莫潇羽@无忆研习社（www.wuyi.wiki）原创深度长文，转载请注明出处。
快速摘要
2021年，达里奥·阿莫代（Dario Amodei）带着妹妹和五名核心研究员离开OpenAI，创办了Anthropic。三年后，这家公司的估值飙升至3800亿美元，其核心产品Claude在企业AI市场拿下近29%的份额，旗下编程工具Claude Code在发布仅六个月后便达成软件史上前所未有的增长纪录。 这一切的背后，是一套名为"Constitutional AI（宪法AI）"的独特技术路线，一段被加密货币诈骗案搅入漩涡的融资往事，以及一次拒绝接管800亿美元AI"帝国"的冷酷决策。这篇文章将从技术原理、商业策略、行业格局三个维度，为你完整拆解Anthropic与Claude的崛起逻辑。往下看有更详细的拆解。
一、故事要从一条"定律"说起
要理解Claude为什么能在ChatGPT的光环下杀出一条血路，我们得先把时间拨回到2020年之前。
在人工智能领域，有一条被称为"Scaling Laws（缩放定律）"的经验规律。它的核心结论非常朴素：模型参数越多、训练数据越大、算力投入越高，AI系统在几乎所有认知任务上的表现就会可预测地持续提升。 这条规律的早期系统性论证，正是由达里奥·阿莫代和他在OpenAI的同事们在2020年初完成的。
莫潇羽在整理资料时注意到，阿莫代本人在2024年接受Lex Fridman播客专访时回忆说，他们最初是在语言模型上验证了这条定律，随后又在图像、视频、数学等多种模态上观测到了同样的模式。阿莫代自己形容，从物理学的角度看，这类似于一种"1/f噪声"式的自然收敛分布——当你把足够多的自然过程叠加在一起，就会涌现出一种跨尺度的幂律关系。
用更直白的话说，缩放定律告诉我们：AI不是靠某个单一的算法突破变得聪明的，而是靠"规模"本身推动的一种涌现现象。 这是一个极其重要的认知，因为它意味着谁掌握了更大规模的计算资源、更高质量的训练数据和更有效的训练方法，谁就能造出更强大的AI系统。
正是因为阿莫代是最早系统推导出这条规律的人之一，他比绝大多数人都更清楚一个事实：如果缩放定律持续成立，AI的能力将以指数级增长，而一旦这种力量失控，后果是灾难性的。 这个认知，成为后来一切分歧的根源。
为了帮助大家理解缩放定律的基本逻辑，无忆研习社整理了一段简化的伪代码来说明这种关系：
# 缩放定律的简化表达（仅用于概念说明）
# L(N, D) ≈ A / N^α + B / D^β + E
# L = 模型在测试集上的损失（越低越好）
# N = 模型参数量
# D = 训练数据量（token数）
# A, B, E, α, β = 拟合常数
def scaling_law_loss(N, D, A=6.0, alpha=0.076, B=5.0, beta=0.095, E=1.69):
"""
基于Kaplan等人(2020)论文的缩放定律近似
当N和D同时增大时，损失L持续下降
"""
loss = A / (N ** alpha) + B / (D ** beta) + E
return loss
# 示例：参数量从1亿增长到1万亿
import math
for log_n in range(8, 13): # 10^8 到 10^12
N = 10 ** log_n
D = N * 20 # 常见的数据量与参数量比例
loss = scaling_law_loss(N, D)
print(f"参数量: 10^{log_n}, 损失: {loss:.4f}")这段代码虽然高度简化，但它说明了一个关键事实：在合理的参数-数据配比下，随着规模增长，模型性能呈现平滑且可预测的提升。 这也是为什么各大AI公司愿意投入数十亿甚至上百亿美元来训练单个模型——因为缩放定律提供了一种"投入越多、回报越高"的确定性预期。
二、达里奥·阿莫代其人：从物理学到AI的跨界之路
在深入技术细节之前，无忆研习社先为大家梳理一下这位主角的个人背景，因为理解他的经历有助于理解Anthropic的战略逻辑。
达里奥·阿莫代1983年出生于旧金山，父亲里卡多·阿莫代是一位来自意大利厄尔巴岛附近小镇的皮革工匠，母亲是芝加哥出身的犹太裔美国人，在图书馆担任项目经理。他从小就对数字和数学有着近乎痴迷的热爱——据他自己回忆，当同龄的孩子还在抱着毯子入睡时，他已经在摆弄计算器了。高中时期，他全身心投入数学和物理课程，后来在普林斯顿大学获得物理学本科学位，之后在斯坦福大学攻读生物物理学博士学位。
这个学术背景非常关键。物理学训练给了他一种独特的思维方式：相信世界可以用简洁的数学规律来描述，相信经验数据胜过理论假设。 正是这种"极度经验主义"的研究风格，让他后来能在AI领域发现缩放定律——这本质上是一个物理学式的观察：不去纠结于理论解释，而是直接从数据中提取可预测的规律。
他的妹妹达妮埃拉·阿莫代比他小四岁，专业背景完全不同——英国文学、政治学和音乐。在进入AI领域之前，她在在线支付创业公司Stripe积累了运营和商业经验。兄妹二人的互补性极强：达里奥负责技术愿景和研究方向，达妮埃拉负责公司运营、对外关系和商业策略。这种"科学家+运营者"的创始人组合，在后来Anthropic的快速扩张中发挥了至关重要的作用。
了解了阿莫代的个人背景之后，让我们来看他在进入AI行业后经历的两次关键"教训"。
三、两次目睹实验室的崩塌
达里奥·阿莫代的职业轨迹，本身就是一部AI发展简史的缩影。
百度硅谷AI实验室（2014-2015年）
2014年，百度斥资约3亿美元在硅谷建立AI实验室，由吴恩达（Andrew Ng）领衔。这个实验室汇聚了一批全球顶尖的深度学习研究人员，阿莫代就是其中之一。然而，这段经历给他留下的并非只有技术上的积累，更有一个深刻的教训。
据公开报道，百度硅谷实验室后来经历了严重的内部摩擦——总部的商业化诉求与硅谷研究团队的学术理想之间产生了剧烈冲突，管理层内耗不断升级，最终导致吴恩达在2017年离职，核心团队也随之四散。阿莫代在后来的访谈中多次提到，他亲眼见证了"最聪明的大脑如何死于最愚蠢的组织政治"，这段经历深刻影响了他后来的决策模式。
OpenAI时期（2016-2020年）
离开百度后，阿莫代先在Google Brain担任高级研究科学家，随后在2016年加入OpenAI，担任研究副总裁。在OpenAI期间，他参与领导了GPT-2和GPT-3的开发工作，同时也是"基于人类反馈的强化学习（RLHF）"技术的共同发明者之一。
RLHF是如今几乎所有主流大语言模型都在使用的关键训练技术。简单说，它的思路是这样的：
传统训练流程：
预训练（海量文本） → 生成模型
RLHF增强流程：
预训练（海量文本） → 监督微调（人工示范）→ 奖励模型训练（人工偏好标注）→ 强化学习优化这个技术让语言模型不仅能"说人话"，还能学会"说人想听的话"——更准确、更有帮助、更安全。阿莫代在OpenAI期间对RLHF的贡献，直接奠定了他在大语言模型训练方法论上的权威地位。
然而，正是在OpenAI取得这些突破性进展的同时，阿莫代与山姆·奥尔特曼（Sam Altman）之间的路线分歧开始变得不可调和。
阿莫代的立场很明确：既然缩放定律表明AI能力会持续增长，那么安全研究必须与能力研究同步推进，甚至要先行一步。他希望OpenAI投入更多资源到对齐（Alignment）和安全性研究上，确保AI系统是"有法可依的公民"。
奥尔特曼的态度则截然不同。彼时的OpenAI已经完成了从非营利机构到"有限盈利公司"的转型，微软的10亿美元投资已经到位，整个组织正处于高速商业化扩张的轨道上。奥尔特曼的核心逻辑是"竞争对手不会等我们"——在他看来，安全问题可以后续再解决，但错过发展窗口期就意味着被淘汰。
分歧越来越深。据后来的报道，阿莫代兄妹在私下甚至用"gaslighting（煤气灯效应）"来形容与奥尔特曼的沟通——他们认为奥尔特曼表面支持安全研究，实际上不断将资源导向纯粹的能力提升。
到2020年底，阿莫代面临一个简单而残酷的二选一：留下来继续在内部争论，还是离开去实践自己的安全理念。
他选择了离开。
四、Anthropic的诞生：一场"理想主义的出走"
2020年12月的一个夜晚，达里奥·阿莫代带着妹妹达妮埃拉·阿莫代（Daniela Amodei）以及另外五名OpenAI核心研究员，完成了AI史上最著名的一次"集体出走"。
这些人并非普通员工——他们中的很多人直接参与了GPT系列模型的核心研发工作，是OpenAI最重要的技术大脑。据报道，第二天早上当奥尔特曼走进办公室时，发现核心团队的几个工位已经空了。但他没有犹豫，继续全力推进OpenAI的商业化扩张。
2021年初，Anthropic正式成立。这是一家注册为"公共利益公司（Public Benefit Corporation）"的AI研究企业，这个法律架构本身就表明了创始团队的意图——公司存在的目的不仅仅是盈利，还包括对社会有益的使命。 Anthropic设立了一个名为"长期利益信托（Long-Term Benefit Trust）"的治理结构，持有公司的特殊股份，有权选举董事会成员，以确保公司始终聚焦于AI安全的长期使命。
无忆研习社（www.wuyi.wiki）认为，从组织架构设计上看，Anthropic的治理模式在当时的AI创业公司中是相当独特的。它试图解决一个根本性矛盾：前沿AI研究需要海量资本，但资本天然追求短期回报，这可能与安全优先的长期目标冲突。 公共利益公司+信托治理的结构，是阿莫代对这个矛盾的制度性回答。
创业初期的Anthropic团队规模很小，但研究实力极强。公司的第一轮融资（Series A）由Skype联合创始人Jaan Tallinn领投，筹得1.24亿美元。这笔钱虽然在AI行业不算多，但足以让团队开始建设基础设施和推进核心研究。
五、Constitutional AI：给AI写一部"宪法"
如果说缩放定律是阿莫代在技术层面的核心信念，那么"Constitutional AI（宪法AI）"就是他在安全层面的核心创新。这项技术是理解Anthropic和Claude区别于其他AI系统的关键，莫潇羽在这里为大家做一个尽可能详细的拆解。
5.1 传统RLHF的局限
在Constitutional AI出现之前，主流的AI安全训练方法是RLHF。RLHF的工作流程如下：
- 让AI模型生成多个回复
- 由人类标注员对这些回复进行偏好排序（哪个更好、更安全）
- 用这些偏好数据训练一个"奖励模型"
- 用奖励模型通过强化学习来优化AI的行为
这个方法行之有效，但存在几个明显的痛点：
- 规模瓶颈：需要大量的人类标注，成本高、速度慢
- 不透明性：当你有几万条人类偏好标注时，很难总结出"AI到底学到了什么价值观"
- 心理负担：标注员需要长时间接触有害、暴力、歧视性的内容，这对人的心理健康有显著影响
- 一致性差：不同标注员的判断标准可能存在显著差异
5.2 Constitutional AI的两阶段训练流程
Anthropic在2022年底发表了Constitutional AI的论文，提出了一种全新的方法。其核心思路可以用一句话概括：不再依赖人类逐条标注"什么是有害的"，而是给AI一套明确的原则（"宪法"），让AI自己学会判断和修正。
这套训练分为两个阶段：
第一阶段：自我批评与修正（SL-CAI）
步骤1：用一个"有帮助但不够安全"的模型生成回复
步骤2：让同一个模型根据宪法原则，批评自己的回复
→ 提示词示例："请根据以下原则评估你的回复是否存在有害内容：
[原则：避免帮助用户从事违法活动]"
步骤3：让模型根据批评意见修改回复
步骤4：用修改后的（更安全的）回复作为训练数据
步骤5：对模型进行监督学习微调第二阶段：基于AI反馈的强化学习（RL-CAI / RLAIF）
步骤1：让模型针对同一个问题生成两个不同的回复
步骤2：让AI（而非人类）根据宪法原则判断哪个回复更好
步骤3：用这些AI生成的偏好数据训练奖励模型
步骤4：用奖励模型通过强化学习优化最终模型5.3 "宪法"里写了什么？
Claude使用的"宪法"包含了来自多个来源的原则，主要涵盖以下几个层面：
- 联合国《世界人权宣言》 的相关条款，覆盖基本人权和尊严
- 平台服务条款 中关于数字时代伦理问题的规范（如数据隐私、网络冒充等）
- Anthropic自身的研究准则，包括有用性、诚实性和无害性的平衡
- 常识性指令，如"不要帮助用户从事犯罪活动"
- 哲学考量，如"避免暗示AI系统拥有或关心个人身份认同"
Anthropic在官方博客中明确表示，这份宪法并非终稿，他们预计会持续迭代改进。
5.4 与RLHF相比，Constitutional AI有什么优势？
对于无忆研习社的技术读者来说，两种方法的对比可以用下面这张简化的对照表来理解：
┌────────────────┬──────────────────────┬──────────────────────┐
│ 对比维度 │ RLHF │ Constitutional AI │
├────────────────┼──────────────────────┼──────────────────────┤
│ 安全标注来源 │ 人类标注员 │ AI自身（基于宪法原则） │
│ 训练目标透明度 │ 隐式（数万条标注的集体│ 显式（可阅读的原则列表）│
│ │ 效果难以总结） │ │
│ 标注成本 │ 高（需要大量人工） │ 低（AI自动评估） │
│ 迭代速度 │ 慢（依赖人力供给） │ 快（修改原则即可重训） │
│ 对标注员的伤害 │ 有（需接触有害内容） │ 无 │
│ 可解释性 │ 弱 │ 强（原则公开透明） │
│ 人类监督形式 │ 大量低层标注 │ 少量高质量原则制定 │
└────────────────┴──────────────────────┴──────────────────────┘Anthropic研究团队在论文中指出，Constitutional AI能够产生一种"帕累托改进"——即训练出的模型在有帮助性和无害性两个维度上同时优于传统RLHF方法。换句话说，你不需要为了安全而牺牲有用性，也不需要为了有用性而放松安全标准。
5.5 从技术视角看，这意味着什么？
Constitutional AI的核心思想——用AI来监督AI、用明确的原则替代隐式的偏好学习——代表了一种被称为"可扩展监督（Scalable Oversight）"的研究方向。随着AI能力的持续增长，人类直接监督AI的所有行为将变得越来越困难。Constitutional AI提供了一种框架，让AI系统能够在一定程度上进行自我约束和自我纠正。
当然，这种方法也有其局限性。正如Anthropic自己承认的，如果底层模型的判断能力不够强，那么它在评估自己的输出时也可能出错。此外，"宪法"本身的制定仍然依赖于人类的价值判断——谁来决定这些原则？如何确保这些原则公平且全面？这些都是需要持续探讨的问题。
六、资本的诱惑与诈骗犯的五亿美元
Anthropic创业初期面临一个极其现实的问题：训练前沿AI模型的成本高得惊人。
以当时的行业标准来看，训练一个顶级大语言模型需要购买数以千计的高端GPU，仅算力费用每个月就可能消耗数千万美元。阿莫代面临一个颇为讽刺的悖论——他因为不满OpenAI过于依赖资本驱动而出走，但现在他自己也必须找到大量资金才能生存下去。
就在Anthropic最需要资金的时候，一个人找上了门。
2022年4月，在Anthropic的B轮融资中，加密货币交易平台FTX的创始人山姆·班克曼-弗里德（Sam Bankman-Fried，业内简称SBF）通过旗下的对冲基金Alameda Research，一次性投入了5亿美元，占整轮5.8亿美元融资的86%。当时Anthropic的估值约为25亿美元，SBF获得了约8%的股份。
为什么SBF会押注Anthropic？ 两人之间有一个共同的理念标签：有效利他主义（Effective Altruism，简称EA）。这是一种主张"用理性和证据来寻找帮助他人的最有效方式"的哲学运动。阿莫代的AI安全理念和SBF当时标榜的"通过商业手段创造最大社会价值"的口号，在话语层面高度契合。
据后来的报道，阿莫代在事后接受采访时回忆，SBF当时看起来像是"一个看好AI、关心安全的人"。但他也承认自己当时就注意到了"一些值得警惕的信号"。
这笔钱让Anthropic迎来了急需的发展机遇。 有了充足的资金，团队终于可以放开手脚建设计算基础设施，推进前沿研究。到2022年夏天，Anthropic完成了Claude的第一个版本的训练——但他们没有立即发布，理由是需要进一步的内部安全测试。
然而，仅仅七个月后，灾难降临。
2022年11月，加密货币媒体CoinDesk曝光了Alameda Research的财务问题。随后的连锁反应导致FTX在短短几天内土崩瓦解。SBF被指控挪用了客户约80亿美元的资金，最终在2024年3月被判处25年监禁。这成为美国加密货币历史上涉案金额最大的欺诈案之一。
Anthropic手中的5亿美元瞬间变成了一个巨大的公关危机和法律风险。 全世界的目光突然聚焦到了这家自诩为"AI安全守护者"的公司身上——它最大的早期投资者竟然是一个被指控挪用客户存款的人。破产管理人要求追回这笔投资以偿还FTX的债权人。
进退两难：退钱，公司可能面临资金链断裂；不退，"接受诈骗犯资金"的标签将如影随形。
七、绝处逢生：科技巨头的入局
就在Anthropic最艰难的时刻，AI行业的格局发生了戏剧性的变化。
2022年11月底，OpenAI发布了ChatGPT。这个产品的爆火程度超出了所有人的预期——它在发布后两个月内就获得了上亿用户，瞬间引燃了全球对生成式AI的狂热追捧。所有科技巨头都意识到，AI竞赛已经不是"要不要参与"的问题，而是"如何才能不掉队"的问题。
彼时，OpenAI已经与微软深度绑定。谷歌和亚马逊作为全球云计算市场的两大巨头，急需找到一个足以制衡OpenAI-微软联盟的AI伙伴。 Anthropic凭借其顶尖的研究团队和独特的安全技术路线，成为了最佳选择。
资本以近乎疯狂的速度涌入：
- 2023年9月：亚马逊宣布初始投资12.5亿美元，随后将总投资追加至40亿美元。作为交换，Anthropic以AWS作为主要云服务提供商。2024年11月，亚马逊再投40亿美元，累计投资达80亿美元。
- 2023年10月：谷歌投资5亿美元，并承诺后续追加15亿美元。2025年3月，谷歌再投10亿美元。
- 2025年3月：Anthropic完成35亿美元的E轮融资，估值达615亿美元。
- 2025年11月：英伟达和微软宣布联合投资最高150亿美元。
- 2026年2月：Anthropic完成300亿美元的G轮融资，估值飙升至3800亿美元。
而那笔来自FTX的5亿美元呢？ 故事的发展堪称魔幻现实主义。由于Anthropic的估值在短短两年内翻了数十倍，FTX破产管理团队将这批股份分两次出售，总共回收了约13亿美元——接近原始投资的三倍。如果这些股份一直持有到2025年9月（Anthropic估值1830亿美元时），理论价值将超过146亿美元。
莫潇羽在这里要指出一个关键细节：FTX的债权人原本以为血本无归，最终却因为Anthropic技术实力驱动的估值暴涨，在破产清算中实现了超额回收。 据报道，FTX破产管理团队预计能够以至少118%的比例偿还债权人的合法索赔。一个因欺诈而崩塌的"帝国"，竟然因为AI技术的爆发式增长而实现了"债务的意外救赎"——这个故事的荒诞程度，确实令人叹为观止。
八、2023年OpenAI政变与拒绝"王位"
2023年11月17日，旧金山。一场AI历史上前所未有的戏剧性事件爆发了。
OpenAI董事会突然宣布解雇CEO山姆·奥尔特曼。消息传出后，微软股价应声下跌，700多名OpenAI员工联名要求奥尔特曼回归，投资人纷纷紧急飞往旧金山。整个AI行业在72小时内陷入了混乱。
就在所有人都在问"谁来接管OpenAI"的时候，最令人意想不到的一幕发生了：OpenAI的董事会秘密联络了达里奥·阿莫代，提出了两个方案——要么由阿莫代出任OpenAI的新任CEO，要么将两家公司合并，由阿莫代执掌合并后的新公司。
三年前，阿莫代带着核心研究团队离开OpenAI，在外界看来形同"叛逃"。三年后，老东家的董事会反过来邀请他回去当掌门人。这简直是一个完美的"王者归来"剧本。
只要点头，阿莫代就能立即接管一个当时估值约800亿美元的AI"帝国"，成为无可争议的行业霸主。
但他拒绝了。
很多人认为阿莫代拒绝是因为"坚守安全理念"。但如果仔细分析当时的形势，这个决定可能有更务实的考量。阿莫代在百度和OpenAI都经历过组织内部的剧烈动荡，他比任何人都清楚接手一个"火山爆发中的"组织意味着什么。当时OpenAI内部有700多名员工强烈要求奥尔特曼回归，如果阿莫代接手，他将面对一群视自己为"篡位者"的团队和一个随时可能再次兵变的局面。
更重要的是，拒绝"王位"之后，阿莫代做了一件影响更为深远的事情。
他开始大规模从OpenAI挖人。
2024年，Anthropic陆续吸引了OpenAI的多位重量级人才，其中包括：
- Jan Leike：OpenAI前"超级对齐（Superalignment）"团队负责人，加入Anthropic共同领导对齐科学团队
- John Schulman：OpenAI联合创始人之一，强化学习领域的权威
- Durk Kingma：变分自编码器（VAE）的共同发明者
这些人才的流动，不是简单的商业竞争，而是一种价值观的投票——在奥尔特曼的商业扩张路线下，越来越多关注安全的顶尖研究者开始感到不安，而Anthropic的安全理想国成为了他们的目标。
九、Claude的技术演进：从小众产品到行业标杆
在人才储备日益雄厚的基础上，Anthropic的技术实力开始集中爆发。
Claude模型的发展历程可以划分为几个关键阶段：
Claude 1.x（2023年3月）：Anthropic首次向公众推出Claude。彼时它还是一个相对小众的产品，主要在技术圈内获得关注。与ChatGPT的全民热度相比，Claude更像是"AI安全研究者的自留地"。
Claude 2（2023年7月）：能力显著提升，支持更长的上下文窗口（100K token），在代码生成、长文本理解等方面表现突出。
Claude 3系列（2024年3月）：这是一个分水岭式的发布。Claude 3系列包含三个不同规格的模型——Haiku（快速轻量）、Sonnet（均衡）和Opus（旗舰）。Claude 3 Opus在多项评测中首次追平甚至超越了GPT-4，引发了行业的广泛关注。
Claude 3.5 Sonnet（2024年6月/10月）：这款中端模型的发布直接改变了竞争格局。在开发者社区中，Claude 3.5 Sonnet被广泛认为在代码生成领域展现出了惊人的直觉和准确性。无忆研习社的站长莫潇羽在日常使用中也有同样的感受——它不仅能生成准确的代码，还能主动预判你下一步的逻辑需求，这是一种很难用简单的"评分"来量化的能力差异。
Claude 4系列（2025年5月）：引入了Claude Opus 4和Claude Sonnet 4，进一步提升了编程能力，并支持了Model Context Protocol（MCP）等新的API能力。MCP的意义在于它提供了一种标准化的方式让AI模型与外部工具和数据源进行交互，这为构建更复杂的AI应用打开了大门。
Claude 4.5和4.6（2025-2026年）：持续迭代。Claude Opus 4.6是截至2026年3月最先进的模型，在经济价值型知识工作任务（金融、法律等领域）的评测中处于全球领先地位。
对于开发者来说，Claude API的使用方式非常直接。下面是一个典型的API调用示例，供无忆研习社的技术读者参考：
import anthropic
client = anthropic.Anthropic(api_key="your-api-key")
message = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
messages=[
{
"role": "user",
"content": "请解释Constitutional AI的核心原理"
}
]
)
print(message.content[0].text)Claude当前的三个主力模型定位清晰：
- Claude Haiku：速度最快、成本最低，适合大规模自动化任务
- Claude Sonnet：性能与成本的最佳平衡点，适合大多数应用场景
- Claude Opus：能力最强，适合需要深度推理和复杂分析的场景
这种分层策略使得不同规模的企业和开发者都能找到适合自己需求和预算的选项——这也是Anthropic能够快速渗透企业市场的重要原因之一。
十、Claude Code：六个月创造的增长奇迹
如果说Claude模型家族是Anthropic的"武器库"，那么Claude Code就是这个武器库中最具威力的"杀手锏"。
Claude Code是Anthropic在2025年5月正式推出的AI编程工具。与GitHub Copilot等提供逐行代码建议的工具不同，Claude Code能够自主执行多步骤的编程工作流——从功能实现到调试、重构再到部署，实现全链条的自动化。
增长速度有多快？ 根据公开报道的数据：
- 2025年5月：Claude Code正式公开发布
- 2025年11月：年化运营营收（ARR）达到10亿美元——仅用了6个月
- 2026年1月：用户数翻倍，增长进一步加速
- 2026年2月：年化运营营收突破25亿美元
作为对比，ChatGPT达到类似的营收里程碑用了约11个月，Slack用了超过4年。Claude Code的增长速度创下了企业软件历史上的新纪录。
为什么开发者愿意为Claude Code付费？ 核心原因在于它解决了一个切实的痛点。根据行业研究，开发者大约60%-70%的时间花在重复性的样板代码编写上。Claude Code能够自动处理这些任务，让工程师把精力集中在架构设计、策略规划和创造性问题解决上。
Anthropic内部的Claude Code负责人Boris Cherny分享了一个很有代表性的个人使用进程：Claude Code刚发布时，他大约5%的代码是通过它编写的；到2025年5月，这个比例升到了30%；到Claude Opus 4.5发布后，他已经连续两个月通过Claude Code编写100%的日常代码。在Anthropic的工程团队内部，Claude Code目前承担了70%到90%的代码产出。
对于无忆研习社的开发者读者来说，下面展示一个使用Claude Code的典型工作流场景（命令行方式）：
# 安装Claude Code
npm install -g @anthropic-ai/claude-code
# 在项目目录中启动Claude Code
cd your-project
claude
# 之后就可以用自然语言描述你的需求
# 例如："帮我实现一个用户认证模块，使用JWT，
# 包含注册、登录和刷新token的功能"
# Claude Code会自动理解项目结构，生成代码，运行测试2025年12月，Anthropic收购了JavaScript运行时Bun——这个项目在GitHub上拥有超过82000个Star和每月700万次下载量。Bun将被整合到Claude Code中，实现一键部署管线和更快的执行性能。这笔收购表明Anthropic对开发者基础设施的长期承诺。
十一、Anthropic的企业版图：数据说话
截至2026年初，Anthropic的商业表现可以用以下关键数据来概括（数据来源为多家第三方分析机构和公司公开披露，莫潇羽@无忆研习社为大家整理如下）：
┌─────────────────────────────────┬──────────────────────┐
│ 指标 │ 数据 │
├─────────────────────────────────┼──────────────────────┤
│ 最新估值（2026年2月） │ 3800亿美元 │
│ 年化运营营收（2026年2月） │ 约140亿美元 │
│ 企业客户数 │ 超过30万家 │
│ 财富100强企业中使用Claude的比例 │ 约70% │
│ 财富10强企业中的活跃客户 │ 8家 │
│ 企业AI助手市场份额 │ 约29% │
│ Claude Code年化营收 │ 约25亿美元 │
│ 每月API调用量 │ 超过250亿次 │
│ 累计融资总额 │ 超过640亿美元 │
│ Claude可用的云平台 │ AWS、Google Cloud、 │
│ │ Microsoft Azure │
└─────────────────────────────────┴──────────────────────┘值得注意的是，Anthropic约70%-80%的营收来自企业和API客户，而非消费者端。这与OpenAI以ChatGPT消费者产品驱动增长的模式形成了鲜明
