张是业务的重要组成部分，但这种增速不能简单地无限外推。

对数据中心供应商而言，这些数字使一家主要买家的财务实力变得更具体。嘉宾描述了基础设施运营商对向高速增长的公司出售更多电力和容量的期待。

数据中心合同只是全貌的一部分。嘉宾区分建筑和电力成本与规模大得多的芯片成本，并讨论不同供应商承受的风险为何可能截然不同。

Anthropic 算力承诺的规模尤其引人注目。嘉宾讨论了数千亿美元级别的已公布容量与承诺，同时强调比较这些数字时，必须考虑每项协议的期限和条款。

今天的年化收入与未来基础设施承诺看似不匹配，但不能只看一个比率。嘉宾认为，承诺会分期兑现，而未来收入和容量成本都存在不确定性。

关于增量利润率，一位嘉宾估算，新增收入对应的毛利率约为 90%，经营利润率约为 40%。这是嘉宾对财报变化的解读，并不保证未来业务也能达到这些利润率。

嘉宾质疑“使用量越大，亏损必然越多”的观点。利用率提高、推理优化、定价和服务组合变化，都可能改变收入与基础设施支出之间的关系。

谈到客户集中度，嘉宾对申报文件的解读产生分歧。他们讨论最大的直销客户和通过云市场渠道获得的收入，以及这两类是否互不重叠。

一位嘉宾提醒大家区分客户和购买渠道。如果同一家最终客户既通过市场平台购买，又与 Anthropic 有直接关系，简单相加就会夸大集中度。

嘉宾继续讨论文件中的客户定义。申报文件称，截至 9 月 30 日的九个月内，前五大客户贡献约 25% 的收入；节目没有确定这个数字与每一笔市场平台销售的关系。

大型企业账户增长迅速。嘉宾还讨论了年支出达数百万美元的客户数量，并认为大客户需求集中既体现产品采用，也意味着重要账户改变方向时存在风险。

文件用字母匿名标识主要客户，嘉宾因此猜测其身份。他们提到科技公司和金融机构，但承认这些只是推断，并非文件披露的客户名单。

嘉宾考虑能否从 Claude 的访问时间、客户购买方式及云合作关系推测账户身份。他们也指出，时间差和直接、间接购买之间的区别使判断更加复杂。

嘉宾讨论大客户能否将用量转向其他模型或供应商。合同承诺、产品集成以及通过云合作伙伴获得的访问方式，都会影响转移速度。

最新模型的收入占比显示用户迁移速度很快。嘉宾对比了行动灵活的初创公司与大型企业：后者的采购和认证流程可能延迟模型切换。

融资与算力协议有关，但两者不能混为一谈。讨论转向潜在融资和供应协议的附带条件，包括涉及 Google 和 Broadcom 的安排。

嘉宾讨论额外资本如何支持规模更大的算力规划。他们强调，未来部署与收入取决于产能交付、需求和执行情况，并非已经实现的收入。

嘉宾问 Anthropic 是否倾向于设定保守预期，再交出更好的结果。他们把这看作管理和沟通策略，同时承认过去超预期并不能证明未来也会如此。

特别激进的预测既需要巨大的基础设施，也需要愿意使用这些算力的客户。嘉宾区分了对需求的信心与实际交付电力、硬件和数据中心的难题。

话题转向 Elon Musk、SpaceX 和所谓新云服务商的前景。嘉宾讨论新增算力来源是否会削弱现有基础设施公司的不同看法。

嘉宾提醒，公开宣布的交易可能隐藏着截然不同的商业结构。他们猜测基础设施供应商的融资动机，以及先投入设备、后由客户使用的企业可能承担什么后果。

合同期限是关键区别。可以短期取消的逐月合同，即使换算成年化价格，也不等同于有约束力的多年采购承诺，哪怕两者的标题数字相近。

嘉宾比较大型数据中心交易，强调报价本身无法揭示全部风险。取消权、建设进度、融资方式以及芯片与建筑的成本分配，都会决定谁承担风险。

申报文件的一张图显示，每美元算力及基础设施支出对应的收入显著上升。节目强调，该比率从 2025 年第一季度的 0.40 倍升至 2026 年第二季度的 2.08 倍。

嘉宾认为，这一改善可能来自模型质量、利用率提高和提升推理效率的工程工作等多种因素。收入与基础设施支出之间的比率并不等同于产品毛利率。

嘉宾讨论跨不同芯片和云平台优化推理的实际工作。更好的内核和软件可以让现有硬件完成更多有效工作，而多个供应商也可能改变成本和产能约束。

讨论转向 AI 帮助技术工作的能力。嘉宾给出例子并预测模型会越来越强，但对于未来科学突破的最宏大说法仍是预测，而非已经确立的成果。

其他实验室能否追赶？嘉宾认为，只有算力还不够：模型质量、研究和工程执行同样重要。一些人怀疑新进入者能否轻易匹敌领先者的速度和规模。

如果更好的模型吸引更多使用和收入，进而支持更多算力与研究，领先优势就可能自我强化。不过，嘉宾也承认客户可以使用竞争模型，今天的优势并不能永久决定市场格局。

他们讨论在公司内部用 Claude 改进工程工作的可能性。观点是，强大的编程模型可能帮助团队更快执行，但这种反馈循环有多大、多持久仍不确定。

嘉宾回顾文件中令他们意外的地方：不仅是增长，还有收入增长与经营经济性改善同时出现。他们讨论这些数字与此前对公司走势的预期如何吻合。

关于未来增长空间，嘉宾意见不一。一种观点认为大多数企业员工仍很少使用 AI，因此支出有很大增长空间；另一种观点则提醒，不应假设重度用户的行为会成为中位数。

嘉宾把问题从软件工程师扩展到其他岗位。Claude 目前的使用与编程高度相关，但潜在市场取决于其他白领工作能否也成为频繁且有价值的使用场景。

企业支出的大规模估算对采用率、价格和生产力都很敏感。嘉宾将其作为思考机会的工具，而不是现有客户基础所保证的预测。

谈到市场反应，嘉宾询问：当 Anthropic 披露更多财务信息后，公开市场投资者会如何给其他 AI 和基础设施公司估值？他们讨论的是可能的反应，而非投资建议或已经确定的估值。

使用量的季节性也会使判断更复杂。申报文件描述了 1 月初相对于此前数周的下降；嘉宾讨论假期和用户结构变化可能如何影响未来支出。

假期期间的放缓不一定意味着基础市场停止增长。反过来，嘉宾也提醒，不能把某个时间点的数据当作永久增长率的证明。

嘉宾再次讨论预测，以及未来产品发布改变需求的可能性。他们指出，这些预期取决于尚未由已披露数据证实的发布时间和产品能力。

随后，嘉宾辩论 OpenAI 的竞争地位。一位嘉宾对其目前的发展更悲观，其他人则强调其强大的产品、企业客户关系，以及宣布竞争已经结束为时尚早。

比较结果会因使用场景而异。嘉宾分享自己在编程或数据分析中偏好的模型，但这些体验只是用户选择的例子，不能全面衡量任何一家公司的表现。

即使某个供应商在特定领域领先，竞争对手仍有客户、基础设施和改进空间。嘉宾讨论模型质量与商业分发如何随时间改变竞争格局。

企业关系可能使客户比个人开发者更难快速切换。预付款、系统集成、安全要求和采购流程，都会影响企业在不同供应商之间转移支出的速度。

嘉宾还讨论服务免费用户的成本，以及如何把广泛的消费者使用转化为盈利收入。产品组合不同，也使两家公司的经济性难以直接比较。

申报文件称，美国及其他国家政府机构合同合计约占所列各期收入的 1%。嘉宾讨论政府采购，以及它在公共讨论中的关注度与已披露收入占比之间的差距。

即使目前收入占比很小，政府采用仍可能具有战略意义。嘉宾讨论采购渠道和更大范围的企业软件用户基础，但没有把未来政府收入当作确定结果。

节目接近尾声时，嘉宾轻松地谈到办公室、网络安全和 AI 公司的文化。最后的闲聊逐渐离开财务分析。

嘉宾回应观众评论，开玩笑谈及外貌和接下来的计划。Anthropic 申报文件的讨论结束后，这些闲聊持续到节目结尾。