Anthropic招股书隐藏风险：规模不经济的隐忧

作为史上规模可能最大的IPO之一，Anthropic PBC正在开创新局面。其招股书列出了88项风险因素，仅此一项就占据了93页篇幅。从人工智能对人类构成生存威胁，到AI可能对人实施勒索的可能性，该公司列举的一连串风险足以让任何潜在投资者感到警惕。

然而，有一项可能导致公司陷入困境的风险因素并未明确出现在招股书中：规模不经济。

规模不经济是指随着公司规模扩大，其生产每单位产出的平均成本反而上升的现象。

考虑到Anthropic在确保风险因素清单完整性方面投入的时间和精力，人们或许会认为该公司应该将这一风险纳入其中。然而，尽管规模不经济是显而易见的问题，但公司却遗漏了它，这背后是有原因的。

我们在云计算领域已经经历过类似的情况。超大规模云服务商的根本经济驱动力是规模经济：随着规模扩大，每单位产出的成本会降低，从而带来长期的巨大增长和盈利能力。

由于AI热潮像云计算一样需要大规模的数据中心建设，人们可能会合理地认为，AI将享受到云计算曾经拥有的那种大规模增长带来的经济效益。

然而，这一假设很可能是错误的。要理解原因，我们必须审视软件和云业务是如何实现规模化的——以及AI为何如此不同。

软件规模化的经济学

纵观企业计算的历史，软件一直受益于其微不足道的边际成本。

对于实物商品，从汽车到鸡块，每一件产品都有原材料和生产成本。制造的产品越多，这些成本累积得就越多。

软件则截然不同。供应商一旦投入资金开发出一款应用程序，就可以将其销售给尽可能多的客户，而交付额外一份应用程序副本的成本，相较于最初的开发成本几乎可以忽略不计。

这种微不足道的边际成本使软件供应商能够在业务规模扩大的过程中获得巨大的利润。

云规模化的经济学

相比之下，计算机硬件本质上就是实物产品——部署得越多，原材料和生产成本就越高。

云计算在其服务中同时结合了软件和硬件。软件的边际成本可能微不足道，但每家云服务商都必须为每台物理服务器支付费用。

为应对这一成本挑战，云服务商利用了规模经济效应。

超大规模云服务商通过部署海量的商用服务器来构建其云平台。随着各公司业务的扩张，每单位产出的成本——比如提供一个服务器实例或一个单位云存储的成本——随之下降。

因此，随着规模扩大，服务器的成本不断降低，云计算公司在增长过程中变得越来越有盈利能力，尽管其商业模式既依赖硬件也依赖软件。

AI经济学与软件、云的不同之处

回到Anthropic及其他前沿大语言模型供应商：表面上看，AI只是一种软件，而Anthropic是在本质上属于云平台的超大规模数据中心中运行其软件。这一基本假设隐含在该公司的招股书中。

然而，这一假设存在缺陷。前沿模型供应商从第一天起就需要图形处理器及其他昂贵的高端硬件——而且随着它们快速推进软件创新，其对专用处理器的需求还在持续加速增长。

这种对专用处理器需求不断提升的趋势，并未影响云计算的崛起。诚然，每家云服务商随着规模扩大，最终都增加了各种专用硬件实例类型，但这些实例并未改变云业务的根本经济模式。

相比之下，Anthropic没有通过部署商用硬件来实现规模经济的余地。相反，它必须构建昂贵的服务器，而且随着大语言模型对处理器需求的持续提升，这些服务器只会变得更加昂贵。

将人力因素纳入经济学论证

AI热潮在人力方面的规模化也存在不经济之处，这与云计算的增长形成了对比。

超大规模云服务商当然需要经验丰富、专业知识深厚的员工队伍来部署和维护其云平台。但随着规模的扩大，他们能够更高效地利用这些人员。一名管理一千台物理服务器的管理员，随着底层云平台的成熟，可以轻松管理一万台甚至一百万台服务器。

然而，与云服务商不同，Anthropic和其他前沿模型供应商必须不断提升团队的专业水平。新的大语言模型并非旧模型的简单扩展版本。每一代模型都需要专业人才具备全新的知识。

Anthropic正与其竞争对手激烈角逐，力图以前所未有的速度推出创新且日益强大的模型。因此，前沿大语言模型供应商的团队面临着超大规模云服务商从未遇到过的规模不经济问题。

软件、硬件和人才，三者齐备！

Anthropic及其他前沿大语言模型供应商正遭受一种根本性的全新经济困境，因为它们必须不断提升硬件能力，同时提升员工技能水平，以便在软件创新方面保持竞争力。

它们无法简单地在商用硬件上运行日益强大的模型——甚至无法沿用运行上一代模型时所用的相同硬件。它们必须以跟上软件创新步伐的速度加大硬件投资。

最终结果是科技行业前所未见的一种规模不经济现象。我们已经习惯了软件微不足道的边际成本，以及云计算带来的巨大规模经济效益，以至于我们完全没有为Anthropic等前沿大语言模型供应商必须应对的规模不经济做好准备。

Intellyx观点

尽管前沿模型市场仍然相当新兴，但我们已经看到其内在规模不经济所带来的影响——Token成本正日益成为AI使用者的一项重大开支。

随着大语言模型变得越来越强大，而其所需硬件日益成为昂贵的瓶颈，Token成本对一系列基于AI的应用而言变得过于高昂，恐怕只是时间问题。

Anthropic和其他大语言模型供应商可以尝试通过提升其更强大模型的效率，或推出性能较弱、成本较低的模型来应对——前提是其客户能够接受这些举措。

我们或许最终也会达到一个平台期，彼时模型足够强大、硬件性能足够优异，从而让人们更熟悉的规模经济重新发挥作用。然而，目前尚看不到这样的平台期的迹象。

因此，潜在的Anthropic投资者必须思考的问题是：该公司在大语言模型市场的领先地位究竟是一种优势还是一种劣势？在其产品变得过于昂贵之前，它究竟还能创新和增长到什么程度？到那时它又该怎么办？

Jason Bloomberg是Intellyx的创始人兼董事总经理，该公司为企业领导者和技术供应商提供数字化转型战略方面的咨询服务。本文由他为SiliconANGLE撰写。Intellyx的所有内容均为100%人工撰写，本文亦然。Anthropic并非Intellyx的客户。

图片来源：Craiyon