KeyFrame內部研究專用

The Hidden Reason Anthropic Wants to Slow Down AI

The Infographics Show·6月19日週五·15 min英文

三句話摘要

Anthropic 以「負責任擴展」為名呼籲全球放緩 AI 發展,但此舉與其天價 IPO 時機高度吻合,外界質疑這是將商業利益包裝成安全倡議的策略操作。 當一家公司在 IPO 前夕以「安全」為由呼籲全球放緩競爭,而自身技術正以每 4 個月翻倍的速度加速,這份呼籲本身就是最強大的競爭武器。 安全倡議與商業利益的矛盾:Anthropic 在 IPO 前夕發布 AI 失控警告,呼籲全球同步暫停,但條件是「所有主要實驗室同時同意」——這個幾乎不可能達成的條件,確保了自身在等待期間繼續加速開發,同時讓競爭對手在輿論壓力下受到制約。

重點整理

重點
  • 1

    安全倡議與商業利益的矛盾:Anthropic 在 IPO 前夕發布 AI 失控警告,呼籲全球同步暫停,但條件是「所有主要實驗室同時同意」——這個幾乎不可能達成的條件,確保了自身在等待期間繼續加速開發,同時讓競爭對手在輿論壓力下受到制約。

  • 2

    AI 自我複製代碼的加速臨界點:2025 年 2 月 Claude Code 推出前,AI 撰寫的代碼占比僅個位數;15 個月後已超過 80%。Jack Clark 公開預測 2028 年將達到 100%。Claude 在 2026 年 4 月單月完成超過 800 項修復,將某類系統錯誤降低 1000 倍,這是人類團隊可能需要數年才能完成的工作量。

  • 3

    監管即護城河:Anthropic 的「負責任擴展政策」定義了「能力門檻」,一旦被採納為行業標準,只有最頂層的實驗室能通過測試、承擔合規成本。Meta 首席科學家 Yann LeCun 與 AI 顧問 David Sacks 均直接指控 Anthropic 利用恐懼敘事塑造對自身有利的監管環境,將較小的競爭者排除在外。

  • 4

    勞動市場衝擊已不可逆:即使今日停止訓練所有新模型,現有工具仍在運作。初階工程職位已大幅萎縮,整個產業入門階梯正在消失,而這個趨勢在「暫停」發生之前就已無法回頭。

實用技巧與重點

乾貨
  • 融資時間軸:2026 年 5 月 28 日完成第八輪融資,投資方為 Altimeter、Dragoneer、Greenoaks、Sequoia,估值約 1 兆美元
  • 警告報告:2026 年 6 月 4 日發布《When AI builds itself》,作者為 Marina Favaro(Anthropic Institute 負責人)與聯合創辦人 Jack Clark
  • 代碼占比:2025 年 2 月 Claude Code 上線前 → 低個位數;2026 年 5 月 → 超過 80%;2028 年目標 → 100%
  • 工程師產能:採用 Claude Code 後,工程師每日代碼產出量為 2024 年的 8 倍
  • METR 研究數據:AI 自主完成任務的能力,從 2019 年起每 7 個月翻倍;2023 年後加速至每 4 個月翻倍;若此趨勢維持,AI Agent 可於 2027 年完成長達一個月的任務
  • Claude 修復成果(2026 年 4 月):單月完成 800+ 項修復,特定系統錯誤降低 1000 倍
  • Anthropic 營收:2025 年底約 90 億美元 → 2026 年 5 月 470 億美元;華爾街日報預測再成長 130% 後將首次轉盈
  • 估值變化:2025 年 9 月 1830 億美元 → 2026 年 5 月 9650 億美元(單季翻倍以上)
  • 加州 SB 1047 法案:針對訓練成本超過 1 億美元的模型;違規罰款從訓練費用的 10% 起,累犯達 30%;2024 年 9 月遭 Gavin Newsom 否決
  • 就業數據(Stanford Digital Economy Lab):22-25 歲程式設計師職缺較 2022 年高峰下跌近 20%;30 歲以上同類職位仍成長
  • 科技業裁員:2026 年初已逾 14 萬人,較 2025 年同期高出 40%
  • Salesforce:凍結初階工程師招聘一整年
  • Google、Meta:2026 年新鮮人招聘量約為 2021 年的一半
  • Meta LLaMA:累計下載量達數億次

結論

結論

當一家公司在 IPO 前夕以「安全」為由呼籲全球放緩競爭,而自身技術正以每 4 個月翻倍的速度加速,這份呼籲本身就是最強大的競爭武器。

完整解析

詳細

2026 年 5 月底到 6 月初的短短一週,Anthropic 完成了一系列讓整個 AI 產業陷入爭議的動作:先以 1 兆美元估值完成第八輪私募融資,隨即向監管機構申報 IPO 計畫,而就在三天後,公司聯合創辦人 Jack Clark 與 Anthropic Institute 負責人 Marina Favaro 共同發布報告《When AI builds itself》,警告 AI 系統已接近能夠自我改進的臨界點,並呼籲各國政府協調放緩整個產業的發展速度。對部分人來說,這是負責任的自我約束;對另一部分人來說,這是將商業護城河包裝成安全倡議的精準操作。

要理解這個指控為何有說服力,必須先看 Anthropic 自身的技術數據。2025 年 2 月 Claude Code 推出之前,AI 撰寫的代碼在公司內部僅占極少數;到 2026 年 5 月,這個比例已超過 80%,工程師的每日代碼產出量也提升至 2024 年的 8 倍。Jack Clark 公開宣稱公司相信 2028 年可達到 100% 由 AI 撰寫代碼。在此背景下,工程師的角色已從創作者轉變為審查者——技能重心從「打字速度」轉移到「閱讀理解速度」。2026 年 4 月,Claude 在單一個月內完成超過 800 項修復,將特定類別的系統錯誤降低了 1000 倍,相當於人類團隊數年的工作量。這正是 Anthropic 警告「即將失控」的那個技術,同時也是它賴以擊敗對手的核心優勢。

Anthropic 的「負責任擴展政策(RSP)」早在 2024 年 10 月便已訂定「能力門檻(Capability Thresholds)」,列出包括化學、生物、核武協助,以及「自主 AI 研究與開發」在內的觸發條件。一旦模型逼近這些門檻,政策要求強化測試與安全措施,而非停止研發。批評者指出,若此類政策被採納為全球標準,只有擁有深口袋的頂層實驗室才能承擔合規成本——加州 SB 1047 法案的失敗案例已提供了預演:該法案對訓練成本超過 1 億美元的模型課以 10-30% 的罰款,對 1 兆美元估值的公司而言不痛不癢,對新創而言卻可能是滅頂之災。Meta 首席科學家 Yann LeCun 直接批評 AI 安全論述誇大風險、誤導監管走向;白宮 AI 顧問 David Sacks 也指控 Anthropic 以風險恐懼塑造對自身有利的法規環境。更關鍵的是,Anthropic 自己也承認,真正的全球暫停需要美中等主要 AI 強國共同執行,這在地緣政治現實中幾乎不可能發生——這意味著「呼籲暫停」的聲明根本不需要兌現,卻能持續製造輿論壓力。

這場爭議的外溢效應早已衝擊普通勞動者。根據 Stanford Digital Economy Lab 的追蹤數據,22-25 歲的初階程式設計師職缺相較 2022 年高峰已下跌近 20%,而 Salesforce 凍結初階工程師招聘一整年、Google 與 Meta 的應屆畢業生錄取量降至 2021 年的一半、2026 年初科技業裁員已逾 14 萬人,較去年同期高出 40%。這些衝擊不會因為「暫停訓練新模型」而消失,因為現有工具已在數千家公司的系統內持續運作。無論監管走向何方,AI 已在重塑勞動市場的過程中留下了無法撤銷的印記。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。