Anthropic招股书丨“银行也有百亿预算”，与Fusion Fund张璐聊大企业在想什么

10 月 26 日，Anthropic 向美国证券交易委员会递交 S-1 文件，这家成立不过五年的公司第一次把财务和经营数据摊开给公众看。消息传出后，纳斯达克一位负责北美上市业务的人告诉张璐，好几家原本准备上市的公司因此推迟了时间表，其中一家做智能戒指的公司甚至在原定挂牌前一天撤回了计划。在纳斯达克历史上，这种 24 小时内取消上市的情况只发生过两次。

张璐是 Fusion Fund 创始合伙人，在硅谷投 to B 科技已经 11 年。她在 2018 年建了一个 CXO 网络，如今有来自 40 多家全球大企业的 CTO、CIO 和首席 AI 官在里面。Anthropic 的主要客群，正是这批人。这期《晚点聊》，主持人程曼祺和她从招股书聊起，一路聊到财富 500 强企业到底怎么用 AI、coding 之后还有没有下一个爆发点、以及为什么监管正在变成大企业部署 AI 的前置条件。

招股书里最让张璐印象深刻的，是客户结构的变化：年消费超过 10 万美元的客户已经有一万一千多家，其中约两千家一年花掉 100 万美元以上。Claude 已经嵌进企业的工作流程，不再是一个可替换的技术工具。而让她更谨慎的，是收入增长和资本投入之间的那条线：现金多、融资强、算力承诺大，长期能不能赚钱，还得看经营利润率和现金流。

一万一千家付费客户意味着什么 3:35

程曼祺问张璐，看完 S-1 之后，哪条信息让她更看好 Anthropic。张璐没有选收入增速，她选了客户数量。

年消费 10 万美元以上的客户超过一万一千家，接近一万两千家，其中约两千家年消费达到 100 万美元以上。张璐说，这和 Anthropic 早期客户高度集中的状态完全不同。它证明 Claude 已经和企业内部的工作流程做了比较深的整合，变成了类似基础设施的东西。客户一旦把流程跑在上面，后续增购和迭代的空间就打开了。

她把这个逻辑讲得很直白：模型性能只决定企业愿不愿意试用，能不能长期留下来、有没有高留存率，取决于产品能不能直接渗透进现有的工作流程。招股书里披露的净收入留存率达到 900%，对应的正是这种增购能力。对一家做 to B 生意的公司，这个指标比单看收入增速更能说明问题。

谨慎的一面同样明显。Anthropic 手上现金很多，过去一段时间融资能力很强，算力采购的胃口也很大。有报道提到，SpaceX 数据中心的一个大客户就是 Anthropic。张璐说她会持续关注经营利润率、现金流，以及未来在模型训练上还要投多少钱、长期算力合同会是什么预期。这些决定了公司长远的商业和盈利质量。

1.5 万亿还是 2 万亿：定价背后的博弈 8:05

市场对 Anthropic 的估值预期，从最初传出的 2 万亿美元，到 10 月中旬变成 1.5 万亿美元。张璐提到，Social Capital 的 Chamath 在和 Andreessen Horowitz 对话时建议，公司不如把上市价格定得再低一点。她自己的判断也偏向 1.5 万亿美元这个窗口，最终还要看路演和认购情况。

她的参照物是 SpaceX。当时市场对 SpaceX 的期待和环境都更好，最后也没有按最高价格上市。定价留出空间，对上市后的股价变化反而更良性。锁定期怎么设计，也和初始定价直接相关。这次招股书披露，非核心员工在上市当天就可以解禁 10% 的期权。张璐认为这会带来一定的抛压，但 Anthropic 只有 5300 多名员工，公司文化又比较特殊，员工对公司的认同度很高，真正在当天卖股票的人可能不多。如果出现这种情况，反而会向市场释放一个信号：公司内部的人对公司有信心。

程曼祺问到时机。Anthropic 增速已有放缓迹象，员工离职、AI 失控风险在美国政界被反复讨论，一些问题并没有完全解决，为什么还要在 2026 年内上市？OpenAI 则把上市时间推到了 2027 年。张璐的判断是，两家公司都想做第一个上市的公司，先发优势很明确。OpenAI 推迟，一部分是主动选择，另一部分也可能是内部准备和财务状况确实还达不到上市要求。

她还提了一个更现实的约束：市场上的钱不是取之不尽的。万亿级别的公司今年出了好几家，资本市场能支撑多少家这样的公司上市，是个问号。Anthropic 先上市，想投 AI 的资金会先流向它，后上市的公司面临的不确定性就更大。

至于开源冲击，张璐提到两周前的一份报告：大企业对闭源前沿模型的使用率从 57% 降到了 14%，更多企业转向部署开源模型。美国最大的通信运营商之一 AT&T 公开宣布，公司内部 AI 预算的六七成会放到开源部分。英伟达也在强力推动开源生态，不仅开放权重，甚至开放数据。

但张璐不认为开源崛起就意味着闭源公司受冲击。核心问题是市场整体有多大。科技行业占美国 GDP 不到 10%，而现在进行 AI 整合的是占 GDP 三成、五成的经济体，蛋糕在变大。未来切蛋糕的人会变多，开源闭源、大企业小企业一起分，而不是一两家独大。

Spark Capital 与那笔被拍卖的 FTX 股权 17:48

招股书正文里反复出现的 VC 是 Spark Capital，其合伙人 Yasmin Resoway 是董事会里唯一的 VC 代表。张璐提醒，出现次数多和贡献大小不是一回事，董事身份本身就有披露要求。但 Spark 确实投得早、投得准。

2023 年 5 月，ChatGPT 刚引发全球热潮不久，市场并没有形成「还能容得下第二家前沿模型公司」的共识，Anthropic 当时估值约 45 亿美元。再往前一轮，估值大概 30 亿美元，融资并不顺利。张璐说，Anthropic 很早就强调安全，而那时 AI 安全还不是行业的核心议题。达里奥·阿莫代伊后来提到，Yasmin 在战略上推动了把 coding 作为团队重点，这可能是她一直在董事会里发挥作用的原因。

早期融资故事里还有一段插曲：FTX 的 SBF 投过 Anthropic。张璐解释，这不完全是因为缺钱。SBF 那一群人有自己的小圈子，彼此互相支持，SBF 是其中重要成员。FTX 破产后，这部分股权被用于偿债，很多是拍卖出去的，一些投资人以打折价格买入。张璐说，如果当时没有爆雷，SBF 在 Anthropic 的这笔投资，完全能覆盖他后来需要赔付的资金。

Anthropic 什么时候成为主流共识？张璐的答案是 2023 年拿到谷歌、亚马逊等战略资本开始。这些巨头一方面布局多样化的模型，另一方面也不希望市场上只有 OpenAI 一家。2024 到 2025 年，Claude 在代码和复杂推理上的能力获得认可，加上对安全的重视，在企业部署层面赢得了信任。coding 则成为商业化的转折点。

现在看到所有的智能体里面，唯一达到这个标准的就是 AI coding。

张璐引用了李开复对 AGI 的定义：AI 能做人类 90% 的工作，并且比 90% 的人做得好。把这个范围缩小到具体应用场景，AI coding 是唯一达标的智能体。它证明前沿模型可以直接参与高价值的生产环节，而不只是提供信息。

coding 之后，Anthropic 该变成企业智能体平台 29:11

Anthropic 三季度收入对比二季度，环比增速下滑不少。程曼祺问，下一个能媲美 coding 规模和爆发速度的场景是什么。张璐的回答是：不一定再有单项产品像 coding 这么强势。

她认为 Anthropic 现在应该强化的，是整体的企业级平台，保证自己不只是模型供应商，而是企业智能体工作流程的基础设施提供方。coworker 是一个探索，企业内部用得很多，Fusion Fund 自己也在用。如果再通过 MCP 连接各种软件，形成中台效应，所有工作流程的入口都从 Claude Cowork 走，这对它在企业平台层面的地位非常关键。

程曼祺补充了一个招股书里的数据：Anthropic 把订阅收入和按量消耗的 API 收入分开披露。按量收入里大部分是编程需求，程序员习惯这种用法；订阅收入则更多来自不编程的知识工作者。2026 年上半年，按量收入同比增长 1200%，订阅收入同比增长接近 1700%。订阅增速更高，可能意味着更多非程序员在用 Claude。不过也有另一种解释：年中调整收费政策之前，订阅更划算；而且现在企业客户超过 150 人就不能走订阅，只能按量付费。官方目前没有披露编程用户和非编程用户的比例。

张璐从大企业 CIO 那里看到的用法，分两个阶段。第一阶段是 business automation，商业自动化，做效能提升和流程优化，降低成本。第二阶段是 business optimization，商业优化，直接提升公司收入。不同部门处在不同阶段，看到的 ROI 自然不一样。

她举了几个具体例子。财富 500 强里，很多公司在过去半年才设立首席 AI 官，这个职位的影响范围和战略范围都在扩大。制药行业排名前 20 的企业里，六七成把 AI 放在内部战略优先级的第一位。礼来和英伟达宣布了几十亿美元的合作，默克和谷歌 Gemini 也签了大单。美国一家非常知名的银行，首席 AI 官告诉她，今年的 AI 预算达到 100 多亿美元。一家银行有这么大的 AI 预算，是让人非常惊讶的事情。

但张璐反复强调节奏。大部分企业并不想、也不能马上改变自己的工作流程。她举了个例子：你去问保险公司想不想自建 CRM，对方说不想，就想用现在的。你要给我智能体，也得让它继续用我们现在的软件，而不是从头再编一套。所以 AI 在企业里的初步嵌入，一定是先植入现有流程，这一步可能要三五年，之后才是优化。医疗行业目前的 AI 渗透率还不到 10%，金融保险也刚起步。

成本是另一个现实问题。张璐提到一家咨询公司讲过的案例：某大企业一个月之内 Claude 的账单达到几亿美金，接近 5 亿美元，CFO 非常震惊。这个数字不可持续，企业开始找原因、做控制。各大科技公司也从最初鼓励员工多用 token，变成限制用量。

为什么金融、法律、医疗不会像 coding 一样爆发 42:00

程曼祺问，金融、法律、医疗这些知识工作，扩散速度会有多快。张璐说，coding 有几个别的场景不具备的特点：它属于科技行业，对新技术接受最快；使用频次高；任务价值高，直接产出产品；结果验证速度快；AI 能直接完成任务，而不只是给建议。

法务、金融、医疗不是这样。很多场景不能马上验证结果，也不能直接用 AI 替代律师，AI 只能提供意见。所以她希望市场有一个合理预期，不要指望什么都像 coding 一样快速爆发。

相对快的方向，她认为是企业后台智能体。财务从数据收集、整合到报告，合规、运营、销售服务、采购、库存管理，这些流程的一致性比较强，标准化程度高，适合自动化。她特别提到，企业终于意识到数据资产的重要性。2019 年她在中东的 FII 大会上就讲过，未来每个企业最重要的资产是数据资产。现在大企业做 AI 战略，核心之一就是数据战略：把沉睡的数据整合、清洁，变成能用于 AI 训练的高质量数据库。模型公司花大钱买数据，而高质量的企业级数据，很多还在传统大企业手里。

医疗是她个人看好的方向。美国医疗占 GDP 将近 20%，数据量大、质量高，应用场景多样，工作流程标准化程度也不低。她在美国最大的非营利医疗机构 CommonSpirit Health 的董事会上，今年 5 月 CTO 告诉她，旗下上千家医院和诊所可能就要开始部署 AI 智能体。体量这么大，一旦开始部署，真实世界反馈和流程跑通之后，增长空间很可观。

这些智能体来自哪里？张璐说，很多来自初创企业，也有一些机构内部部署本地化开源模型。高监管行业有法律约束，有些数据必须留在本地，只能用本地化小模型。这正好给做小模型、本地化部署、数据隐私的初创公司留出机会。英伟达强力推开源，也是希望高监管行业的客户能更快部署。

前沿模型公司自己也在往垂直走。Anthropic 开始做湿实验室，OpenAI 接连发布数学和理论科学的成果。张璐认为，数学对模型推理能力是很好的训练场，因为证明可以形式化验证，对就是对，错就是错，适合强化学习和自动化评估。她提到一个团队，一群数学家自己生成数据，被 OpenAI 这类公司高价买走，因为这些数据对推理能力最有价值。

AI for Science 还有一层意义：ChatGPT 是在总结已有知识，而科学研究更重要的是提出问题。AI 如果能提出新的、可验证的科学问题，产生的就是新知识。这短期不一定贡献收入，长期对模型能力和技术路径探索很重要。

不过她对药物发现有一个不同看法。AI 能把过去只能发现两三个 target 变成发现几百个，但 target 不等于药，还要做临床试验。药物研发最大的成本在临床，发现更多 target 反而可能意味着更大的临床投入，成功率也不一定更高。她更看好用 AI 提高临床成功率：从三五百个 target 里挑出临床成功率最高的两三个。Fusion Fund 投的一家公司用 AI 做细胞疗法的垂直模型，做人体细胞的数字孪生，最近和诺和诺德在帕金森适应症上达成合作。

长期算力承诺与中腰部公司的 GPU 转租 59:28

招股书披露了 Anthropic 大规模的长期算力投入承诺，引发了对算力需求持续性的讨论。程曼祺提到一个现象：硅谷一些中腰部明星独角兽和云厂商签了 3 到 5 年长协，但需求确定性不如 OpenAI 和 Anthropic，已经有人因需求不及预期，开始打折转租算力。

张璐确认这种现象个别存在。她同时说，现在和 Nebula、Together AI 这些算力服务商聊，今年的算力基本都卖完了，要等明年。需要做预训练、后训练的公司都还缺算力。中腰部公司的问题是长约三年起，中间出问题就会有算力释放出来。去年底已经出现过一波算力突然充裕，今年初又马上紧缺，周期性很明显。SpaceX 卖算力很贵，允许签一年短约，但价格直接翻倍，算下来还不如签三年。

她判断，即使这些公司把算力全部释放，也不会对市场形成挤压，因为需求太大。而且 GPU 算力不是标准化、同质化的商品。不同 GPU、不同网络架构、不同数据中心位置，对应不同的 AI 工作流程。现在 H100 能订到，但大部分公司想要的是 B300 和 H200。训练需要大规模、高带宽、低延时；推理是分布式的，可以分散到不同区域、不同类别的 GPU 上。

算力需求增长和算力资产价格下跌，可以同时发生。整个产业消耗的计算量在增加，但某一代 GPU 的租赁价格在持续下跌。对倒卖旧 GPU 的公司不是好消息，对英伟达这样的厂商需求依然强劲。做推理降本、异构芯片架构、分布式计算、端侧计算的公司，会有新机会。

监管成了大企业部署 AI 的前提 1:08:05

节目最后，程曼祺问张璐最近在思考什么重要但答案还不清晰的问题。她说是 AI 监管。

她刚参加完联合国和 ITU 办的 AI for Good Commission 董事会，讨论了两个多小时。以前监管像是部署之后再考虑的话题，现在 Physical AI 让问题变得紧迫。语言模型出现幻觉，答案错了笑一笑就过去了；Physical AI 出问题，可能伤及人的生命。她认识的一些产业龙头企业的 CTO 很着急，一定要先把监管的技术解决方案做进去，才敢进行大规模的非结构化 AI 部署。医疗也一样，不只使用语言模型。

监管本身极其复杂。要考虑未来技术发展的方向，不只是现在的技术；要跨区域、跨产业合作；还要回答一个根本问题：是做产业独立的监管，还是跨产业的标准化的监管。企业界、政界、商业界都在急着找方案。张璐说，这既是机会也是挑战，希望更多创业者、企业家和资本方关注这个方向。

需求，需求，需求 1:10:35

节目结尾，程曼祺总结了两期节目的共同点：两位投资人最关注的都是需求端。张璐的观察是中性偏积极的。她看到大企业之间的竞争心态：一个行业只要有一家公司有了明确或激进的 AI 战略，对手跟进的速度就很快。美国很多非上市的大型家族企业，董事会小、不担心股价、现金多，几年前就开始几十亿美元地投 AI 和自动化，灵活度很高。

她也看到，服务 coding 之外更多企业的机会，不一定属于前沿模型公司。市场不会几家独大，尤其在企业市场。AI 要深入财富 500 强的流程，要经过自动化和优化两个环节，时间不会像 coding 那样一年内爆发。对一级市场投资人，这是好消息：机会还有很多，不会被 Anthropic 和 OpenAI 全部吃掉。

给读者的判断可以落在这几点上。看 AI 公司，别只看模型跑分，看客户结构和净收入留存率，看它有没有嵌进流程。看企业 AI 预算，别只看科技行业，银行、制药、保险的预算规模可能超出直觉，但兑现节奏要以年为单位。看创业机会，高监管行业的垂直应用、企业后台智能体、推理降本和本地化部署，是前沿模型公司不容易吃掉的缝隙。看风险，算力长协和 GPU 转租的周期性、监管政策的不确定性，都会影响未来两三年的节奏。需求的方向是确定的，不确定的是它走多快。