深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级
输入“/”快速插入内容
深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级
深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级
用户4242用户42423月15日修改
Dwarkesh Patel Dwarkesh Patel Z Potentials2026年3月14日 20:44 上海
图片来源： Dwarkesh Patel
Z Highlights
•
底层技术的指数式发展整体符合我的预期，各领域技术前沿发展虽不均衡但大体走向无偏差，令我意外的是，无论行业内外，人们都未意识到我们正 如此接近指数增长的尾声 。
•
自 2017 年起我的核心缩放假说便从未改变，真正推动技术发展的核心要素仅有七个，如今 RL 领域也展现出和预训练相同的 缩放规律 ，所有研究进展均与这一假说相符。
•
我有 90% 的信心认为 十年内数据中心将诞生堪比一个国家的天才智能体 ，排除不可规避的意外， 1 到 2 年内模型就能实现端到端的代码开发，且模型已展现出从可验证任务到不可验证任务的显著泛化能力。
•
AI 技术的发展和向经济领域的渗透会极其迅速但并非一蹴而就，存在客观限制，这种经济渗透的不确定性，是我们在算力采购和数据中心建设上保持谨慎的核心原因， 需在抓住增长机会和规避财务危机间做好权衡 。
•
AI 行业盈利的核心是 算力需求预判 ，盈利源于需求低估，亏损则因需求高估，与传统行业的盈利逻辑截然不同。
•
API 商业模式仍具 长期生命力 ，同时将诞生按结果付费等多元模式，不同场景下 AI 输出的价值差异将决定定价逻辑。
Dario Amodei 是 Anthropic 公司核心负责人，深耕 AI 大模型研发领域，对模型缩放、技术发展趋势有着极具前瞻性的判断，主导了 Claude 系列模型的技术研发与落地， Dwarkesh Patel 是资深科技访谈者，聚焦 AI 领域前沿对话，挖掘行业核心发展议题。本次访谈于 2026 年 2 月 14 日开展，围绕 AI 技术指数增长尾声、模型缩放假说、 RL 发展等核心问题展开，深入探讨 AI 技术落地与经济渗透的关键议题，分享了对 AI 行业发展趋势的独到见解与实践思考。
技术发展核心认知：指数增长近尾声与缩放假说的坚守
Dwarkesh Patel ： 三年前我们曾有过一次交谈。我很好奇，在你看来，过去三年最大的变化是什么？与三年前相比，如今最显著的不同之处在哪里？
Dario Amodei ： 我认为核心变化在于底层技术的指数式发展，整体研究进展和我的预期大致相符，前后误差也就一两年左右。我当初没能预判到代码领域的具体发展方向，但从技术指数增长的整体趋势来看，模型从堪比聪明的高中生，到进阶为优秀的大学生，再到开始涉足博士阶段和专业领域的工作，代码领域的发展甚至还超出了这一阶段，整体节奏都在我的预期之中。当然，各领域的技术前沿发展并不均衡，不过大体走向没有偏差。但有一件事让我倍感意外，那就是公众并未意识到，我们正如此接近指数增长的尾声。无论是行业内还是行业外的人，还在为那些老生常谈的热门政治议题争论不休，却对身边即将到来的技术拐点视若无睹，这在我看来实在不可思议。
Dwarkesh Pa tel ： 我想了解当下这一指数增长的具体态势。三年前我们访谈时，我第一个问题就是关于模型缩放的原理，现在我依然有类似的疑问，只是这个问题如今变得更为复杂。至少在公众看来，三年前的缩放规律十分清晰，在多个数量级的计算量范围内，都能看到模型损失值的持续优化。而现在出现了 RL 缩放，却没有公开的相关缩放定律，甚至我们都无法明确其核心作用 —— 是培养模型的技能，还是实现元学习？现阶段的缩放假说究竟是什么？
Dario Amodei ： 其实从 2017 年开始，我的核心假说就从未改变。我记得上次也提到过， 2017 年我写过一份名为《 The Big Blob of Compute Hypothesis 》的文档，这份文档并非专门针对语言模型的缩放。当时 GPT-1 刚发布，只是众多研究方向之一。那时候机器人学、独立于语言模型的推理研究都在推进， OpenAI 在 AlphaGo 、 Dota 项目中实现了 RL 缩放， DeepMind 的 AlphaStar 在星际争霸领域也取得了突破。
这份文档是更具普适性的研究总结，核心观点如下。 Rich Sutton 几年后提出了 “ 苦涩的教训 ” ，而我的假说和这一观点本质上是一致的：那些所谓的巧妙思路、技术手段，以及 “ 我们需要新方法解决问题 ” 的想法，其实都无关紧要。真正起作用的因素寥寥无几， 我当时列出了七个核心要素：第一是原始计算量；第二是数据规模；第三是数据的质量和分布，数据必须具备广泛的分布性；第四是训练时长；第五是需要具备无限缩放潜力的目标函数 ，预训练目标函数就是其中之一， RL 目标函数也是如此 —— 设定一个目标，模型通过学习逐步达成，其中既包含数学、代码领域中可量化的客观奖励，也有人类反馈强化学习中更主观的奖励，以及更高阶的奖励形式； 第六和第七则与归一化、条件处理相关，核心是保证数值稳定性，让大规模计算能够平稳推进，避免出现各类技术问题。
这就是我始终坚持的假说，目前所有的研究进展都与之相符。预训练缩放定律就是典型例证，而且相关研究仍在持续推进，这一点也已被广泛报道，我们对预训练的发展态势充满信心，其持续为模型性能带来提升。如今的变化在于， RL 领域也展现出了和预训练相同的缩放规律，模型训练分为预训练阶段和后续的 RL 阶段， 而 RL 阶段的缩放原理和预训练完全一致。 其他公司也发布过相关研究成果，比如他们在数学竞赛类数据（如 AIME ）上训练模型后发现，模型的表现与训练时长呈对数线性关系，我们也在研究中发现了这一规律，而且这一规律并非仅适用于数学竞赛，而是广泛存在于各类 RL 任务中。
模型学习本质辨析：与人类学习的差异及泛化能力进阶
Dwarkesh Patel ： 你提到了 Rich Sutton 和他的 “ 苦涩的教训 ” 。我去年采访过他，他其实对大语言模型并不看好。我不确定这是否是他的核心观点，但可以这样概括他的质疑：真正具备人类学习核心能力的智能体，无需耗费数十亿美元的算力和数据，也无需定制专属环境，就能学会使用 Excel 、 PowerPoint 或浏览网页。而我们如今需要通过构建 RL 环境来培养模型的这些技能，恰恰说明模型缺乏人类核心的学习算法，我们正在为错误的目标做缩放优化。这就引出了一个问题：如果我们认为未来会出现具备人类即时学习能力的智能体，那为何还要大力推进 RL 缩放研究？
Dario Amodei ： 我认为需要把几个问题拆分开来看，这其中确实存在一个值得探讨的谜题，但这个谜题或许并不重要，甚至我认为它大概率无关紧要。我们先抛开 RL 不谈，因为将 RL 和预训练视作两种截然不同的模式，其实是一种误导。回顾 2017 年 Alec Radford 研发 GPT-1 的阶段，会发现一个很有意思的现象： GPT-1 之前的模型，训练数据集的文本分布范围都十分狭窄，只是一些标准化的语言建模基准数据集。而 GPT-1 的训练数据，我记得是一些同人小说类的文学文本，这类文本仅占人类文本数据的极小一部分，当时的数据集规模也就十亿词级，数据分布单一，无法反映真实世界的多样场景，因此模型的泛化能力极差。即便模型在同人小说语料上的表现有所提升，也无法很好地适配日常对话等其他场景。当时我们有多种指标来衡量模型对不同类型文本的预测能力，结果都显示模型缺乏泛化性。
直到 GPT-2 的训练，我们开始基于互联网进行大规模数据抓取，比如从 Common Crawl 、 Reddit 等平台获取数据，让模型在全类型任务上接受训练，其泛化能力才开始显著提升。如今 RL 领域正在重演这一过程：我们从数学竞赛这类简单的 RL 任务开始训练，逐步拓展到代码等更复杂的任务，现在还在持续增加任务类型，我相信模型的泛化能力会随之不断提升。这一点打破了 RL 和预训练的边界，但无论如何，有一个谜题始终存在： 预训练阶段，我们需要用万亿级 Token 来训练模型，而人类一生中接触的词汇量远达不到这个量级，这说明模型和人类在样本效率上存在本质差异。 模型是从零开始训练，需要海量的训练数据，而人类的学习并非如此。但另一方面，若为模型提供足够长的上下文窗口，其唯一的限制就来自推理环节。如果给模型百万级的上下文窗口，它就能在这个范围内高效学习和适应。
我目前无法完全解答这一谜题， 但我认为预训练的本质，既不同于人类的学习过程，也并非完全复刻人类的进化过程，而是介于两者之间。 人类的很多先验知识都来自进化，大脑并非一张白纸，相关的研究著作数不胜数。而语言模型更接近一张白纸，其初始权重都是随机的，人类的大脑却有明确的功能分区，并且与各类输入输出系统相连。因此，我们或许可以将预训练（乃至 RL ）视作介于人类进化和人类即时学习之间的过程，而模型的上下文学习，则介于人类的长期学习和短期学习之间。简单来说，学习分为进化、长期学习、短期学习和人类的即时反应等不同层级，大语言模型的各个训练阶段对应着这一谱系的不同位置，并非与人类的某一种学习模式完全对应，甚至部分模式在人类学习中找不到对应的参照，这也是大语言模型的独特之处，你能理解吗？
Dwarkesh Patel ： 我能理解，只是仍有一些地方感到困惑。比如如果将预训练类比为进化，那么样本效率低的问题就可以理解，但如果模型能通过上下文学习成为样本效率极高的智能体，那为何现在还有很多 RL 环境公司在投入大量精力，教模型使用各类 API 、 Slack 等工具？如果具备即时学习能力的智能体即将出现，甚至已经出现，这样的投入似乎显得毫无意义。
Dario Amodei ： 我无法评价其他公司的研发重点，只能说说我们的思路。 我们的目标并非通过 RL 教会模型所有技能，这和预训练的思路是一致的。预训练中，我们不会试图让模型接触所有的语言表达形式，而是通过海量数据的训练，让模型实现跨场景的泛化， GPT-1 到 GPT-2 的转变就是我亲历的典型案例。模型在训练中会达到一个关键节点，比如我曾见过这样的场景：给模型一组房屋价格和面积的数据，模型能自主识别规律并完成线性回归分析，虽然效果不算完美，但它此前从未接触过这类具体任务。我们构建 RL 环境的核心目标，和五到十年前的预训练研究是一致的：获取海量的训练数据，并非为了让模型掌握某一特定文档或技能，而是为了实现泛化能力的提升。
通用 AI 发展预判：十年高概率落地与短期技术突破信心
Dwarkesh Patel ： 你提出的这个框架逻辑很清晰，我们确实在朝着通用人工智能的方向前进。我想现在没人会否认，本世纪内我们终将实现通用人工智能。但核心分歧在于：你认为我们正接近指数增长的尾声，而另一些人则认为，技术从 2012 年起就在稳步发展，到 2035 年就能实现类人智能体。我想知道，你看到了哪些迹象，让你认为模型的进化已经复刻了人类的进化和终身学习模式，并且这一目标会在 1 年内实现，而非 10 年？
Dario Amodei ： 我可以从两个层面来回答，一个是更激进的观点，一个是相对保守的观点。先说说保守的观点： 2019 年我首次观察到模型缩放的趋势时，还心存疑虑，当时认为相关研究的成功概率只有 50% ，并提出这一技术的发展速度会远超所有人的预期，只是当时几乎没人认同这一观点。而现在，对于 “ 十年内数据中心将诞生堪比一个国家的天才智能体 ” 这一基础假说，我的信心达到了 90% 。之所以无法达到更高的概率，是因为世界充满了不可预测性，存在一些无法规避的不确定性。比如，即便信心达到 95% ，仍有可能出现各类意外：如多家公司陷入内部动荡，研发停滞等。
Dwarkesh Patel ： 那一切的发展都会被迫中断。
Dario Amodei ： 没错，我们可以设想出各种可能，有 5% 的概率让技术发展推迟 10 年，这是客观存在的。而另外 5% 的不确定性，则来自那些无法验证的任务，比如火星探测任务的规划、 CRISPR 这类基础科学发现、小说创作等。对于可验证的任务，我有十足的把握，比如代码领域，排除那些不可规避的意外，我认为 1 到 2 年内，模型就能实现端到端的代码开发，十年内实现这一目标更是毫无悬念。而对于不可验证的任务，我几乎可以确定我们有可靠的技术路径实现突破，但这也是目前唯一存在基础不确定性的领域。所以对于 “ 十年内实现目标 ” ，我有 90% 的信心，这已经是极高的概率了。如果有人说 2035 年前无法实现，在我看来这是极不理性的，在正常的认知中，这一观点也不应成为主流。
Dwarkesh Patel ： 但你对 “ 可验证性 ” 的强调，似乎暗示你认为这些模型尚未具备真正的泛化能力。要知道，人类既擅长完成可获得明确奖励的可验证任务，也能做好那些无明确奖励的不可验证任务。
Dario Amodei ： 并非如此，这也是我几乎可以确定的一点：我们已经看到模型从可验证任务到不可验证任务的显著泛化能力，这种能力已经存在了。
Dwarkesh Patel ： 但你似乎也强调，这是一个逐步发展的过程。
Dario Amodei ： 如果说存在一种模型无法实现终极突破的可能性，那就是模型能完成所有可验证任务，且其中大部分能实现泛化，但始终无法完全掌握不可验证任务的核心逻辑。这并非一个非黑即白的问题，而是一个逐步完善的过程。
Dwarkesh Patel ： 但在我看来，即便模型的泛化能力较弱，仅在一些边缘领域有所体现，也无法实现软件工程的自动化。毕竟你本身也算一名软件工程师，而软件工程的工作，不仅包括代码编写，还需要撰写承载宏大愿景的长篇备忘录。
Dario Amodei ： 我认为撰写这类备忘录并非软件工程师的核心工作，而是企业管理层的职责。但软件工程师确实需要撰写设计文档等内容，而模型在这方面的表现已经相当不错了，甚至连代码注释都写得很好。我之所以做这样的弱化表述，是为了区分两个不同的概念： 事实上，模型距离实现软件工程的自动化已经非常近了，近在咫尺。
Dwarkesh Patel ： 你是基于什么指标得出这一结论的？有一个指标是 AI 编写的代码行数，回顾软件工程的发展历史，编译器也能自动生成大量代码，但代码行数和实际的生产力提升之间存在本质差异。你所说的 “ 近在咫尺 ” ，究竟是指多大程度的生产力提升，而非单纯的代码行数增加？