編輯 | 伊風

出品 | 51CTO技術棧（微信號：blog51cto）

Claude Code 為什么能在市場上戰勝 Cursor？

對于創業者來說，如何在 API 之上構建自己的產品，又不擔心被大模型干掉？

在最新一期播客里，Anthropic 聯合創始人 Tom Brown 分享了 Claude Code 的成長故事。

這款最初只是工程師 Boris Cherny 為了方便自己和團隊寫的內部工具，如今卻成長為一款年化營收約 4 億美元的 AI 編程明星。

“我們的轉折點在于：把 Claude 本身當作用戶來設計工具。就像我早期做社交應用 Grouper 時，用戶是紐約的年輕單身群體；現在的用戶是開發者，同時也是 Claude 自己。”

Tom 總結說，Claude Code 和 MCP 的成功，都源于這種“模型中心化”的視角。

這是一個值得AI創業者深挖的方向：為模型作為“用戶”去開發工具。

從本質上看，Claude Code 是在賦能模型，讓 Claude 成為一個靠譜的“結對編程伙伴”或“初級工程師”。

而如果放眼整個商業社會，編程只是無數任務的一小部分。未來，如何去“教練”Claude 或其他模型，幫它們勝任更多企業工作場景，依然有著巨大的空間。

除了講述 Claude Code 的起源，Tom 還分享了許多幕后故事：

• 自學六個月轉向AI研究：作為GPT-3團隊的AI老將，Tom自曝線性代數才得了AC+，靠著六個月的AI自學計劃，他主動私信總裁哥Greg表示愿從打雜做起，最后成功入職了OpenAI 工作。
• 堅決不搞刷榜：不同于其他AI實驗室，Claude 沒有專門給“基準測試”刷分的團隊。他們注重的是在內部基準上的進步，但這些benchmark不會對外發布。
• 算力擴張：Anthropic正處在人類史上最大規模的基礎設施建設進程中，算力投入幾乎每年增長 3 倍。
• 人格設計：團隊希望 Claude 成為一個“優秀的世界旅行者”，能和不同背景的人交流，讓對話對象都覺得愉快。
• 文化根基：Anthropic 已擴張至 2000 名員工，卻依舊高效、少“政治內耗”，關鍵在于最初 100 名員工都因使命而來。

以下是經過整理的播客內容，enjoy：

1.不做大廠螺絲釘，去創業公司當一只“狼”

主持人Garry Tan

歡迎回到《The Light Cone》的新一期。今天我們請到一位特別的嘉賓——Anthropic 聯合創始人 Tom Brown。

聯創Tom Brown

很高興能來。

主持人Garry Tan

Tom，很多觀眾都想知道，你 21 歲剛從 MIT 畢業就進入科技行業。怎么從 2009 年的那個起點，一路走到今天，參與到像 Anthropic 這樣重要的公司？

聯創Tom Brown

2009 年夏天，我的兩個朋友創建了 Linked Language。他們當時看到我們另一位朋友 Kyle 做了一家 YC 公司，所以覺得這是可以嘗試的路徑。他們先開始了，我當時是第一個員工。你們那會兒也讓我一起參加晚餐啥的。我本來也可以去大廠當軟件工程師，可能那樣會學到更多純粹的工程技能。但選擇加入創業公司，沒有人告訴你該做什么，我們必須自己去摸索——否則公司會“自然死亡”。

在學校時，我的感覺是有人分配任務，我去完成，就像小狗等著有人把食物放進碗里。而在那家公司，更像是一群狼——必須自己去獵食，否則孩子們會餓死。我覺得這種心態的轉變，是我嘗試去做更大、更激動人心事情時最寶貴的財富。

主持人Garry Tan

是啊，大公司只會教你如何在大公司工作，而做“狼”要有意思多了。

聯創Tom Brown

對。

主持人Harj Taggar

那你是怎么從在朋友創業公司工作，到自己開創公司呢？

聯創Tom Brown

Linked 后來我們運營了一陣，我又回去讀書。之后離開學校時加入了一家叫 Mopo 的公司。

主持人Harj Taggar

是做廣告的。

聯創Tom Brown

對，我是第一位工程師。我那時很想當一只“狼”，但編程水平其實很掙扎。我知道自己想做更多事，但不知道怎么做。那段經歷算是讓我見識了怎么把東西做規模化。

 2012 年冬天，我大學里最聰明的一個朋友拉我一起去做 YC 公司。我們當時做的是 Solid Stage，那是在 Docker 出現之前，目標是簡化 DevOps。說白了就是做一個比 Heroku 更靈活的東西——但其實就意味著更復雜的 Heroku。我記得我們來你們這兒面試時，評審們其實也不太明白我們要做啥，說實話我們自己也沒完全搞明白。

主持人Garry Tan

在嘗試新事物時，這其實很常見。

聯創Tom Brown

對，但我們算是比較特殊。面完試后我們開車回舊金山時，TLB 在白板上寫了一個憤怒的皺眉表情，還問：你們到底要做什么？于是我們又去解釋。也許我們解釋得還行，或者他覺得我們雖然還不懂，但可能會慢慢搞明白。只是做到一半，我還是覺得不清楚我們到底要造什么，以及怎么把使命和它綁定起來，所以最后我選擇離開。PG 把我介紹給了 Michael Waxman。

主持人Harj Taggar

他是 Grouper 的創始人之一。

主持人Garry Tan

對，Grouper 是個交友應用，但很特別——不是一對一，而是“三男三女”組隊。這還是在 AI 興起前，匹配完全靠人工。大家見面去酒吧，結果就很熱鬧。

聯創Tom Brown

對，總會鬧出動靜，但不一定每次都開心。我自己上過幾次組。Grouper 吸引我的原因很個人：我以前是個非常社恐的孩子，我想要一個方式，能讓我和朋友一起去社交，尤其是能和女生說話，而且是安全的氛圍。那時招聘員工也很關鍵，我負責所有工程面試。順便說一下，唯一比我去 Grouper 還頻繁的人是 Greg Brockman。他當時好像每周都去一次，還會在 Slack 或 HipChat 上發帖。

主持人Harj Taggar

那時候他常常在外面跑吧？

聯創Tom Brown

是的，他那會兒在 Stripe，也可能在 Recur，但他確實有個階段，每周都會發“我又去 Grouper 了”。所以我和 Greg 關系變近，這后來成了我和 OpenAI 的聯系點。

2.轉型做AI，進OpenAI九個月都沒碰機器學習

主持人Diana Hu

所以，你從 MIT CS 畢業后，21 歲起步，一路在這些 YC 公司當早期員工，后來自己創業，幾年后又加入新公司。能不能說說最后是怎么走到 Anthropic 的？這條路徑很長，但也很厲害。

主持人Garry Tan

聽起來跟 Greg 的那次結識是個關鍵節點。后來你成了 OpenAI 前二十幾個員工之一，對吧？

聯創Tom Brown

是的。我 2014 年 6 月離開 Grouper，大約一年后加入了 OpenAI。

我當時鼓起勇氣想要轉型，嘗試去學習 AI 研究。我覺得，也許在我們有生之年會誕生“變革性的 AI”，如果真發生了，那將是最重要的事。或許我也能幫上點忙。但另一方面，我大學線性代數才拿了個 AB-，所以當時覺得，能參與 AI 研究的人必須是頂尖天才，我很不確定自己到底能不能幫上什么忙。加上我在創業上也算有些成功，所以內心也常想：與其重新學習，不如再去做一家創業公司算了。

主持人Harj Taggar

我感覺在那個時期，去做 AI 研究并不被視為一件“嚴肅的事”。當時大家都在創業、做一些非常務實的東西。你的朋友們會覺得“哇，很酷啊，你要去搞 AI”嗎？

聯創Tom Brown

其實不是，我的朋友們大多覺得“聽上去很奇怪，甚至不太好”。就像他們覺得“AI 安全”聽起來不靠譜，差不多等于“火星人口過剩”那種話題。他們也懷疑我能不能勝任。所以那段時間我一直搖擺不定，差不多花了六個月才鼓起勇氣。

主持人Harj Taggar

那你當時具體在做什么？比如說，你在讀研究論文嗎？

聯創Tom Brown

是啊，最開始其實我只是閑逛。我還搞了輛藝術車，參加了 Burning Man（“泰坦尼克號”主題車）。

對，那段時間我花了一個夏天，大概三個月。因為在 Grouper 后期，我已經非常疲憊了。創業公司的高潮很高，但低谷也很低。我們業務不成功，營收在下滑，但我的主要工作還是招聘工程師——讓我推銷一個我自己都不再相信的愿景。

主持人Garry Tan

聽起來就像“死亡行軍”。

聯創Tom Brown

是的，所以我真的身心俱疲。于是我告訴自己：“Tom，放松一下，去練練瑜伽，做點 CrossFit，造輛藝術車。”

主持人Garry Tan

那回頭看 Grouper，你會怎么總結？當時吸引了那么多聰明人，一開始增長很快，但后來停滯甚至下滑，到底出了什么問題？

聯創Tom Brown

我覺得一開始，我們的競爭對手是 OkCupid。

主持人Garry Tan

全都是網頁版。

聯創Tom Brown

對，都是網頁式的。我們要解決的主要問題是：主動去和陌生人搭話很難，很可能被拒絕，被認為奇怪。我們通過“盲配”來解決這個問題。但在 Grouper 運營期間，Tinder 出現了。Tinder 解決了同樣的問題，但方式更好：雙方都要先表示有興趣，才會匹配，這樣就不用擔心被拒絕了。那確實是一個更好的解決方案。Tinder 做得很棒，“刷屏黨”們也做得很棒，他們比我們更好地解決了我們試圖解決的那個問題。

主持人Harj Taggar

那你后來是什么時候，真正認真對待 AI 的？

聯創Tom Brown

我大概玩了三個月，做些有趣的事，然后錢也花完了，生活費不夠了。我想，要想有機會拿到 AI 相關的工作，至少需要六個月的自學。那時候能去的地方就是 DeepMind、Google Brain，還有 MIRI。這三個是我考慮的目標。但我完全沒有技能，所以我給自己定了六個月自學的計劃，不想成為團隊的拖累，而是能真正幫上忙。

主持人Diana Hu

那你能具體說說自學的過程嗎？因為現在也有很多 20 多歲的軟件工程師想轉型做 AI 研究。那六個月你是怎么安排的？畢竟你之前說過線性代數才 AB-。

聯創Tom Brown

可能是 AC+ 吧（笑）。

主持人Diana Hu

那也挺不錯的。

聯創Tom Brown

最后結果還行。我先接了 Twitch 的合同工，賺到夠支撐六個月的資金。做了三個月合同工之后，我就開始計劃自學。我不覺得這套方法現在還合適，但在 2015 年，大概是這樣：先上一門 Coursera 的機器學習課程，嘗試做一些 Kaggle 項目，讀《Linear Algebra Done Right》，還準備了一本統計學教材。那時候 YC 校友有優惠，我就買了張 GPU 卡，然后遠程 SSH 上去跑這些課程。

主持人Diana Hu

這已經是在 AlexNet 之后了吧？

聯創Tom Brown

對，AlexNet 之后。所以我主要學的是圖像分類，基本就是課程會教的那些內容。

主持人Diana Hu

那你是怎么拿到 OpenAI 的工作的？畢竟當時大多數都是研究員，團隊很強，而你是少數工程師之一。

聯創Tom Brown

OpenAI 一宣布成立，我就給 Greg 發消息說：“我很想幫忙。雖然線性代數才 AB-，但我有一些工程經驗，做過分布式系統。如果需要的話，我甚至可以打雜。我只想參與。” Greg 回我說：“是的，目前懂機器學習又懂分布式系統的人才太少了（他還用了個詞 paucity，挺高大上的），你正好合適。”

他還把我介紹給 Peter Abbeel，幫我制定了一些學習計劃。我大概每個月都和 Greg 聯系一下。幾個月后，他說：“我們有個項目，需要做一個 StarCraft 環境。”于是我就加入幫忙搭建 StarCraft 環境。基本上我在 OpenAI 的前九個月都沒有做機器學習的工作。

主持人Harj Taggar

那當時的 OpenAI 是什么樣的？拿到融資了嗎？有辦公室嗎？感覺更像是創業公司嗎？

聯創Tom Brown

所以當時是在 Dandelion Chocolate 工廠樓上的辦公室。那是在 Greg 公寓之后。

主持人Diana Hu

對，Greg 公寓之后。

聯創Tom Brown

對，就在 Greg 公寓之后，搬到巧克力工廠那邊。那時 OpenAI 啟動，Elon 已經承諾了 10 億美元的資金，感覺非常穩。

3.參與訓練 GPT-3狂堆算力，全力押中Scaling Law

主持人Diana Hu

對你來說，另一個重要的里程碑是參與構建 GPT 的訓練工程。

聯創Tom Brown

是的。

主持人Diana Hu

能具體說說嗎？GPT-2 的突破點是用 GPU 訓練，而 GPT-3 的關鍵是“用更多算力+GPU 擴展規模”。

聯創Tom Brown

沒錯。我在 OpenAI 干了一年后離開，去 Google Brain 干了一年，再回到 OpenAI。2018 到 2019 年，就是 GPT-3 的醞釀期，正如你說的，核心就是擴大規模。我記得 Dario 當時已經看到了“Scaling Law（規模定律）”的大趨勢。

主持人Diana Hu

你們還發表了那篇論文，對吧？那篇論文后來被證明非常有分量。

聯創Tom Brown

是的。當時最打動我的，就是這條直線：只要用對配方，花更多算力，就能得到更強的智能。那讓我覺得：這不是未來的事，而是正在發生的事。即便那時我們花的錢并不算多，但趨勢已經很清楚了。同時，Jared Kaplan 和 Sam McCandlish 的論文也顯示，算法效率的提升會讓成本不斷下降。這兩方面疊加，我當時的想法就是：未來幾年智能會大幅提升。

主持人Garry Tan

當時看到這一點，確實很驚訝吧。

聯創Tom Brown

對。我不是物理學家，但當時那些物理學家做出的那條“直線”，橫跨 12 個數量級。我從沒見過任何現象能跨 12 個數量級還這么穩定。這讓我徹底相信必須把工作重心轉向 Scaling。

主持人Garry Tan

我問個外行問題：這種“規模定律”，是不是可能在很多領域都會出現？比如還有 2 個、5 個、1 萬個領域，我們只是還沒投入？

聯創Tom Brown

在物理學里，規模定律到處都是。當時我并不知道，但后來才知道，物理學有個叫“現象學（Phenomenology）”的領域，就是在不同場景里擬合這些規律，他們發現冪律分布無處不在。而這大概是我第一次在計算機科學相關的研究里看到類似的規律，所以讓我既驚訝又興奮。

主持人Garry Tan

當時也有人很反對，覺得就是在浪費錢，往 GPU 里砸錢。

聯創Tom Brown

對，當時很多研究人員也不滿，覺得不夠優雅，只是“蠻力疊層數”。但我覺得這反而就是 Anthropic 的口號：去做那個笨但有效的事（do the stupid thing that works）。而 Scaling 當時就是這樣一個“笨但有效”的方案。

4.直到 Claude 3.5上線，才意識到公司做成了

主持人Diana Hu

那你怎么收集最后一顆“無限寶石”的？就是加入 Anthropic。

聯創Tom Brown

對，Anthropic。

主持人Diana Hu

全世界其實沒幾個人在 OpenAI、DeepMind 和 Anthropic 都工作過。你們是 GPT-3 團隊分裂出來的一部分，最后創辦了 Anthropic。這個轉折是怎么發生的？

聯創Tom Brown

當時有兩個團隊，分別是安全組（safety org）和規模組（scaling org），都向 Dario 和 Daniela 匯報。

我們彼此的合作非常默契。當時在 OpenAI 和后來 Anthropic，有一點我特別喜歡：我們要求一切溝通都在 Slack 上，公開頻道，透明溝通。而且這個團隊是最認真對待 Scaling Law 的人。他們意識到這將是“變革性的 AI”，未來人類遲早要把控制權交給這種系統。最好是它能和人類對齊，過渡順利，但也可能不順利，風險極大。所以我們覺得必須嚴肅對待，要建立一個能承擔這種責任的機構。

最后正是這批人成為了 Anthropic 的核心。坦白說，當時我并不確定這是對世界最正確的選擇。但現在回頭看，這確實是個好決定。有趣的是，剛起步時我們一點也不像會成功。OpenAI 有 10 億美元和明星團隊，而我們只有 7 個聯合創始人，在疫情期間硬撐著做事，不知道產品能不能做出來。但吸引我的一點是，最初加入的人全都是奔著使命來的。他們本可以去更有名、更賺錢的地方。

主持人Harj Taggar

保持開放？

聯創Tom Brown

沒錯，正是這種使命感，成為我們文化的核心。如今 Anthropic 已經有 2000 人了，但依然沒被政治內耗侵蝕。我認為關鍵就在于，前 100 個人都是為了使命而來。如果有什么偏離使命的跡象，他們會第一時間站出來提醒。

主持人Jared Friedman

說回 Anthropic 的早期吧。你們七個人從 OpenAI 出走，大概有一個長期使命，就是“不要毀滅人類”。但在最初那一年里，你們實際上在做什么？又是怎么收斂到一個真正的產品的？

聯創Tom Brown

第一年我主要做的兩件事：一是搭建訓練所需的基礎設施，二是搞到訓練模型所需的算力。這是我兩個核心項目。當然，還有創業公司初期那些雜事，比如設 Brex 賬戶之類的。我們最初只有 7 個聯合創始人，但幾個月內大概有 25 個來自 OpenAI 的人陸續加入，所以很快就成了一支已經熟悉彼此合作的隊伍，這讓我們能更快跑起來。

主持人Jared Friedman

那你們是什么時候真正發布第一個產品？什么時候開始覺得事情在運轉了？

聯創Tom Brown

我們第一個產品其實是在 ChatGPT 之后。大概在 ChatGPT 發布前 9 個月，我們做了一個 Slack 版的 Claude 1。

主持人Garry Tan

對對，我記得在 YC 的 Slack 里就用過。

聯創Tom Brown

對，我記得 Tom Blofield 把你們都加進去了。不過當時我們并不確定要不要把它真正當作產品發布，我們不確定這樣做對世界是否是好事。那時我們對“如何產生正向影響”的理論還沒想清楚。再加上，即使想發布，我們也沒有相應的服務基礎設施。因為拿不準，我們遲遲沒去搭建那部分基礎設施，這對我來說是一個教訓。

主持人Garry Tan

當時 ChatGPT 還沒上線。

聯創Tom Brown

對，還沒上線，所以我們也不知道它會掀起這么大的浪潮。

主持人Diana Hu

那是疫情期間，大概 2022 年？

聯創Tom Brown

對，2022 年夏天。然后 ChatGPT 在 2022 年秋天上線，我們之后才發布 API，后來才有 Claude AI。其實直到 Claude 3.5 和編程能力出來之前，一直都不太確定我們會不會是一家真正能成功的公司。

主持人Diana Hu

我們其實在 YC 創業公司里看得很清楚。2023 年，幾乎所有創業公司默認用的都是 OpenAI。但到了 2024 年情況開始轉變，Claude 3.5，尤其是 Sonnet，逐漸獲得市場份額，從個位數到 20%、30%。尤其在編程領域，Claude 成了默認選擇，這點非常有趣。你能說說為什么在編程上會出現這種突出的表現嗎？

主持人Garry Tan

現在可能已經是 80%、甚至 90% 了，編程領域甚至更高。

5.不搞刷榜：“我們完全忽略這些外部基準測試”

主持人Diana Hu

特別是 Claude Code。當時這是你們刻意布局的嗎，還是自然發生的？

聯創Tom Brown

我們確實在訓練里投入更多，讓模型在編程上表現更好。一開始只是想讓模型在編程上能用。但看到外界的反響后，我們決定更大力地投入。

主持人Jared Friedman

所以在 3.5 Sonnet 之前，你們其實就已經押注了編程，等 3.5 出來有了明顯的產品市場契合度，就進一步加碼。

聯創Tom Brown

對，這其實源于公司內部一些人很早就堅持要做編程能力。等到 3.5 Sonnet 出來后，我們終于看到了強烈的市場信號，于是更堅定了方向。

主持人Jared Friedman

那你們發布 3.5 Sonnet 的那一天，是否知道自己抓到了一個“關鍵轉折點”？還是像 OpenAI 推出 ChatGPT 那樣，也有點被它意外的爆發力嚇到了？

聯創Tom Brown

老實說，我們也沒預料到。真希望當時能更有遠見。但它的確讓我們很意外。之后 3.7 Sonnet 在“代理+編程”上的表現也再次讓我們吃驚。很多東西我們都是快速推出，往往不知道最終結果會怎樣。

主持人Diana Hu

這其實也催生了很多基于 Sonnet 的編程代理創業公司。比如 Replica，10 個月就做到 1 億美元規模；還有 Cursor 之類的案例。

聯創Tom Brown

是的，這些都讓我很意外。而且我自己在用 Claude 的時候，也常常被它的能力驚到。幾乎每次新版本都會解鎖出一些新能力。

比如有個朋友手上只有某個工具的編譯二進制，沒有源碼。她問 Claude 能不能反編譯。Claude 運算了 10 分鐘，就生成了一個 C 語言版本，變量名都補上了。她說，自己要花三天時間才能手動對著十六進制表一點點寫代碼，而 Claude 一次性完成了。

所以我覺得我們還會不斷被它的能力驚訝到。Claude 已經把所有十六進制表背下來了，還能嘗試去推理，所以未來肯定還會出現更多讓人意想不到的場景。

主持人Jared Friedman  

如果你去問 YC 的創業者們，絕大多數在編程方面更喜歡用 Anthropic 的模型。這個差距遠遠超出單看基準測試結果能預測的程度。

聯創Tom Brown

是的。

主持人Jared Friedman

似乎有某種“X 因素”，讓大家特別喜歡用 Claude 來寫代碼。你知道那是什么嗎？是你們有意設計的，還是模型自己在黑箱里意外長出來的？

聯創Tom Brown

我覺得主要原因在于基準測試（benchmarks）。基準測試很容易“刷分”。其他大實驗室都有專門的團隊，工作就是讓模型在基準測試上拿高分。但我們沒有這樣的團隊。我覺得這可能是最大的差別。

主持人Garry Tan

不“為考試而教”。

聯創Tom Brown

對，我們不專門去訓練模型刷榜。我覺得那樣會帶來很糟糕的激勵機制。你甚至可以把這種“刷榜團隊”放到市場部下面，但我們選擇完全忽略這些外部基準測試。這也是為什么會出現“訓練/測試不匹配”。

主持人Diana Hu

所以你們的評估更偏向內部的定性？

聯創Tom Brown

我們有內部基準測試，但不會對外發布。

主持人Jared Friedman

那團隊重點提升的，確實是這些內部基準？

聯創Tom Brown

沒錯。我們團隊會針對內部基準持續改進。同時還有很多實用任務，比如讓我們自己的工程師提效，這是頭等大事。所以我們內部會大量“自用測試”（dogfooding），確保模型真的幫到我們的人。

主持人Garry Tan 

再說回 Golden Gate Claude，大家普遍覺得 Claude 的可解釋性做得不錯，還有就是它的人格特質讓人感覺更好。你們怎么同時做到量化評估，又能打造出這種“人格”？

聯創Tom Brown  

評估“人格”確實比較難，比如怎么判斷 Claude 是否“有一顆善良的心”。但這正是 Amanda Askell 團隊的使命。她的描述是：Claude 要像一個“優秀的世界旅行者”，能和各種背景的人交流，每個人在對話后都覺得舒服、愉快。至于可解釋性，那是一個長期下注。現在模型還不可怕，但未來會變得更強、更“嚇人”，那時就必須能看懂它內部到底在做什么。

6.Claude Code 從內部走出去：“模型中心化”是成功關鍵

主持人Harj Taggar

最近 Claude Code 特別成功。能說說這個項目最初是怎么開始的嗎？你們一開始就覺得它會成功嗎？

聯創Tom Brown

Claude Code 起初是 Anthropic 內部工具，目的是幫我們自己的工程師。最早是 Boris 拼湊出來的。

主持人Harj Taggar

所以是內部工程師自發做的？

聯創Tom Brown

對，他為自己和其他工程師寫的。我們當時完全沒預料到它能在外部市場也成功。其實那時我們內部的策略是：押注 API，而不是自己做應用。因為我們覺得外面有那么多創業者，有更好的點子，比我們更懂怎么做產品，所以我們專注于把 API 打磨到最好。但 Claude Code 出乎意料，證明我們也能做出比外部產品更好的東西。我的一個看法是，這部分成功來自于心態轉變：我們把 Claude 本身當成用戶去設計工具，就像 Grouper 時我們的“用戶”是紐約的年輕單身群體。現在的用戶是開發者，但也是 Claude 本身。給 Claude 提供合適的工具和上下文，它才能真正高效工作。這個團隊是最重視 Claude 作為“用戶”的團隊。

主持人Jared Friedman

所以你們比任何人都更懂 Claude。

聯創Tom Brown

是的。但我也覺得，創業者同樣能做到這一點。這是一個很值得挖掘的方向：以模型作為“用戶”去開發工具。

主持人Garry Tan

這正是最典型的擬人化：把 LLM 本身視為一個利益相關方、一個用戶，你需要去服務和賦能它。

聯創Tom Brown

完全正確。

主持人Diana Hu

這也解釋了為什么你們的 MCP（工具調用標準）能跑通。很多實驗室嘗試過，但最后真正跑通并被廣泛采用的，是你們的。

聯創Tom Brown

對，這和 Claude Code 的邏輯類似，都是“模型中心化”的思路。

主持人Harj Taggar

但 Claude Code 的成功，也讓依賴 API 的創業公司有些擔心，比如 Cursor。他們可能害怕被你們替代。你會給這類創業者什么建議？怎么在 API 之上建產品，同時不用過分擔心 Anthropic 會做得更好？

聯創Tom Brown

老實說，我也有點意外 Claude Code 能做到“市場最好”。對我來說，最大的優勢可能不是技術壁壘，而是我們對 Claude 更有“共情”，更懂它需要什么。

主持人Harj Taggar

這挺有意思。也就是說，你們成功的關鍵在于：你們更清楚自己要服務的“用戶”，而不是有什么別人做不到的技術優勢。

聯創Tom Brown

對，這件事創業公司同樣能做。我覺得我們是最專注開發者的實驗室，也是最專注 API 的實驗室。我們想確保提供最好的平臺，因為這個領域發展太快了，我們不可能最快想清楚所有應用場景。但人類社會是為人類設計的，我們需要讓模型也能成為生產力的一部分。

主持人Harj Taggar

那你覺得目前有哪些方向是開發者可以去嘗試，但還被低估的？

聯創Tom Brown

Claude Code 其實就是在探索：如何讓 Claude 成為一個合格的“結對編程伙伴”或“初級工程師”。它很像一個二三年級水平的工程師：能幫忙，但也需要大量上下文和引導。而在商業社會里，編程只是所有任務中的一小部分。還有很多工作，是聰明但經驗不足的人會去做的。如何去“教練”Claude 或其他模型，讓它們能為企業完成有用的任務，這里面有巨大的空間。

7.算力基礎超阿波羅登月，每年還在漲3倍

主持人Jared Friedman

Tom，你的工作中很大一部分就是負責 Anthropic 的算力基礎設施。能談談支撐這家龐大公司的算力基礎設施長什么樣嗎？

聯創Tom Brown

有趣的是，現在人類正處在史上最大規模的基礎設施建設進程中。

主持人Jared Friedman

會比阿波羅登月計劃、曼哈頓計劃還要大？

聯創Tom Brown

如果照現在的趨勢繼續下去，明年就會超過這兩者。算力投入基本上是每年增長 3 倍，這太瘋狂了。3 倍的年增速不可思議。我認為這種趨勢會保持下去。至少明年的投入已經確定了，2027 年可能還有些不確定。

主持人Garry Tan

我們在 YC 這邊也能感受到，所有頂尖前沿模型（包括 Claude）的算力點數都供不應求。大家都在喊：“給我更多智能！”

聯創Tom Brown

對，怎么都不夠。我知道你們也在關注更多硬件創業公司，特別是新的加速器。我覺得到 2027 年會有更多加速器上線。這是個不錯的方向。同時，數據中心本身也是大問題。

主持人Jared Friedman

你們現在的瓶頸主要是什么？是電力不足？GPU 不夠？還是建造許可難批？

聯創Tom Brown

整體而言，電力會是最大瓶頸，尤其是在美國。我們希望在美國建數據中心，這是最重要的政策目標之一——讓美國建設更多數據中心、放寬審批、簡化流程。

主持人Garry Tan

那解決方案是可再生能源，還是核電？

聯創Tom Brown

我覺得都需要。我希望核電建設能更容易一些。

主持人Jared Friedman

Anthropic 還是唯一一家同時使用三家不同廠商 GPU 的主要實驗室。說說你們這個策略的效果？

聯創Tom Brown

是的，我們用不同廠商的 GPU 和加速卡。壞處是我們的性能工程團隊必須分散在這些平臺上，工作量巨大。好處是靈活性：一方面，我們能吸收更多供給，不依賴單一廠商；另一方面，不同芯片更適合不同任務——有的更適合推理，有的更適合訓練。我們能把合適的芯片匹配給合適的任務。這就是取舍所在。

主持人Diana Hu

有趣的是，把你職業生涯串起來看，你當年是第一個在 OpenAI 把架構從 TPU 轉向 GPU 的工程師，這讓 GPT-3 能規模化。如今你在 Anthropic 負責更大規模的算力布局。你自己會覺得這是種呼應嗎？

聯創Tom Brown

當時在 OpenAI 轉向 GPU，部分原因是 PyTorch 在 GPU 上的開發體驗遠好于 TensorFlow 在 TPU 上的體驗。這帶來了快速迭代。好的軟件棧能讓實驗加速，系統整體跑得更好。現在在 Anthropic，我們依然很重視這點。挑戰在于平臺更多，寫好底層軟件更難。但能不能構建出可靠的軟件棧，決定了上層所有人是否能順暢開發，這是最重要的。

主持人Diana Hu

那你有沒有什么建議，給如今 20 多歲、正想加入 AI 浪潮的“年輕版 Tom”？

主持人Harj Taggar

對，很多大學生在糾結：要不要繼續讀書？未來還有沒有工作？世界會怎么變？他們該怎么選擇？

聯創Tom Brown

我會建議，多冒點險。去做那些如果成功了，朋友會覺得特別厲害、你自己也會為之驕傲的事。這是我想對年輕的自己說的。

主持人Garry Tan

更看重內在動機，而不是外在榮譽。別去追逐那些學歷、證書、進 FANG 的頭銜，這些在今天其實都不那么重要。——好的，這就是今天的全部內容，下次再見。

視頻地址：??https://www.youtube.com/watch?v=JdT78t1Offo??

本文轉載自??51CTO技術棧??，作者：伊風