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.theverge.com/tech/930447/microsoft-claude-code-discontinued-notep
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。