Gdy inteligencja wchodzi do masowej produkcji — sześć trendów w świecie wielkich modeli na przykładzie debiutu giełdowego Anthropic

IPO AnthropicScaling LawAgent AIkomercjalizacja wielkich modeliład regulacyjny AIekonomia mocy obliczeniowej
1 godzinę temuŹródło: blockweeks.com
Gdy inteligencja wchodzi do masowej produkcji — sześć trendów w świecie wielkich modeli na przykładzie debiutu giełdowego Anthropic

Dziś wieczorem (19 listopada) Anthropic, firma założona niespełna sześć lat temu, zadebiutuje na Nasdaq pod tickerem ANT. Jej tempo rozwoju i skala muszą zostać nazwane cudem w historii technologii i biznesu, a także pozwalają ludziom dostrzec ogromny wpływ AI na przyszłą gospodarkę i społeczeństwo.

Przy finalnej cenie emisyjnej wynoszącej 83 dolary za akcję jej w pełni rozwodniona wycena wynosi około 1,5 biliona dolarów. Zgodnie z obecnymi oczekiwaniami jej kapitalizacja rynkowa po debiucie może przekroczyć 2 biliony dolarów. Siedem spółek z górnego łańcucha dostaw—Google, Nvidia, AMD, Broadcom, Micron, Microsoft i TSMC—subskrybowało jednocześnie akcje za 26 miliardów dolarów. Rozmiar jej oferty przekracza bazowy rozmiar oferty SpaceX wynoszący 75 miliardów dolarów z czerwca tego roku, plasując ją wśród największych debiutów w historii amerykańskiego rynku akcji.

Bardziej godna uwagi niż wycena jest jej krzywa wzrostu. Ten rodzaj ciągłego dziesięciokrotnego wzrostu znacznie przewyższa szybki wzrost z minionej ery mobilnego internetu, ukazując światu zdumiewające przyspieszenie AI.

W pierwszym kwartale 2023 roku Claude rozpoczął komercjalizację, a przychody zaczęły się od zera. Całoroczne przychody wyniosły 41 milionów dolarów w 2023 roku, 386 milionów dolarów w 2024 roku i 4,585 miliarda dolarów w 2025 roku. Do trzeciego kwartału 2026 roku kwartalne przychody wyniosły 16,96 miliarda dolarów, co stanowi 12,3-krotność wartości z tego samego okresu rok wcześniej. Zannualizowane przychody w październiku tego roku osiągnęły już około 81 miliardów dolarów, a przewiduje się, że do końca roku mogą osiągnąć 100–120 miliardów dolarów.

Sztuczna inteligencja

Na drugiej stronie materiałów dla inwestorów z prezentacji roadshow znajduje się zdanie: Po raz pierwszy w historii ludzkości inteligencja stała się czymś, co ludzie mogą budować; zdolności poznawcze w zakresie rozumowania, analizy, syntezy, podejmowania decyzji i tworzenia mogą być produkowane na skalę i pozyskiwane na żądanie. Przeczytałem to zdanie kilka razy. W rzeczywistości nie mówi ono o firmie, lecz o punkcie zwrotnym dla całej branży: po raz pierwszy inteligencja zaczyna istnieć poza samymi ludźmi i staje się produktem przemysłowym, który można masowo produkować, wyceniać i planować.

W szczególności poniższy wykres pokazuje ambicje Anthropic. Oczekiwane przez nią zwroty znacznie wykraczają poza obecne przychody z programowania, analizy, pracy biurowej i tak dalej, ale rozciągają się na takie dziedziny, jak odkrywanie leków, nauka o materiałach, zaawansowana produkcja i robotyka, a także sektor nauk przyrodniczych o wartości 2 bilionów dolarów, a nawet przyszły globalny rynek pracy opartej na wiedzy o wartości 40 bilionów dolarów. To nieuchronnie przypomina nam kontrowersyjną plotkę krążącą w branży: „W przyszłości być może jedyną firmą pozostającą na świecie będzie Anthropic.”

Sztuczna inteligencja

Źródło obrazu: materiały dla inwestorów z prezentacji roadshow Anthropic

W ciągu ostatniego tygodnia przeczytaliśmy wspólnie ponad 400-stronicowy prospekt emisyjny Anthropic, 15-stronicowe materiały dla inwestorów z prezentacji roadshow, 41-minutowe wideo z roadshow oraz list otwarty podpisany wspólnie przez siedmiu założycieli. Sposób generowania przychodów, miejsca wydatkowania mocy obliczeniowej, sposób iteracji modeli, sposób działania organizacji oraz sposób wyceniania ryzyka zostały po raz pierwszy w pełni ujawnione przez firmę będącą liderem modeli frontier. Możemy dostrzec sześć zmian zachodzących w branży wielkich modeli.

Trend 1: Scaling Law wciąż działa, ale głównym silnikiem badań i rozwoju stała się sama AI

W skład zespołu założycielskiego Anthropic wchodzi główny autor artykułu z 2020 roku „Scaling Laws for Neural Language Models”. W liście założycieli napisano, że wówczas wiele osób nie wierzyło, iż inteligencja maszynowa będzie tak silnie zależeć od skali, ale przewidywania oparte na prawach skalowania były wielokrotnie potwierdzane. Ocena zawarta w prospekcie emisyjnym jest również jasna: zdolności AI będą nadal się poprawiać, a w dającej się przewidzieć przyszłości popyt będzie nadal przewyższać podaż, przy czym podaż jest głównie ograniczana przez moc obliczeniową.

Jednak po przeczytaniu całego prospektu emisyjnego uważam, że bardziej godne uwagi niż samo prawo skalowania są trzy zmiany w sposobie prowadzenia badań i rozwoju.

Po pierwsze, trening po wstępnym szkoleniu stał się obszarem o największych inwestycjach. Prospekt stwierdza, że trening po wstępnym szkoleniu ewoluował z etapu wykończeniowego w jeden z największych obszarów inwestycji badawczych firmy, ponieważ rynek przesuwa się od asystentów konwersacyjnych do autonomicznych agentów. Metoda treningu również się zmieniła, wykorzystując kompletne, rzeczywiste i złożone zadania zbliżone do pracy zawodowej. Anthropic uważa, że szerokość i realizm tego zestawu zadań należą do jego najbardziej trwałych przewag naukowych oraz że trudno je zaobserwować z zewnątrz, a zatem trudno je odtworzyć.

Po drugie, architektura modelu i infrastruktura wnioskowania są projektowane razem. Badacze AI i inżynierowie wnioskowania dzielą cykle planowania, linie raportowania i cele wydajnościowe, a decyzje architektoniczne uwzględniają koszty wnioskowania od pierwszego dnia. To wyjaśnia, dlaczego każda generacja Claude może być jednocześnie silniejsza i bardziej ekonomiczna.

Po trzecie i najważniejsze, AI zaczęła uczestniczyć w budowaniu AI, co jest również najbardziej obecnie dyskutowanym RSI. Każda generacja Claude uczestniczy w budowaniu następnej generacji, w tym w przeprowadzaniu eksperymentów, generowaniu i przetwarzaniu danych treningowych, automatyzacji oceny i audytów bezpieczeństwa oraz pisaniu i przeglądaniu kodu.

人工智能

Kilka liczb dobrze ilustruje tę kwestię. We wrześniu 2026 r. ponad 90% commitów w bazie kodu Anthropic zostało napisanych przez Claude'a; w trzecim kwartale ilość kodu wniesionego na inżyniera dziennie była ponad 45 razy większa niż średnia dzienna z 2024 r. W przypadku otwartych problemów inżynieryjnych, którym brakuje jasnych specyfikacji i które wcześniej w dużym stopniu polegały na osądzie starszych inżynierów, według wewnętrznych benchmarków firmy, wskaźnik sukcesu Claude'a wzrósł o około 50 punktów procentowych w ciągu dziewięciu miesięcy, osiągając około 90%. Podczas integracji chipów AMD w tym roku Claude zakończył adaptację zasadniczo bez interwencji człowieka w ciągu trzech dni, przenosząc lub pisząc prawie wszystkie operatory, co wcześniej wymagało dziesiątek inżynierów i kilku miesięcy.

Według cen katalogowych wartość wewnętrznego wykorzystania Claude'a przez Anthropic wzrosła ponad 250 razy od stycznia do września tego roku. W kwietniu tego roku ta miesięczna wartość po raz pierwszy przekroczyła miesięczne wydatki osobowe firmy (z wyłączeniem wynagrodzeń w formie akcji).

人工智能

Źródło obrazu: materiały inwestorskie Anthropic z roadshow

Istnieje również kompromis, który łatwo przeoczyć. Prospekt wyraźnie stwierdza, że chociaż modele generowania wideo i obrazów mają atrakcyjność komercyjną, firma obecnie nie koncentruje się na nich, a odpowiednie moc obliczeniowe są przekierowywane na programowanie, agentów i badania nad bezpieczeństwem. Istnieją trzy powody: programowanie ma duży wpływ gospodarczy; kwestie bezpieczeństwa pojawią się tu najpierw; a wyniki programowania są w dużej mierze weryfikowalne.

Klucz do wygranej w konkurencji dużych modeli przesuwa się na szybkość pętli badawczo-rozwojowej. Firma, której model jako pierwszy dobrze wykona pracę własnej firmy, będzie miała swoją następną generację modelu wcześniej. Domeny weryfikowalne zostaną podbite jako pierwsze i również jako pierwsze będą zasilać badania i rozwój.

Oczywiście ta pętla ma również drugą stronę. Prospekt szczególnie wspomina, że wykorzystanie AI do przyspieszania AI przyniesie znaczne ryzyko dla bezpieczeństwa, a polityka odpowiedzialnego skalowania firmy obejmuje już plany monitorowania i łagodzenia w miarę zbliżania się do rekurencyjnego samodoskonalenia. List założycieli ujmuje to bardziej bezpośrednio: w razie potrzeby firma może celowo zwolnić.

Trend 2: Produkty przechodzą od okienek czatu do wirtualnych współpracowników, dostarczając pracę, a nie odpowiedzi

List założyciela zawiera osąd dotyczący generacji produktów: chatboty AI stały się użyteczne około 2022 r., agenci kodowania AI około 2025 r., a agenci do ogólnej pracy wiedzy i odkryć naukowych stopniowo stają się użyteczni w 2026 r. List mówi również, że Anthropic będzie poświęcać mniej wysiłku na konsolidację istniejących produktów, a więcej na definiowanie nowych produktów, ponieważ każda nowa generacja modeli stale otwiera kategorie produktów, które były niewykonalne zaledwie kilka miesięcy wcześniej.

sztuczna inteligencja

Prospekt nadaje tej generacji produktów nazwę: wirtualni współpracownicy. Mają uprawnienia przyznane przez organizację, połączenia z systemami i kontekst; mogą korzystać z wewnętrznych narzędzi; mogą wykonywać przepływy pracy obejmujące wiele kroków i wymagające ciągłego rozumowania; i pracują ramię w ramię z pracownikami.

sztuczna inteligencja

Źródło obrazu: materiały inwestorskie z roadshow Anthropic

Programowanie było pierwszą kategorią, która przekroczyła próg. Claude Code został wydany jako podgląd badawczy w lutym 2025 roku. W ciągu około roku Claude przeszedł od sugerowania pojedynczych linii kodu do obsługi klastrów agentów, które działają autonomicznie w produkcyjnych bazach kodu. Prospekt porównuje wpływ Claude Code do pierwszych powszechnie przyjętych konwersacyjnych asystentów AI. Zastosowania są często nieoczekiwane; na przykład inżynierowie NASA użyli go do zaplanowania i napisania poleceń nawigacyjnych dla łazika Mars Perseverance, realizując pierwszy zaplanowany przez AI przejazd na Marsie.

Cyberbezpieczeństwo może być drugie. W benchmarku wykorzystania podatności opracowanym przez badaczy z Carnegie Mellon University wynik Claude'a wzrósł z 40% do 78%, a następnie do 91% w ciągu około czterech miesięcy.

Praca wiedzy jest trzecia. Jedno zdanie w prospekcie zrobiło na mnie duże wrażenie: cała praca cyfrowa jest ostatecznie formą ekspresji kodu. Na podstawie tego osądu Anthropic przeniósł architekturę agenta Claude Code do pracowników wiedzy i zbudował Cowork, który autonomicznie czyta pliki, obsługuje aplikacje i wykonuje wieloetapowe przepływy pracy na pulpicie użytkownika, z ukrytym kodem bazowym. Cowork został wydany jako podgląd badawczy w styczniu 2026 roku, a do końca września jego wskaźnik adopcji przewyższył już poziom Claude Code w tym samym punkcie czasowym. We wrześniu Cowork zaczął łączyć się z Claude.ai, umożliwiając użytkownikom przejście bezpośrednio od prostego pytania do złożonego wieloetapowego zadania w tej samej rozmowie.

Rozmowa i agenci łączą się w ten sam produkt.

Przypadki klientów również to potwierdzają. Rakuten użył Claude Code, aby osiągnąć ponad 7 godzin autonomicznego programowania, skracając czas wprowadzenia nowych funkcji z 24 dni roboczych do 5; Salesforce zakończył migrację API, która pierwotnie wymagała 231 dni, w 13 dni; Bristol Myers Squibb udostępnił Claude wszystkim 30 000 pracowników, skracając czas odpowiedzi na pytanie epidemiologiczne z jednego lub dwóch miesięcy do czterech lub pięciu minut.

Wraz ze zmianą formy produktu, stos technologiczny musi się zmienić. W prospekcie jest bardzo proste zdanie: sam model nie stanowi agenta. Agenci muszą być w stanie odzyskać się po awariach, obsługiwać systemy z ograniczonymi i audytowalnymi poświadczeniami oraz skalować się pod zmiennym obciążeniem; wszystko to wymaga frameworku uruchomieniowego. Anthropic udostępnił ten sam framework uruchomieniowy, który napędza Claude Code, jako Agent SDK, a także uruchomił wersję hostowaną, Managed Agents; wraz z pakietem umiejętności Agent Skills, protokołem MCP, który łączy dane i narzędzia przedsiębiorstwa, oraz standardem sprzętu modelowego MHS, który pozwala agentom obsługiwać sprzęt laboratoryjny i produkcyjny, tworzą one warstwę platformy pośredniej.

sztuczna inteligencja

Robienie wszystkich trzech warstw razem—modeli, platformy i aplikacji—już przynosi korzyści w danych klientów. Na koniec września tego roku, wśród klientów płacących ponad 100 000 dolarów rocznie, ponad połowa korzystała zarówno z platformy, jak i co najmniej jednej aplikacji pierwszej strony; w czwartym kwartale zeszłego roku odsetek ten wynosił około 30%.

Jednostka produktowa dużych modeli przesuwa się z pojedynczej odpowiedzi na dostawę. Ognisko konkurencji przesunie się z benchmarków modeli na zdolności inżynieryjne, takie jak frameworki wykonawcze, zarządzanie kontekstem, systemy uprawnień i połączenia z narzędziami — to, co często nazywa się Harness. Innym podejściem wartym naśladowania jest to, że Anthropic projektuje produkty wokół zdolności, które modele będą miały, a nie wokół obecnych zdolności. W ten sposób zbudowano Claude Code, więc gdy zdolność się pojawiła, produkt mógł szybko się skalować.

Trend 3: Płacenie za inteligencję, przy czym modele mają termin przydatności jak świeże produkty

Anthropic nazywa swój główny model przychodów pay-for-intelligence, co oznacza rozliczanie oparte na zużyciu, mierzone w tokenach i wyceniane według wybranego modelu. W pierwszych trzech kwartałach 2026 roku rozliczanie oparte na zużyciu stanowiło 79% przychodów, a subskrypcje 21%; przychody przez marketplace'y trzech głównych platform chmurowych stanowiły 44%; przychody spoza Stanów Zjednoczonych stanowiły 29%.

人工智能

Trzy szczegóły szczególnie dobrze ilustrują cechy tego modelu.

Po pierwsze, obniżki cen to wymiana ceny na wolumen, a nie wojna cenowa. W listopadzie 2025 roku Anthropic wydało Opus 4.5, który był bardziej zdolny i miał niższą cenę oraz niższy koszt na zadanie. Następnie kwartalny wzrost przychodów firmy skoczył z 48% w czwartym kwartale ubiegłego roku do 132% w pierwszym kwartale tego roku. Opus 5.5, wydany we wrześniu tego roku, obniżył koszt wykonania tych samych zadań przez klientów o około 40%; Fable 5.1 obniżył go o około 25% w porównaniu z poprzednią generacją i mógł zaoszczędzić do 45% na złożonych zadaniach programistycznych i wysoce agentowych. Zgodnie z ujawnieniem na roadshow, w trzecim kwartale pobrano o około 600 milionów dolarów mniej z powodu obniżek cen i rabatów kontraktowych, ale zostało to w pełni zrekompensowane wzrostem zużycia. Oświadczenie kierownictwa jest takie, że ta obniżka cen była neutralna dla marż, ponieważ nowe modele same w sobie są bardziej wydajne obliczeniowo.

Innymi słowy, za spadkiem jednostkowej ceny tokena kryje się dywidenda efektywności: wydajność obliczeniowa musi najpierw wzrosnąć, zanim ceny mogą spaść, a obniżki cen z kolei dalej uwalniają popyt.

Po drugie, modele mają termin przydatności. Prospekt ujawnia, że w trzecim kwartale ponad 80% przychodów pochodziło z wersji modeli wydanych w ciągu ostatnich sześciu miesięcy. W pierwszych trzech kwartałach tego roku firma uruchomiła łącznie 250 nowych wersji modeli, funkcji platformy i aplikacji. W tej branży model nie jest oprogramowaniem opracowanym raz i sprzedawanym przez długi czas; jest bardziej jak świeży produkt, który wymaga ciągłego uzupełniania. Kto się zatrzyma, zobaczy, jak klienci migrują do najnowszego modelu kogoś innego.

Po trzecie, przychody podążają za rytmem pracy ludzi. Prospekt wspomina, że w dwóch tygodniach kończących się 2 stycznia tego roku całkowite wydatki klientów spadły o około 20% w porównaniu z poprzednimi dwoma tygodniami, ponieważ wiele firm zaplanowało zamrożenia kodu w okresie świąt, a deweloperzy spowolnili commity kodu i wdrażanie funkcji. Przychody firmy AI zaczynają wykazywać sezonowość podobną do sezonowości branży usług ludzkich. To pośrednio pokazuje, że Claude stał się głęboko osadzony w rzeczywistych działaniach produkcyjnych.

Jest jeszcze jedno zobowiązanie warte wspomnienia: Claude nie wyświetla reklam. List założyciela mówi, że reklama prawdopodobnie byłaby znaczącym źródłem przychodów, ale gdy reklama wejdzie do celów przychodowych, wzrośnie presja na dążenie do czasu spędzanego przez użytkowników, a firma chce, aby jedynym bodźcem Claude'a było udzielanie użytkownikom użytecznej odpowiedzi. Model przychodów determinuje kierunek bodźców produktu i dotyczy to wszystkich firm budujących agentów.

Jednostka wyceny dużych modeli przesuwa się z miejsc na tokeny, a następnym krokiem mogą stać się zadania i wyniki. Kto potrafi stale obniżać koszt na zadanie, będzie w stanie przechwycić elastyczność popytu; a to, czy koszt na zadanie można obniżyć, zależy od omówionej poniżej wydajności obliczeniowej.

Trend czwarty: Przedsiębiorstwa są głównym polem bitwy, deweloperzy punktem wejścia, a zdolność dostawy nowym wąskim gardłem

Anthropic od samego początku skupiło się na przedsiębiorstwach. List założyciela uzasadnia, że ogromna wartość AI pochodzi głównie z tego, jak przedsiębiorstwa i organizacje ją wdrażają.

sztuczna inteligencja

Liczby rosną szybko. Klienci płacący ponad 100 000 dolarów rocznie było około 20 na koniec 2023 roku, około 200 na koniec 2024 roku, ponad 950 we wrześniu 2025 roku i ponad 11 900 do końca września tego roku, co stanowi dwunastokrotny wzrost w ciągu jednego roku. Spośród nich ponad 1900 płaci ponad 1 milion dolarów rocznie, a około 250 płaci ponad 10 milionów dolarów. Wskaźnik retencji przychodów netto wynosi około 900%, co oznacza, że klienci, którzy płacili już rok temu, wydali w tym kwartale około 9 razy więcej niż w tym samym okresie rok wcześniej.

Struktura klientów również staje się zdrowsza. Przychody od pięciu największych klientów spadły z 36% w pierwszym kwartale tego roku do 21% w trzecim kwartale, przy czym żaden pojedynczy klient nie odpowiada za więcej niż 10%.

Jeszcze bardziej godne uwagi jest to, że wciąż istnieje dużo miejsca. Ponad połowa firm z listy Fortune 500 to już klienci płacący ponad 100 000 dolarów rocznie, ale średnie wydatki tych klientów na Claude wynoszą mniej niż 0,1% ich całkowitych wydatków; nawet dziesięciu największych wydających jest poniżej 1%. Prospekt emisyjny stwierdza dosłownie, że luka między tym, co Claude potrafi zrobić, a tym, jak szeroko jest wykorzystywany, jest jedną z największych szans rozwojowych firmy.

Jak wydawane są pieniądze? Prezentacja inwestorska opisuje typową ścieżkę w czterech krokach: inżynierowie najpierw używają Claude Code, następnie rozszerzają to na pokrewne role, potem wchodzą w procesy biznesowe, a w końcu osadzają to w produktach zewnętrznych. Prospekt emisyjny podaje porównanie: w trzecim kwartale użytkownicy korporacyjni, którzy nie używali Claude Code, wydawali średnio mniej niż 75 dolarów miesięcznie, podczas gdy najlepsze 5% użytkowników korzystających z Claude Code wydawało około 20 razy więcej. Deweloperzy są zarówno najbardziej wymagającymi wczesnymi użytkownikami, jak i najbardziej przekonującymi promotorami wewnątrz przedsiębiorstw.

Jednak podejście oddolne samo w sobie nie wystarcza. Prospekt emisyjny szczerze przyznaje, że główną przeszkodą w adopcji Claude jest naturalny opór wobec zmian wewnątrz organizacji. W tym celu Anthropic zbudował kompletny system dostarczania: zespoły sprzedaży bezpośredniej i zespoły aplikowanej AI zorganizowane według geografii, a następnie według branży, współpracujące z klientami przy projektowaniu i wdrażaniu dostosowanych rozwiązań; wspólną sprzedaż z trzema głównymi chmurami AWS, Google Cloud i Azure, przy czym klienci podpisują umowy bezpośrednio z Anthropic, a Anthropic płaci dostawcom chmur; integratorzy systemów, tacy jak Accenture, Deloitte, KPMG i PwC, utworzyli dedykowane zespoły biznesowe Claude; sieć partnerska certyfikowała 150 000 praktyków z ponad 4000 organizacji; w październiku zainwestowano kolejne 100 milionów dolarów na utworzenie akademii, planując wyszkolenie 10 000 inżynierów FDE do końca 2027 roku do standardu własnych inżynierów, zdolnych do wprowadzania AI do środowisk produkcyjnych; nawiązano także współpracę z firmami private equity w celu utworzenia firmy usług AI specjalizującej się w obsłudze średnich przedsiębiorstw.

Mimo to w pierwszej połowie tego roku wydatki na sprzedaż, marketing i partnerów stanowiły jedynie 19% przychodów.

Możliwości modeli już wyprzedziły zdolność absorpcyjną organizacji. Wąskim gardłem dla korporacyjnej AI w następnym etapie nie jest model, lecz dostarczanie: inżynierowie FDE, zespoły aplikacyjne i partnerzy ekosystemu, którzy potrafią połączyć modele z rzeczywistymi procesami biznesowymi, staną się najrzadszymi zasobami. To to samo zjawisko, które zaobserwowaliśmy wcześniej, że stanowiska inżynierów dostarczania na miejscu wzrosły piętnastokrotnie w ciągu roku.

Trend piąty: Moc obliczeniowa to największy koszt, a także międzytemporalny kontrakt terminowy

Najpierw spójrzmy na efektywność. Od pierwszego kwartału 2025 roku do trzeciego kwartału 2026 roku przychody Anthropic wzrosły 45-krotnie, podczas gdy wydatki na moc obliczeniową i infrastrukturę wzrosły jedynie 10,4-krotnie. Przychody generowane na każde 1 dolara wydanego na moc obliczeniową wzrosły z 0,40 dolara do 1,72 dolara, a w drugim kwartale osiągnęły nawet 2,08 dolara.

sztuczna inteligencja

Źródło obrazu: materiały inwestorskie z prezentacji Anthropic

Firma podaje dwa powody. Po pierwsze, ulepszenia algorytmiczne mnożą moc obliczeniową, więc ten sam model można trenować i uruchamiać przy mniejszym zużyciu mocy obliczeniowej. Po drugie, architektura wieloukładowa: trenowanie i wnioskowanie jednocześnie na Amazon Trainium, Google TPU, Nvidia GPU i AMD GPU, przy czym cała moc obliczeniowa jest traktowana jako jeden wymienny zasób i przydzielana jednolicie, przenosząc moc obliczeniową tam, gdzie marginalna wydajność jest najwyższa. Wspomniana trzydniowa integracja z AMD jest wynikiem tej zdolności w połączeniu z zamkniętą pętlą.

Następnie spójrzmy na niedopasowanie. Prospekt emisyjny stwierdza, że firma zazwyczaj kupuje moc obliczeniową z 12- do 18-miesięcznym wyprzedzeniem, a ta część kosztów jest w krótkim terminie zasadniczo stała, podczas gdy popyt podwaja się z kwartału na kwartał.

人工智能

W rezultacie zyski gwałtownie wahają się wraz z prognozami popytu. W drugim kwartale przychody przewyższyły moc obliczeniową zamówioną ponad rok wcześniej, wydatki na moc obliczeniową stanowiły jedynie 48% przychodów, a zysk operacyjny po raz pierwszy wśród ujawnionych kwartałów stał się dodatni, z marżą operacyjną na poziomie 8%. W trzecim kwartale popyt nadal gwałtownie rósł, a firma kupiła moc obliczeniową o wartości 5 miliardów dolarów w krótkim terminie po wysokich cenach, przy czym ceny jednostkowe były znacznie wyższe niż w kontraktach wieloletnich, stanowiąc około połowy wydatków na moc obliczeniową w tym kwartale; udział mocy obliczeniowej wzrósł z powrotem do 58%, a marża operacyjna spadła do minus 3%.

Warto porównać jeszcze jeden zestaw liczb. Zgodnie z podstawą prezentacji marża brutto za pierwsze trzy kwartały tego roku wyniosła 85%, ale jeśli odliczyć wszystkie wydatki na moc obliczeniową, w tym na trenowanie modeli, marża wynosi tylko 43%. Marża brutto uwzględnia jedynie tę część mocy obliczeniowej, która obsługuje klientów; moc obliczeniowa przeznaczona na trenowanie kolejnej generacji modeli nie jest wliczana. Dla firm zajmujących się dużymi modelami naprawdę największy koszt znajduje się właśnie poza marżą brutto.

Na koniec spójrzmy na skalę. Na koniec września i później łączne zobowiązania Anthropic dotyczące mocy obliczeniowej i infrastruktury wynoszą około 900 miliardów dolarów, z czego około 451,6 miliarda dolarów przypada na okres przed końcem 2030 roku, a reszta głównie na lata 2031–2045. Około 70,7 miliarda dolarów przypada na najbliższe 12 miesięcy, co jest niższe niż obecne roczne przychody wynoszące około 81 miliardów dolarów; jednak część przypadająca na okres przed końcem 2030 roku jest już 5,6 razy większa niż obecne roczne przychody.

人工智能

Aby zyskać więcej swobody manewru w tej międzyokresowej grze, Anthropic przenosi więcej mocy obliczeniowej do swojego własnego systemu Anthropic Direct: samodzielnie wynajmuje chipy i umieszcza je w dedykowanych centrach danych zbudowanych według własnych specyfikacji. Jego spryt polega na rozdzieleniu dwóch rzeczy: budowa centrów danych zajmuje dużo czasu, ale stanowi tylko niewielką część całkowitych kosztów, więc można ją zablokować najpierw; inwestycja w chipy jest duża kwotowo, więc firma może poczekać, aż popyt będzie wyraźniejszy, zanim zdecyduje, ile kupić. Długoterminowym celem zarządu jest obniżenie wydatków na moc obliczeniową do 45%–50% przychodów, przy skorygowanej marży operacyjnej przekraczającej 35%.

List założyciela jest bardzo szczery w tej kwestii: firma często dokonuje inwestycji wyprzedzających, które na pierwszy rzut oka wyglądają nieodpowiedzialnie duże, zwłaszcza w moc obliczeniową. List używa branży farmaceutycznej jako analogii: wczesne inwestycje w badania i rozwój są ogromne, a rachunki się zgadzają dopiero, gdy pojawi się skuteczny lek, z tą różnicą, że w przypadku AI proces ten jest szybszy i ma większą skalę. Jednocześnie firma jest gotowa zrezygnować z części potencjalnych zysków w zamian za ochronę przed stratami, na przykład odsprzedając nadwyżkę mocy obliczeniowej, gdy popyt zostanie przeszacowany, stale poprawiając efektywność w celu zwiększenia tolerancji na błędne oszacowania oraz podnosząc finansowanie z wyprzedzeniem, gdy jest to konieczne. Mówiąc słowami listu: bądź odważny, ale trzeźwy.

Podstawowe zdolności operacyjne firm zajmujących się dużymi modelami zaczęły stawać się prognozowaniem popytu i harmonogramowaniem mocy obliczeniowej. Aby ocenić firmę AI z dużymi inwestycjami, najpierw spójrz na jej krzywą wydajności na jednostkę mocy obliczeniowej, a następnie sprawdź, czy termin jej kontraktów na moc obliczeniową odpowiada tempu wzrostu popytu. To pierwsze decyduje o tym, czy firma może zarabiać; to drugie decyduje o tym, czy w którymś kwartale nie zostanie zmiażdżona przez koszty mocy obliczeniowej.

Szósty trend: Bezpieczeństwo i ład korporacyjny – od centrum kosztów do części produktu

W kwietniu tego roku Anthropic wytrenował Mythos, najbardziej wówczas zdolny model, i uznał, że jego zdolność do wykrywania luk w sieci jest zbyt duża, więc nie udostępnił go w pełni i bezpośrednio. Zamiast tego, poprzez program o nazwie Project Glasswing, udostępnił jedynie ograniczony podgląd badawczy niektórym instytucjom w celu obrony cybernetycznej, przyznając obrońcom około 100 milionów dolarów kredytów na użytkowanie. Dopiero po wprowadzeniu dodatkowych zabezpieczeń bezpieczeństwa firma w pełni udostępniła go w czerwcu pod nazwą Fable 5. List założycieli przyznał, że to opóźnienie oznaczało rezygnację ze znacznych przychodów, a także oddanie części swojej pozycji konkurencyjnej.

Czy to jest komercyjnie opłacalne? Odpowiedź prospektu emisyjnego brzmi: rygorystyczne zabezpieczenia bezpieczeństwa, przewidywalne zachowanie modelu i możliwe do udowodnienia mechanizmy odpowiedzialności stały się decydującym kryterium, według którego przedsiębiorstwa wybierają partnerów AI do zadań o krytycznym znaczeniu. Dobrze dostrojone modele lepiej wykonują polecenia, nie podejmują pochopnie destrukcyjnych działań przed wyjaśnieniem intencji użytkownika i są bardziej odporne na ataki typu prompt injection. Kiedy modele zaczynają łączyć się z krytycznymi systemami biznesowymi jako agenci, bezpieczeństwo staje się niezawodnością, a niezawodność – tym, czy można to sprzedać.

W tym celu Anthropic współpracował z ponad 100 klientami z sektora finansowego, opieki zdrowotnej i sektora publicznego, aby opracować przedsiębiorcze zabezpieczenia bezpieczeństwa najwyższej klasy: dane monitoringu są przechowywane na własnym koncie chmurowym klienta, szyfrowane kluczami klienta, a alerty o nadużyciach są wysyłane bezpośrednio do zespołu bezpieczeństwa klienta, bez udziału pracowników Anthropic.

人工智能

W zakresie ładu korporacyjnego Anthropic jest spółką pożytku publicznego z Delaware, a jej zarząd musi ważyć interesy akcjonariuszy wobec misji pożytku publicznego. Władza jest podzielona między trzy strony: siedmiu współzałożycieli posiada stałą siłę głosu wynoszącą 50,1% poprzez jedną akcję klasy F i wybiera 3 dyrektorów; długoterminowy fundusz powierniczy pożytku publicznego, który nie ma interesu finansowego w spółce, wybiera 4 z 7 dyrektorów, przy czym nominacja i odwołanie jednego z nich podlega mechanizmowi ochronnemu, a gdy spółka i fundusz powierniczy się nie zgadzają, głosują pracownicy. Specjalne prawa głosu założycieli nie są wieczne; gdy w podmiocie głosującym pozostanie mniej niż 3 założycieli, wracają oni do statusu zwykłych akcjonariuszy.

Uregulowanie pożytku publicznego jest również zapisane w kapitale własnym: przed debiutem giełdowym odłożono 5% kapitału własnego na utworzenie funduszu pożytku publicznego, a następnie, za każde trwałe 50% wzrostu ceny akcji, zarząd może odłożyć kolejne 2%. Wszyscy siedmiu współzałożycieli zobowiązało się przekazać 80% osobiście posiadanego kapitału własnego, a ponad połowa pracowników również zobowiązała się przekazać część swojego kapitału własnego.

W liście założycieli jest fragment, który uważam za najbardziej trzeźwą część całego dokumentu ofertowego. Napisali, że przed rozpoczęciem IPO konsultowali się z wieloma przedsiębiorcami, którzy przeszli przez debiut giełdowy, i kilku z nich udzieliło podobnej rady: nigdy nie pozwól, aby twoja firma była warta o dolara więcej niż jej rzeczywista wartość. Ponieważ jest bardzo niebezpiecznie, gdy ludzie kupują akcje na podstawie oczekiwań, których nie możesz spełnić, lub błędnie oceniają, jak będziesz postępować. Dlatego ten list szczególnie wymienia dwa rodzaje decyzji, w których firma może odbiegać od oczekiwań inwestorów: jednym są zakłady biznesowe wynikające z wykładniczego rozwoju AI, które same w sobie wyglądają nieco nienormalnie, a drugim są wybory odbiegające od maksymalizacji zysku w celu zrównoważenia interesu publicznego.

Bezpieczeństwo jest także spoiwem, które pomaga Anthropic przyciągać talenty. Wszyscy siedmiu współzałożycieli nadal pracuje, nieoczekiwany wskaźnik odejść wynosi około 1%, a spośród pracowników, których firma chciała zatrzymać, ale którzy odeszli, 19% później wróciło; ponad trzy czwarte pierwszych 100 pracowników nadal pracuje w firmie.

Kiedy modele zmieniają się z odpowiadania na pytania w działanie w imieniu ludzi, zaufanie staje się samą cechą produktu. Inwestycja w bezpieczeństwo nie jest już tylko kosztem zgodności, ale płaceniem za dostęp do krytycznej działalności przedsiębiorczych klientów.

Cztery niepewności w prospekcie emisyjnym również zasługują na uwagę

Po pierwsze, wzrost z pewnością spowolni. Wzrost kwartalny w trzecim kwartale wyniósł 47%, znacznie mniej niż 144% w drugim kwartale. Sam prospekt emisyjny wyraźnie stwierdza, że wzrost przychodów będzie z czasem spadać, a spadek może być większy i nastąpić wcześniej niż oczekiwano; w miarę spowolnienia wzrostu wahania sezonowe staną się bardziej wyraźne, a wyniki będą trudniejsze do przewidzenia.

Po drugie, jakość przychodów. Prospekt ujawnia, że około 5% do 7% przychodów w pierwszych dziewięciu miesiącach tego roku pochodziło od klientów, którzy później zostali uznani za naruszających zasady użytkowania lub warunki handlowe. Spółka wzmocniła wykrywanie i egzekwowanie w sierpniu i wrześniu, a ta część przychodów będzie stopniowo maleć, ale jak duży będzie wpływ na wzrost i kiedy się ujawni, obecnie nie jest pewne.

Po trzecie, niedopasowanie mocy obliczeniowej. Zobowiązania o wartości około 900 miliardów dolarów zasadniczo muszą zostać wypełnione niezależnie od przychodów i wykorzystania. Część rozbudowy mocy obliczeniowej opiera się również na finansowaniu lub wsparciu kredytowym zapewnianym przez dostawców chmury i partnerów w zakresie chipów. Amazon i Google są zarówno głównymi akcjonariuszami z udziałami powyżej 5%, jak i klientami, kanałami dystrybucji oraz konkurentami; ta wieloraka relacja sama w sobie jest źródłem niepewności.

Po czwarte, straty księgowe. Strata netto w trzecim kwartale wyniosła 23,3 miliarda dolarów, z czego 21,9 miliarda dolarów stanowiły zmiany wartości godziwej obligacji zamiennych, zobowiązań z tytułu instrumentów pochodnych i SAFE wywołane wzrostem wyceny, które są pozycjami niegotówkowymi; jednak koszty wynagrodzeń w formie akcji ujmowane sukcesywnie po debiucie będą nadal obciążać rachunek wyników. Jeśli chodzi o konkurencję, OpenAI, Google i coraz bardziej zdolne modele o otwartych wagach znajdują się na tym samym torze.

Z perspektywy wyceny emisji rynek w rzeczywistości już wykonuje te obliczenia.

Pięć spostrzeżeń dla branży wielkich modeli

Zestawienie sześciu trendów daje pięć spostrzeżeń dla branży.

Po pierwsze, w badaniach i rozwoju stań się pierwszym użytkownikiem własnego modelu. Zamknięta pętla Anthropic pokazuje, że głębokość wewnętrznego wykorzystania determinuje szybkość iteracji bardziej niż pozycje na zewnętrznych rankingach. Zacznij od dziedzin, w których wyniki są weryfikowalne, takich jak kod, pozwól modelowi najpierw przekształcić własny proces badawczo-rozwojowy, a następnie rozlej tę zdolność na klientów.

Po drugie, w produktach przejdź od konwersacji do dostarczania. Modele, frameworki wykonawcze, protokoły połączeń i pakiety umiejętności muszą być budowane razem, a produkty należy projektować wokół wyników dostarczania, a nie jakości odpowiedzi; jednocześnie planuj produkty wokół zdolności modelu za sześć miesięcy, a nie koncentruj się wyłącznie na obecnych możliwościach.

Po trzecie, komercyjnie traktuj wydajność na jednostkę mocy obliczeniowej jako pierwszą metrykę operacyjną. Model rozliczeń opartych na zużyciu plus ciągłe obniżki cen zakładają ciągły spadek kosztu na zadanie. Obniżki cen bez wzrostu wydajności to tylko subsydia; obniżki cen wsparte wzrostem wydajności mogą przynieść elastyczność popytu.

Po czwarte, na rynku usługi dla przedsiębiorstw zależą od systemu dostarczania. Penetracja oddolna przez deweloperów, głębokie dostarczanie przez zespoły aplikacyjnej AI, pokrycie ekosystemu przez platformy chmurowe i integratorów, certyfikacja i szkolenie inżynierów FDE, plus formy usług skierowane do średnich przedsiębiorstw—żadnego z tych elementów nie może zabraknąć. Gdy zdolności modeli są w nadmiarze, ten, kto potrafi przekształcić zdolności w wyniki w procesach klienta, może przechwycić przychody.

Po piąte, w mocy obliczeniowej pulowanie heterogenicznych mocy obliczeniowych i mieszanka umów długo- i krótkoterminowych to podstawowe umiejętności. To, czy firma modelowa potrafi efektywnie trenować i wnioskować na wielu chipach, czy potrafi wykorzystać AI do automatycznego przeprowadzenia migracji operatorów, oraz czy potrafi osobno zablokować centra danych i chipy i połączyć umowy długoterminowe z krótkoterminowymi, bezpośrednio determinuje jej elastyczność zysku, gdy popyt się waha. Dla przedsiębiorstw, które muszą uruchamiać modele na wielu chipach jednocześnie, jest to szczególnie pouczające.

Na koniec wróćmy do tego zdania: nigdy nie pozwól, aby twoja firma była warta o jednego dolara więcej niż jej rzeczywista wartość.

Znaczenie debiutu Anthropic nie polega na tym, że istnieje kolejna firma warta bilion dolarów, ale na tym, że po raz pierwszy branża wielkich modeli musi zaakceptować kwartalne rozliczenia przez rynek publiczny. Gdy inteligencja zaczyna być produkowana masowo, trudniejsze niż tworzenie mądrzejszych modeli jest ciągłe udowadnianie, że ktoś jest gotów płacić za zużycie za inteligencję uzyskaną z każdej jednostki mocy obliczeniowej.

Ten egzamin zaczyna się wraz z otwarciem rynku dziś wieczorem, 19 listopada.

(Ten artykuł opiera się na publicznie ujawnionym prospekcie Anthropic, materiałach inwestorskich z roadshow, filmach z roadshow i liście założycieli. Samodzielnie raportowane dane operacyjne spółki i oświadczenia zarządu z roadshow nie zostały niezależnie zweryfikowane; cena i wielkość emisji podlegają ostatecznej wycenie i nie stanowią żadnej porady inwestycyjnej.)

Wang Qiang, Dyrektor Centrum Badań nad Technologiami Frontierowymi w Instytucie Badawczym Tencent

Ten artykuł pochodzi z publicznego konta WeChat "Tencent Research Institute" (ID: cyberlawrc), autor: Wang Qiang