# 不确定性锥形区间：Anthropic CFO Krishna Rao 访谈全文中文翻译
> 原视频：Invest Like the Best — The Cone of Uncertainty
> Colossus 页面：The Cone of Uncertainty
> 文字稿来源：YouTube 自动字幕（Colossus 页面仅公开引言，完整 transcript 未公开显示）
> 发布日期：2026-05-13
> 对话双方：Patrick O'Shaughnessy × Krishna Rao（Anthropic CFO）
> 时长：约82分钟
算力、不确定性锥形区间与前沿智能回报
Krishna:
[00:00:00] 每次我们推出新模型时，都会有一系列不同的能力。人们倾向于将模型智能视为智商（IQ）。我们的看法则有些不同。对我们来说，智能是多维度的。它不仅仅是一个分数。这个模型在现实世界中的能力是什么？每一代模型都为你提供了机会去做更多的事情，做得更好，做得更高效，因为我们认为对前沿智能的回报是极高的。尤其在企业应用中更是如此。这是我们业务的核心论点。
Patrick:
Krishna，我对这次对话感到非常兴奋，因为你能够从内部观察世界历史上最有趣的商业公司之一，而且这可能也是世界历史上最有趣的时期——至少如果你是一名技术人员或关心技术的话。
[00:00:55] 让我最着迷的事情之一，也是为了直接切入我认为我们都非常有热情的一个话题，就是你每天都在处理的算力问题。这是你工作的一个关键部分。这也是这些公司正在做的事情的关键部分，现在正发生着一场全面的革命。我很希望你能从解释处理这些事情的感受开始。比如我了解到，在某个时期，你们甚至每天都要开会讨论如何分配算力，分配给谁以及为什么。请带我们走进你生活中的那一部分，因为我认为这正处于当前正在发生的事情的最前沿。
Krishna:
听着，我们采购的算力是我们业务的命脉。它是公司里最重要的事情。它就像是一块画布，所有其他东西都建立在它之上。因此，[00:01:39] 我们所做的决定以及要购买多少算力，是整个公司中最具影响力和最难做出的决定之一。
你想想看。如果你买得太多算力，你就会破产。如果你买得太少算力，你就无法服务你的客户，并且这等同于你不在前沿位置了。所以，你知道，我们经常谈论这个不确定性锥形区间，但想到这些采购会产生真实的现实世界影响，对吧？你不能只是跑出去，你知道，买一吉瓦（gigawatt）的算力，然后让他们下周交货。你必须真正提前思考并为此制定计划。因此，我们在思考这个问题时，采取了非常严谨的方法。所以，我们自下而上地看。你知道，我们会对我们预期的需求进行建模。显然，我们有时会弄错。我们会考虑我们需要多少算力来保持在前沿，我们真正地向前看，并 [00:02:24] 试图去估算它，然后当我们实际出去达成这些采购算力的交易时，你知道，灵活性对我们来说非常重要，所以我们将这种灵活性内置到交易本身中，我们也将其内置到我们使用算力的方式中，因为当业务呈指数级增长时，我们从今天的位置过渡到我们想去的位置的方法，就是尽可能高效地使用那些算力。我会说，即使在今天，我仍然花 30% 或 40% 的时间在算力上。
Patrick:
在这个例子中，灵活性意味着什么？
Krishna:
它意味着几件不同的事情。第一，你知道，我们使用三种不同的芯片平台。因此我们是亚马逊 Trainium 芯片、谷歌 TPU 和英伟达 GPU 的客户。你知道，我们是可互换地使用这些芯片的。所以如果你考虑我们购买的算力，我们用它来进行模型开发。我们在内部使用它来加速我们自己的产品和模型 [00:03:14] 开发。然后显然我们也用它来服务客户。我们横跨这三个芯片平台，将算力用于所有这些内部和外部的使用。这种灵活性，实际上花了我们很长时间才能够做到。我们在这方面投资了多年，才成为我认为在所有前沿实验室中最有效率的算力使用者。这不是一夜之间发生的事情。你知道，当我们开始使用 TPU 时，我想可能第三代 TPU 是我们大规模使用的第一个版本，人们觉得：“哦，好吧，你疯了。每个人都在用 GPU。你们为什么不用 GPU？” 我们投入了非常大的精力，才能够极其灵活地使用那些算力。然后，我们审视那些芯片平台的不同代次，并在内部将每一代用于最适合它的工作负载。因此，我们真正建立了一个编排层，这赋予了我们使用所有不同 [00:04:09] 类型算力的灵活性，并且在此过程中，我们也能够从中获得最大的价值。
Patrick:
我的想法是对的吗？就像 CUDA 这样的东西，长期以来一直是英伟达故事的一部分，它让你能够在底层的实际硬件上做很多事情，而你们希望能够想方设法尽可能地接近裸金属（bare metal）级别，这就是这种灵活性的一部分，并且能够控制尽可能多的变量。这就是你们一直在经历的旅程吗？
Krishna:
那肯定是这段旅程的一部分，但这实际上也是非常具有协作性的。[00:04:37] 因此，我们与亚马逊的 Annapurna Labs 团队密切合作，帮助影响这些芯片的路线图，因为你知道，我们相信我们正在做的事情真正在挑战这些芯片的能力极限。这也意味着在我们组织内部，一美元的算力发挥的作用比我认为在其他任何地方都要大。但重要的是，我们基本上希望在公司内部将每种芯片用于其最佳用途。所以这确实意味着，你知道，我们在构建自己的编译器。我们真的是从芯片层面开始向上构建东西，以便拥有这种定制化和灵活性，以我们认为能产生最大投资回报率（ROI）的方式在内部使用它。
Patrick:
[00:05:15] 你能解释一下这个不确定性锥形区间的事情吗？我想问关于这所有的组成部分，但这感觉像是一个非常关键的起点，或者说是关于如何思考算力的采购和使用的整体框架。你能解释一下这个概念是什么吗？
Krishna:
当然。当你正在成指数级地建设和增长一项业务时，你知道的，每月或每周增长率上非常微小的变动，复利后都会导致非常非常不同的结果。所以当我们向前规划时，你知道，即便是我们的收入增长，也很难预测这项业务，对吧？这真的很难。我认为人类大多进行线性思考，并且是渐进式的思考。这就是，你知道的，我在这家公司已经两年了。这就是我必须为自己打破的范式，对吧？停止仅仅进行线性思考，而要在这种指数级的层面上思考。[00:05:57] 当你再次处于这种指数级增长时，结果的范围开始变得非常、非常宽泛。我们会看一系列的场景，并观察在，你知道，一到两年期间内，那个不确定性锥形区间里的不同点，然后我们从那里往回倒推。我们想做的是，我们想要处于一个——你知道，显然仍能保持在前沿的位置。这是最重要的事情。能够服务客户，然后能够有足够的内部算力来加速我们员工的工作。这很有趣。如果我们对员工说，你们不能再使用我们的模型了。嗯，我们可以用我们在内部分配给员工的那些算力来服务数十亿美元的收入，但我们想对那个不确定性锥形区间采取长远的目光和长期的视角，因为我们希望达到这些结果的顶端。但是 [00:06:44] 我们必须为此做好计划。随着我们的发展，这就是我们如何有纪律地考虑购买算力。最重要的事情是，如果你处于不确定性锥形区间的某一个点上，但你只购买了对应另一个点的算力，会发生什么？这就是算力效率真正帮了我们大忙的地方。
Patrick:
你能带我们进入会议室，感受一下围绕这些权衡进行的对话吗？我对这三个类别非常感兴趣，比如广义上来说，训练研究、内部使用，然后是满足客户需求。你可能会天真地认为，好吧，那就是各占三分之一的分配或者类似的情况。这个分配比例的波动范围有多大？权衡是什么样的？那种持续进行的讨论是怎样的？
Krishna:
除了开会讨论算力采购之外，我们还经常开会讨论算力分配。我认为重要的是，这一切始于我们的文化，它是一个 [00:07:29] 极其注重协作的文化，这也影响了这种对话的进行方式，所以这里没有所谓的派系之争（各自为政），它是以一种非常协作的、非零和的方式进行的。但是在模型开发的算力上有一个下限，我们不会低于这个底线，对吧？所以即使这意味着我们服务客户变得更困难，或者在这方面我们不得不做一些不太自然的事情，我们也希望继续进行长期投资来开发最好的模型，因为我们认为对前沿智能的回报是极高的，并且尤其在企业领域更是极高的。因此，这为分配给模型开发的算力设定了一个底限。然后当我们考虑算力的内部使用时，它确实帮助我们加速了模型开发，并加速找到了那些能让我们从每一美元算力中获得更多回报的算力效率乘数。因此当我们讨论这个问题时，每个团队基本上都会说明他们将用这些算力做什么。[00:08:20] 然后我们会就如何看待投资回报率（ROI）进行真正开放坦诚的讨论。由于我们可以如此动态地分配那些算力，我们可以做出改变。我们可以在相对较短的时间范围内对其进行调整。
Patrick:
关于效率的事情对我来说非常有趣。我很好奇你是否有一种感觉，比如与一年前之类的内部基准相比，或者与你知道他们效率如何的其他人相比，你们现在的效率提高了多少。你们如何衡量效率的含义？
Krishna:
所以，我会从几个不同的角度来思考这个问题。从模型的角度来看，我认为当这些新模型发布时，人们的类比是它们有点像汽车。你以前有一辆轿车，然后你可能拥有了那辆轿车的更高端版本，你在这个链条上不断地向上、向上、向上攀升。我认为在模型智能方面确实如此。这个类比 [00:09:04] 稍微不太适用的地方在于，人们认为，好吧，我要从轿车换成跑车了，我的燃油效率会低得多，对吧？对吧？我买跑车可不是为了省油。在我们的情况中，我们实际上看到了双重进步，不仅在能力上有了巨大的提升，在模型效率上也是如此。所以，如果你看看从 Opus，你知道，4 升级到 4.5、4.6，再到现在 4.7，你知道，每一次跃升都不尽相同，但向新模型的每一次跃升在有效处理 token 的效率上都有一个乘数级别的提升。这不仅能服务客户，也能在内部帮助我们，因为如果你想一下，如果我们正在使用模型——如果我们正在对模型进行强化学习（RL），那基本上就是在带有奖励函数的沙盒内进行推理，对吧？所以如果模型在更高效推理方面做得更好，那么这种强化学习 [00:09:56] 也更高效。因此我们能够实现这种双赢：当我们发布新模型时，客户能获得更强的能力。同时我们能够提供该模型，其效率有时又是上一代的数倍。然后，当我们处于两代模型之间时，我们会在这些更像是阶跃函数的模型变更之间动态地部署效率改进。因此，随着时间的推移，它总是变得越来越高效。而推动这一切的是研究团队。所以如果你想一下，所有这些事情都是紧密相连的。我们在内部拥有的这些各种任务和工作负载都在以这种方式契合在一起：你知道，为了模型能力、为了算力效率、为了服务客户而进行研发，然后内部的工作负载可以通过使用最好的模型（有时是我们尚未发布的模型）来得到加速。
旁白:
大多数软件公司都试图最大化你在他们应用上的停留时间来刺激参与度，Ramp 却完全 [00:10:52] 相反，他们明白没有人愿意花上几个小时去追讨收据、审查费用报告以及检查是否有违反政策的情况。因此，他们打造了工具把这些时间还给你，利用 AI 将 85% 的费用审查自动化，准确率高达 99%。而且既然 Ramp 能为公司节省 5% 的开支，难怪 Shopify 在使用 Ramp，Stripe 在使用 Ramp，我的企业也一样。想看看当你消除这些繁杂工作时会发生什么吗？请访问 ramp.com/invest。
旁白:
Rogo 旗下的 Felix 是一款个人财务智能体，它能够将一个简单的提示转化为符合你公司自有模板、上下文和标准的、直接可以交给客户的成品。给 Felix 发封邮件，比如“接受这些意见并帮我进行转换，或者利用这些邮件的上下文更新我的追踪器。”或者“针对这个买家计算一下支付能力模型”，然后 Felix 就会发送回制作完成的 PowerPoint 演示文稿、Excel 模型以及标有来源的研究报告。[00:11:40] Felix 的工作方式与你团队已有的工作方式一致，能够全天候快速准确地交付工作。了解更多请访问 rogo.ai/felix。
旁白:
OpenAI、Cursor、Anthropic、Perplexity 和 Vercel 都有一个共同点。它们都在使用 WorkOS。原因如下：为了实现企业级的大规模采用，你必须提供像 SSO、SCIM、RBAC 和审计日志等核心功能。这正是 WorkOS 发挥作用的地方。你不需要花费数月时间自行构建这些关键任务功能，只需使用 WorkOS API，即可在第一天获得所有这些功能。这就是为什么你听说的那么多顶尖 AI 团队都已经在使用 WorkOS 运行。WorkOS 是让你具备企业级服务能力、并保持专注最重要的事情——你的产品——的最快途径。访问 workos.com 开始使用吧。
Patrick:
你之前说了一句非常重要的话，那就是身处前沿的回报是非常高的。你能尽可能详细地解释一下吗？[00:12:32] 你这么说听起来很显而易见，但肯定也有一些阵营的人会想，哦，我只需要，你知道的，我可以使用六个月前的模型，成本只是很小一部分，而且我只要用那个就行了，毕竟它也会不断追赶。但实际情况并非如此。比如每个人，在 Opus 4.7 发布的那一秒，甚至像我这样的消费者，你做的第一件事就是切换到它，或者 GPT 5.5 发布时，你也会立刻切换到新的那个。就像我想要，我想要最好的。所以谈谈处于前沿的回报，以及为什么这回报如此之高。
Krishna:
我认为有几个原因。每一次我们拥有一个新模型时，都会有一组不同的能力。人们倾向于将模型智能视为智商（IQ）。它只是一个单一数字。好吧，这个模型原来是 110，然后变成了 125。我们的看法则有些不同。对于……的智能
Krishna:
[00:13:14] 对我们来说是多维度的。它不仅仅是一个分数。事实上，我们发现，是的，每个人都在发布他们的模型基准测试卡。我们发现许多这些基准测试已经饱和了。你知道，我们也发布它。但我们的衡量标准是客户告诉我们的，比如这个模型在现实世界中的能力是什么。随着我们发布越来越好的模型，我们看到它不仅仅是，你知道，纯粹的智能。它也是执行长周期任务的能力。是使用工具或计算机使用的能力。它是更快地完成具有特定价值的代理（agentic）任务的能力，对吧？这意味着在某种意义上，你知道，如果你有两个员工，他们可能能力相当，有人花一周时间完成，你知道，一项任务，有人在一天内完成。那么，第二个人如果继续这样做，可以比原来好七倍，对吧？他们在某方面可能能力相当，可能只是
[00:14:04] 花更长的时间去做。所以所有这些因素都会影响客户的体验。我们非常一致地发现，通过发布新模型，目标潜在市场（TAM）以一种独特的方式被解锁。就像更多的TAM被解锁，更多的用例成为可能。这在公司过去的四个月里得到了很好的印证，对吧？我们在年初有大约90亿美元的年化收入（run-rate revenue），而在季度末，你知道，有超过300亿美元的年化收入。我的意思是，这种变化确实是由这些模型智能的飞跃以及我们围绕它们构建的产品所推动的。所以这就是我所说的前沿智能（frontier intelligence）的回报是非常高的。我认为这在企业端是独一无二的，因为在消费者端有时你不会那么容易看到消费者真的在突破模型的极限，而在企业端，就像我们的客户
[00:14:54] 总是，现在你知道它从编码开始，但它确实已经非常有意义地扩展到这之外了，但每一代模型都给了你机会用它做更多事情，做得更好，做得更有效率，客户看到了这一点，然后他们就用更新的模型投入大量资金购买更多的 token，我们只是看到这种循环一次又一次地上演，这是我们业务的一个核心论点，特别是在企业端，前沿智能的回报并没有放缓。
Patrick:
推动那个前沿的东西就像是一个科幻故事，或者是我成长过程中读过的书里的东西。似乎在主要实验室中，我们已经达到了这个点，你团队中有人最近说过，就像递归自我改进一样，模型本身正在构建并进行大量的研究，你知道的，进行下一代的改进。有一种如果我想想你正在
[00:15:44] 推动的前沿和 OpenAI 正在推动的前沿，并将其与开源模型进行比较，也许差距会因为你们首先到达这个像递归这样的事情而扩大。你怎么看？比如，告诉我们应该如何看待模型本身递归自我改进的这个想法，因为似乎最先到达那里极其重要，因为这样你就可以继续将自己与那些还没到达的人拉开差距。
Krishna:
我想说我们确实看到进展在加速。我们看到，呃，你知道我不能代表其他公司，但对我们来说，缩放定律（scaling laws），你知道的，依然生机勃勃，而且我们看到了，你知道，即使是最近发布的版本，比如 mythos，现在在公司内部，你知道的，90%以上的代码实际上是由 Claude Code 编写的，对吧，很多 Claude Code 都是由 Claude Code 编写的，所以你会想，为什么我们在内部署算力（compute），为什么我们
[00:16:36] 会为此放弃收入？这是因为模型本身正在帮助我们构建下一代模型。因此，除了你可以仅仅从缩放定律获得的这种能力飞跃之外，人才也真的非常重要。有了最好的模型，这种人才真的可以加速能力的开发。我们真的看到了这一点。我们并没有真的把模型看作是封闭的或开源的。我们把它们看作是否是前沿的。那些处于前沿的，你知道，显然正在捕获这种经济价值，为客户驱动有意义的投资回报率。我们只是在投资于这个论点。这意味着，你知道，既包括算力，也意味着使用这些算力和使用我们自己的模型来真正加速开发的人才。另一部分是，它不仅仅是模型，而是构建在它们之上的产品。对。所以我们在1月份发布了30种不同的产品和功能，
[00:17:28] 它的步伐也在加快，这部分是通过，呃，利用模型和我们拥有的人才来真正，你知道，加速访问这种底层智能的方式来实现的。这就是我们在产品方面的理论。
Patrick:
你怎么看这个奇怪的世界，你提到了人才和杠杆，他们自己不写代码，Claude Code 在写它自己的代码。似乎它的最后一步是你甚至不需要人才来告诉那个东西做什么。它只是自己找出该做什么，这就像是终极的，你知道，那个东西然后就运行，只受算力或什么东西的限制。这是不是我想得太疯狂了，还是你觉得那个未来是可能的？
Krishna:
我认为我们公司的核心仍然是一个研究实验室。我认为这可能没有被很好地理解。
[00:18:14] 也许它正越来越被外界所理解，但我们在做实验。我们在，嗯，做的事情，你知道，推动，呃，我们模型能做的事情的极限。而那项研究和那个引擎位于我们讨论过的所有其他事情的上游。所以它在今天是受到模型赋能的。它并不完全由模型完成。随着时间的推移，我们认为，你知道，模型会变得更好。它们会在那个过程中更有帮助。但是，你知道，拥有最好的人才来设定方向，不仅仅是优先级，还包括一些新的发现领域，它实际上只是让那个研究人才变得更出色，对吧？所以我觉得它，你知道，是在突显和加速我们已经拥有的人才。我们经常谈论人才密度如何胜过人才数量。嗯，我认为在这里也是如此。就像我们想要最密集的一群，你知道，AI 研究人才和，你知道，推理工程人才，并且那是在受到
[00:19:07] 最好的模型赋能的情况下，我们认为这是一个非常成功的组合。
Patrick:
内部是如何讨论缩放定律的？就像那种共识已经是你有很多不同的组成部分。你有了预训练，有了，嗯，后训练，你有了推理，所有这些都以不同的速度推进，而要撞到一堵真正的墙，它们将全都需要倒下。这就是现在世界概念化缩放定律的方式。内部是如何讨论它们的？你们如何看待它们？
Krishna:
>> 是的，我的意思是，我们观察，嗯，模型在它们发展的不同阶段。我们可以看到，你知道，在预训练运行期间，这个模型与我们之前的模型相比如何，嗯，在这些，在这些损失曲线上？这让我们对模型的能力有了感觉。
[00:19:46] 当你思考强化学习（RL）时，你也可以做同样的事情。然后可能同样重要的是，当客户拿到它时，比如他们看到了什么？他们在哪里发现了痛点？而那些痛点随后就变成了我们的训练目标，对吧。我们在企业端不使用客户数据进行训练。在专业消费者端，只有在你选择加入的情况下才行。但客户告诉我们这样的事情：“嘿，我希望模型在这个方面做得更好，或者我，我遇到了这个特别卡住的地方，嗯，本来我可以构建另一个产品，但能力需要进一步提升。”我们通常告诉他们的是，好吧，为那一点构建你的产品，因为我们在研发方面将，你知道，随着时间改进它。
[00:20:26] 所以这就像一个闭环，但在内部，我们总是在观察正在训练的不同模型，我们所拥有的不同快照，并在内部进行比较，在较小程度上与外部进行比较，对照，你知道，我们自己的衡量标准，然后最终也看我们的客户如何看待它们
Patrick:
>> 感觉就像是缩放定律本身根本没有放缓。这，这可以说是一个公平的定性吗？
Krishna:
>> 对我们来说，这是一个公平的定性。是的，我们是非常，我的意思是显然，缩放定律论文的很多作者就在我们的创始人之中，但是，你知道，尽管如此，我们可能是一群有些怀疑的人，就像，你知道，我们以非常高的标准要求自己，这也是因为作为一个研究实验室的这种理念，是非常基于科学方法的，人们不断挑战以前坚持的假设，但从我们所看到的来说，缩放定律并没有放缓。
Patrick:
所以如果那是真的，你，你
[00:21:10] 之前说过人类很难在他们的思维中是指数级的而不是线性的。就像如果情况在无论多少次，你知道，机器的运转中继续保持真实，在你的工作和商业中，你自己是怎么做到不线性思考而是指数级思考的？就像那些影响真的很难推理。嗯，指数级的增长率是一回事，但能力的指数级增长，比如我不，我好像甚至不知道怎么去理解它。那么你是怎么，你是怎么理解它的？
Krishna:
>> 我们，我们把世界看作各种情景。在这个业务里很难有一个单点估计。并且对于更新你当前的先验或当前观点设定非常低的门槛，因为情况可能是，一个月前是真的东西在今天就是不真实的了，那就会打破你的模型。所以这种老套的比如我们会在
[00:21:55] 一个季度预测一次，我们会，你知道，在3个月后的下一次董事会会议上重新审视这个。这对我们的业务行不通。它是如此动态，以至于我们必须总是思考，哦，你知道，我们的模型以前做不到这个，而它们现在能做了，那对于目标潜在市场意味着什么。我们首先在编程中看到了这一点，对吧，在，你知道，从大约 Sonnet 3.5、3.6 开始，我们开始看到这种非常显著的能力跃升，随后是采用、使用和收入的增长，而且，你知道，那有点难以预测，但现在我们可以将编程作为正在其他地方发生的很多事情的类比，无论是在经济中还是在我们业务的其他地方，所以我们有点像是在看我们自己业务中的模式识别，以试图预测未来会发生什么。
Patrick:
[00:22:37] >> 就在你到这里的15分钟前，关于你们和 XAI 在田纳西州设施合作的新闻出来了。这让我很好奇你们是如何在全世界搜寻的，比如，这是一个你们决定去做的机会，就像我确信有一个你们探索过的事物的宇宙。寻找并在短期内以创造性方式获取更多算力的策略是什么，比如，更详细地向我们介绍一下这个？
Krishna:
我们宣布了与 SpaceX 关于他们在孟菲斯的 Colossus 设施的合作。我们对此感到非常兴奋。这将允许我们继续扩张，特别是在消费者和专业消费者（prosumer）方面。但这只是我们就像你所说的那样，寻找，嗯，短期算力（compute），无论我们在哪里能得到它，的一个例子。随着算力基础的增长，这种近期算力占的比例变得越来越小，相对于可用的以及在外面存在的算力。但是，你知道，我们把它看作，我们能否将那些可用的算力进行生产性地部署。
[00:23:29] 嗯，有时答案是肯定的，有时是否定的。但如果我们可以的话，那么你知道，我们看它的，就像是一种经济回报，你知道，基于它的定价是多少，我们能拥有它的期限有多长，你知道，它位于哪里，它是什么类型的算力，以及我们能以多高的效率运行它。所以我们有一个评估过程，顺便说一下，我们使用同样的过程来评估长期交易。所以在上个月，你知道，我们和 Google 以及 Broadcom 签署了一份关于 TPU 的 5 吉瓦交易，嗯，从2027年开始。我们还和 Amazon 签署了一项关于 Trainium 的高达 5 吉瓦的协议。那是一项超过一千亿美元的承诺。很多那种算力实际上就像已经落地，并将在今年剩余时间和明年落地。所以如果你想一想，这有点像是从
[00:24:15] 不同时间开始、具有不同能力的算力层叠蛋糕，而我们在，并且我们在非常动态地比较那个算力。随着时间的推移，它的性价比对我们来说真的非常重要，它什么时候落地，以及我们认为我们在业务内部能用它做什么。所以你需要去优化这么多不同的变量，围绕，你知道，它是什么算力，以什么成本，嗯，以及在什么时间范围内。但我们有一个相当动态的方式来看待某种近期算力，然后是中长期算力。但我们评估的东西在很大程度上是相同的。不同之处仅仅在于时间范围。
Patrick:
关于权衡呢？你提到了性价比。关于比如每个 token 的成本或吞吐量与速度之间的权衡。从客户的角度来看，他们两者都在乎。速度可能会解锁一些真正有趣的能力和用例，只要这些东西变得更快，这些用例是我们所不知道的。你能稍微谈谈在算力中的权衡吗，当
[00:25:05] 你评估它的时候？
Krishna:
>> 当我们审视，你知道，三个不同的，呃，芯片平台时，我们里面也有多代的，呃，芯片，对吧？所以它可能是 TPU，你知道，V5e 和 V6 以及 V7，还有 Trainium 2，Trainium 3，所有这些都在性价比曲线的不同位置。而且我们很重要地考虑我们将如何利用它，对吧？性价比很重要是因为效率。速度对于某些用例也很重要。所以我们以非常细化的层面来看待算力，就它能为我们提供什么以及何时提供而言，这也是我们，你知道，同样是我们的算力团队主导的，但我们在整个业务中密切合作，来说类似我们需要把这个算力用在哪里以及为了什么，对吧，好的，我们可能需要，你知道，CPU 来做强化学习，我们可能需要这个，你知道，更前沿的算力，并且我们将会
[00:25:53] 将其部署用于，你知道，我们最好和最快的模型，或者用于训练它们，所以从我们的角度来看。这是客户需求，但它确实也非常精细地落实到了每种芯片最适合什么，以及我们在什么时候会拥有什么。
Patrick:
我总是对于，在这个例子中是 Anthropic，对新算力的新陈代谢如此好奇。就像你吸收的速度有多快，如果我在明天给你空投你现有算力的两倍，就像你会消耗它吗，你会多快消耗它，如果我在你身上空投 10 倍的算力，你会以多快的速度消耗它，你能在这种事情上给我们一个校准吗？就像需求实际上，感觉这些三种用途，你知道，训练，内部，客户需求之间的需求是无限的。每个人都在说同样的事情。嗯，到处都短缺，内存股票，你知道，在飙升。情况真的有那么极端吗，比如如果你在明天将可用的数量翻两倍，或者 5 倍或者 10 倍，你只会想要更多或者
平台与应用、定价、资本开支与客户 ROI
[00:26:45] Krishna: 马上消耗掉它？这又要回到我们如何使用它以及它的可替代性。所以，答案是，你知道的，我们今天在内部各个用例中都受到了约束。而且你知道，我得说，在一两年前，消化起来会更加困难，特别是在你所举的例子中，异构算力的空降，真的很难快速消化，因为这些芯片平台各不相同，有些更难操作，有些在我们使用方式上存在特殊性。我得说，今天如果要获得大量的额外算力，我认为它会非常迅速地部署到各个不同的用例中。我们在今天的算力上可能也会进行同样的分配或校准，但我们现在更容易快速启动并部署几乎任何类型的算力。而且这也是
[00:27:35] Krishna: 再次强调，我们认为这是一个真正的优势。
Patrick: 回到客户使用Anthropic的方式上。我非常想听听你是如何思考这种有趣的张力与权衡的：一种是平台策略，即我在Claude之上建立我的业务，由它来驱动我的产品；另一种是你们直接做了我想做的事情。这就好比经典的Claude Design对阵Figma之类的情况。你是如何看待这种平衡的？你们究竟应该多深入应用层，还是仅仅作为一个纯粹的赋能层，说“我们将提供推理引擎和智能，世界，你们去构建任何想要的东西，通过API向我们付费就好”？这听起来像是一个非常有趣的内部讨论，甚至在某种程度上存在张力。
Krishna: 是的，我的想法是，我们正在构建的大部分内容
[00:28:22] Krishna: 都是平台，我们认为有很多例子表明平台可以积累大量的价值，但在该平台上进行构建的客户实际上会积累更多的价值。我们认为这就是我们今天正在奠定的基础。这也许类似于AWS的早期，对吧？如果你想到云平台以及现在内置的所有工具和服务，因为它不仅仅是对原始模型的访问，它还包括，你知道的，提示词缓存、使用虚拟机的能力，以及在其中调用的Claude Code，或是任务分发、Claude Agents SDK、托管智能体等。我认为所有这些实际上都是其他公司获取该模型智能以构建到自己产品中的载体。这是我们最关注的部分，也是我们认为从今天的角度来看，业务发展的主要方向。话虽如此，我们也会在同一平台上构建我们自己的
[00:29:13] Krishna: 应用，但这需要满足几个条件。第一，如果我们觉得我们对模型的发展方向有远见，并且我们能够展示这一点并以此创造客户价值，那可能就像Claude Code一样，对吧？我们能够说，实际上市场上现有的很多东西都是由开发者主导的。Claude Code是一个由Claude主导的平台，虽然在一年多前发布时我们认为模型还不能完全做到这一点，但我们相信它们会达到那个水平，而且它们确实做到了，所以这是提前为模型能力进行构建。第二，是思考如何为生态系统展示价值，以供他人效仿。对吧？如果你考虑面向金融服务的Claude、面向生命科学的Claude，甚至是像Claude安全这样的领域，这些都是我们组合平台的方式。
[00:29:59] Krishna: 再次强调，我们和我们的客户是在同一个平台上进行构建的，我们认为这就创造了一个公平的竞争环境。我们还认为，在其中一些领域将会积累非常多的价值，我们的客户可以赢，我们也可以赢，这就是为什么你会看到，当我们推出这些产品时，我们是以一种基于合作和伙伴关系的方式进行的，无论是在安全方面，还是设计、金融服务方面，我们都与生态系统进行了合作。所以我认为我们的战略主要还是横向的，只有在认为我们能够增加某些价值、提供有用的视角，或者需要向市场展示我们如何利用平台来增值时，我们才会去构建垂直领域的产品。而很大一部分价值最终都会流向在平台上进行构建的客户。我们的目标是构建最好的模型，
[00:30:47] Krishna: 然后构建产品、工具和服务，让这种智能在客户中扩散开来。
Patrick: 有这样一个现实：人们对你们感到害怕。因为你们控制着这些新应用中最核心的部分——底层的智能推理引擎。这可能完全是真的，而且也许已经发生，即在Anthropic平台之上产生的价值远远超过了平台本身捕获的价值。但尽管如此，想象起来仍然令人感到害怕。嗯，也许你也可以对云服务和AWS说类似的话。但你会在多大程度上考虑和在意这样一个事实：你的一些潜在客户或现有客户实际上把你们视为竞争对手而感到害怕？
Krishna: 这个行业的部分难点在于它变化得太快了。
[00:31:34] Krishna: 因此，模型的能力有时候连我们自己都感到惊讶。所以，当我们在其之上发布模型或产品时，会有这样一种感觉：过去几波浪潮中花费5年、10年、20年才发生的事情，现在只需要几个月。当我们发布新东西时，人们也会在某些方面感到惊讶，就像我们也会感到惊讶一样。但我认为，从根本上讲，我们试图做的是非常注重生态系统中的合作伙伴导向。这意味着，你知道，我们有早期访问计划，我们与客户密切合作。我们听取他们关于想要哪些能力的反馈。但这并不意味着我们发布的东西有时不会让人惊呼：“哇，这比我想象的要强大得多，我都没意识到模型能这么快做到这一点。”我认为，这在某种程度上是我们目前所处周期的一个现实情况，
[00:32:24] Krishna: 以及这种智能的发展阶段。但这也部分是因为我们希望使这些能力变得非常容易获得，这同样应该为客户积累大量价值，特别是那些走在前沿、积极采用，并且坦率地说，正在构建和使用我们在平台上提供的工具的客户。我们认为我们实际上可以加速他们的发展。我认为这部分是前沿模型开发的现实，但我们的方法可能略有不同，更加注重合作伙伴。
Patrick: 你之前提到在第一季度将员工人数从9个增加到30个。这种疯狂的节奏让我对定价产生了疑问，比如如何对代币或系统使用进行定价的动态，这对我来说非常令人着迷。因为我认为一年前很多人会说价格肯定会持续下降。但实际上发生的情况是它在许多情况下正在
[00:33:12] Patrick: 上涨，这在不同层面上都是真实的，无论是定价相当高因为它太强大了的Mythos系列模型，还是H100的成本。你知道的，租用H100的成本曲线看起来就像一条微笑曲线。我很好奇，如果大家都受限于算力，为什么大家不干脆大幅涨价，试图寻找一个合适的平衡点呢？所以我很想听你聊聊关于定价的看法，你是怎么想的？权衡是什么？为什么不大幅提高价格呢？
Krishna: 这家公司成立才五年多一点。今年3月是我们实现第一笔收入的三周年纪念，而且我们在2024年3月才第一次真正拥有了一个前沿模型。所以这些事情发生的时间尺度是一个很重要的背景。我们的定价
[00:33:58] Krishna: 在Haiku、Sonnet和Opus之间一直保持相对稳定，现在的Mythos显然是更新的，但你知道，我们很少调整价格。我们做过的最大一次价格调整是在推出Opus 4.5时降低了Opus系列的价格。如果我们思考为什么要这么做，那是因为我们发现，相对于它们的能力而言，Opus级别的模型未被充分利用。所以人们经常试图将一个原本属于Opus解决的问题塞进Sonnet的工作负载中。再次得益于我们能够实现的效率提升，从我们的角度来看，我们不仅能够非常高效地提供服务，还实际降低了价格，使其对客户更具可及性。所以这又回到了一点：我们希望我们的客户能从中创造大量价值，而他们今天确实从我们的模型中获得了巨大的ROI。我们希望这种状况能一直持续下去，因为
[00:34:53] Krishna: 我们的目标是将这种智能普及到整个生态系统中。我们认为在所有这些用例上，我们仍处于非常非常早期的阶段。最好的方法是，你知道的，将这种智能交到尽可能多的企业手中，从初创企业、数字原生企业到世界上最大的公司。其中部分意味着你必须将它设定在一个容易接受的价格点上，并允许他们从中获得大量价值。改变Opus的定价实际上，你知道，出现了杰文斯悖论（Jevons paradox），对吧？就像我们降低了价格，但消耗量的增加远远超过了你的预期。因为我们恰好找到了客户的那个甜蜜点，他们能够使用得更多。而我们也有足够的效率，能够大规模地为客户提供服务。
[00:35:39] Krishna: 然后他们能够将其构建到自己的工作负载中，以至于当我们发布Opus 4.6时，作为一个模型改进版本，他们可以直接将其接入。我们并没有改变价格。因此我们认为价格的稳定性是很重要的。而且我们还认为，通过定价来获取这种价值，并见证杰文斯悖论的发生，这非常重要。
Patrick: 这个问题的另一个组成部分是利润率，以及你们作为一家企业是如何看待利润率的。因为构建这些前沿实验室是极其资本密集型的。我们讨论了效率和价格这两种杠杆，你知道这两者都与利润率有关。很抱歉这可能是个略显天真的视角，但考虑到你们需要那么多资金，为什么不干脆说我们需要一个健康的利润率，并据此来设定价格，或许如果效率提升的话，这个价格还可以降下来。所以我很好奇你们是如何看待利润率，以及它
[00:36:28] Patrick: 与业务定价之间的关系的？
Krishna: 是的，我会说，我们思考的是：我们算力支出的投资回报率（ROI）是多少，对吧？从宏观上讲。这就是我们谈到的所有不同的工作负载，无论是服务客户，还是模型开发。如果你认为所有这些都在不同时间尺度上支持了收入，对吧？如果我提供推理服务，它支持的是今天的收入。如果我做模型开发，它可能有助于解锁潜在可寻址市场（TAM）的能力，从而推动6个月后的收入，以及介于两者之间的任何情况。如果我为了推出新产品进行内部加速，所有这些事情都是为此提供支持的。我想说的是，今天我们在那笔算力支出上的回报是非常强劲的。回报很强劲，我们考虑的是在这整个算力资源包上的投资回报率是多少。所以从这个角度来看，我们对现在的状态感觉非常好。我们正在平衡为客户提供价值，同时也
[00:37:20] Krishna: 看到我们自己在算力上获得了非常非常强劲的回报。如果你考虑收入增长的时候，就像我们在第一季度提到的那样，你知道的，并不是说我们在那个时期引入了一大批新的算力。我们讨论过，算力的到来是基于一个可能在12个月前就已经决定好的产能爬坡计划。因此，“用于服务客户增量的可变成本”这种想法，有一点像是，它并不真正适合我们的业务，对吧？它试图将我们的业务套入软件范式中，但情况并非如此。实际上，算力支撑着所有这些活动，并且我们确实在算力上产生了强劲的回报，这就是我们的衡量标准。所以，我认为，我们把我们所拥有的算力资源包，看作是能够决定我们能在多大程度上驱动短期和长期收入的东西。
[00:38:15] Krishna: 无论是短期的还是长期的收入。
Patrick: 那么，既然你们是算力提供商的超级大客户，那帮人需要怎么做才能成为你们优秀的供应商，以帮助你们推动那种回报呢？
Krishna: 我们很幸运，在亚马逊、谷歌、微软那里有非常棒的合作伙伴，当然还有博通和英伟达。所以，我们的生态系统，你知道，我们是今天唯一在所有三大云平台上提供模型的公司。我们也是唯一一家使用所有这三种芯片平台的语言实验室。实际上，这些合作比单纯的采购要深入得多。我认为这是人们经常忽略的一点。
[00:38:52] Krishna: 如果你想想我们与亚马逊的关系，你知道的，我们的团队与Annapurna Labs团队深度融合。我们是Trainium非常好的使用者。我们花了很多时间和精力，在内外部与该团队密切合作。我们一起规划容量，对吧？如果你想到那三大云服务商，它们对我们来说也是极佳的分发引擎。我们也有一个非常非常强健的第一方业务。但这些都是多方位的合作伙伴关系，无论是开发芯片本身、落地容量、提供服务，还是最终将它们分发给客户。
Patrick: 我在想你的职能，比如财务团队，以及你们可能采取的方式。我想象着这种在不同时间尺度上、伴随各种复杂变量的“算力ROI”问题，这让我不禁好奇，你们在内部是如何亲自使用这些强大的工具来运营你的团队和业务的？比如在Anthropic的财务团队中，Claude Code和普通的Claude一般是如何部署的？
[00:39:45] Patrick: （接上文）
Krishna: 是的。所以这非常有趣，因为大概在一年前我们就在使用Claude Code，我就开始问大家，是不是所有人都在靠直觉写代码（vibe coding）？我们开始几乎把Claude Code当成一个助手、一个数字同事来使用，而不仅仅是用于编码任务。这实际上是后来成为Co-work的早期雏形，对吧？那可以说是Claude Code的一种延伸，即它在智能体软件开发中所做的事情，也应该应用于所有的知识工作。但后来我们就开始将其产品化了，我对此真的感到非常自豪。我们也花了很多时间和我们的产品团队在一起。他们可以看到我们是如何使用它的，并从中获得意见和反馈。
[00:40:27] Krishna: 就像今天，你知道的，我们在所有的法律实体中，都可以使用Claude来生成法定财务报表。是的，会有人类去检查，但所有这些财务报表都是用Claude生成的。我们还有一个更实时的平台叫Ant Stats。过去我们需要花大量时间来筛选所有数据，得出一些结论，写一份关于它的备忘录，或者发布一份定期报告，说明这一天发生了什么，是什么在驱动。现在我们为Claude建立了一个专门针对财务的技能库。我想我上次查看时，大概有70多个技能，每个人都可以通过这种通用存储库进行访问。
[00:41:04] Krishna: 在此之上，我们构建了一个MFR（月度财务回顾）技能，它可以自动生成我们的月度财务回顾。它能完成90%到95%的准备工作，然后我们所有的讨论就变成了：我们该怎么做？这有什么影响？而不是纠结于究竟发生了什么。因为Claude不仅仅是在播报天气，它还在帮助我们思考驱动因素，比如为什么数字会以这种方式发生变化？这让你对业务有了极大的洞察，不仅体现在我们做的这种MFR上，也体现在日常中。所以，过去需要花好几个小时来制作一份关于什么在驱动收入、或者什么在驱动我们算力利用率的周报，现在缩短到了30分钟。然后我们可以把时间花在业务的实际战略意义上。我们也能更快地把它交到业务领导者手中，所以这仅仅意味着洞察引擎变得快得多了
[00:41:57] Krishna: 在公司内部，我们也有，你知道的，我有一个仪表盘，我可以查看整个排行榜上的Token使用情况。是的，我们并不会根据这个给人发奖金，没有人为了这个去狂刷Token，但这非常有趣，因为财务团队中一些最资深的人员实际上是Token的最大使用者。所以不仅仅是那个22岁刚加入、有编程背景、在周末也会写代码并把它带到工作中的年轻人。这也是那些使用工具来改变他们工作方式的人。我想我们的头号用户是我们的税务主管，他非常专注于税务政策引擎，并致力于将团队内部发生的大部分工作负载自动化。所以我喜欢看到这种情况，而且我也常跟别人说，如果我们自己都不是它的超级用户，如果我们不挑战它的极限，你怎么能期望客户去
[00:42:42] Krishna: 这样做呢？
旁白: 随着您的业务规模扩大，一切都会变得更加复杂，特别是您的合规和安全需求。许多工具只提供修修补补的创可贴方案，不幸的是，这很容易导致某些问题成为漏网之鱼。幸运的是，Vanta是一款强大的工具，旨在简化和自动化您的安全工作，并为合规和风险提供单一真实的数据源。Ramp、Cursor和Snowflake都使用Vanta是有原因的。它让他们能够腾出手来，专注于构建令人惊叹的差异化产品，因为他们知道合规和安全已尽在掌握。《Invest Like the Best》的听众现在访问vanta.com/invest，即可获得1000美元优惠的特别福利。我深知资产管理公司的技术栈有多么复杂。似乎每一个新工具和新数据源都让问题变得更糟，增加了更多的复杂性、人手和风险。Ridgeline提供了一条更好的前行之路。一个统一的平台能够在大规模上自动化消除投资组合核算、对账、报告、交易、合规等方面的复杂性。Ridgeline正在
[00:43:38] 旁白: 彻底改变投资管理，帮助雄心勃勃的公司更快地扩张，更智能地运营，并保持领先。来看看Ridgeline能为您的公司解锁什么吧。请在ridgeline.ai预约演示。
Patrick: 仅仅作为一个人，你是否会对此感到害怕？我已经听过太多这样的例子了。感觉就像我们开始去做AI告诉我们要去做的事情，比如在销售例子里，或者日历安排什么的。嗯，也许这很棒。也许它就是一个比我们所能做到的更好的协调者、广阔的思考者和优化者，我们本就应该按照它说的去做。但这对我来说感觉有些许反乌托邦色彩，这种现实正在快速逼近。我自己也有过类似的经历。这感觉有点酷，比如它确实很有帮助，但同时，如果我真的闭上眼睛去想，哦，我只是在做它告诉我做的事，而不是我
[00:44:24] Patrick: 告诉它怎么做。这是一种非常有趣的类人类动态，我很好奇你的看法。
Krishna: 我对此可能有一个稍微不同的观点。我认为，它让我们能够在公司里聘请到非常优秀的人才，但它甚至让那些极具天赋的人变得更加多产。这有点像，我又把它想成是关于劳动力的杰文斯悖论。也就是我们让员工变得极其高效，实际上我们因此雇佣了更多的人，因为根本不缺活干，现在有了Claude的协助，你知道的，人们花在努力核对某些数字上的时间减少了，他们实际上在思考：哦，我们如何在业务中进行再投资？我们该如何思考，比如，动态地分配资源？而以前我是在努力把一个数字算平，或者，你知道的，在那个
[00:45:15] Krishna: 会计的例子中，花很长时间去结账。所以我其实是这样看的，也许还要更乐观一些：它是我们生产力的加速器，这实际上意味着我们可以完成更多的工作，而且即使随着我们扩大团队，这些人在掌握了如何在公司内部使用Claude之后，也会变得更加高效，我认为这也开始在许多其他公司中成为现实。
Patrick: 我很想谈谈投资者和资本形成。当然，你们不得不筹集海量的资本。但与此同时，如果我眯起眼睛想一想当前年化收入的倍数，考虑到你们融到的钱，这似乎也没那么疯狂。我很好奇，想请你教教我们，与投资者互动是什么感觉，比如你如何看待他们对公司的理解
[00:46:00] Patrick: 的演变和成熟？你认为投资者作为一个群体现在大概处于什么样的理解阶段？他们对Anthropic存在哪些误解？给我们讲讲你生活中的这一面。
Krishna: 我大约是两年前加入公司的。那时我们正在完成D轮融资。你要知道，那并不是一次一帆风顺的融资。在那次融资进行到一半时，公司才真正拥有了一个前沿模型。在融资接近尾声时，发生了FTX事件，涉及清算大量Anthropic的股份，所以那是当时的起点。在那时，大家的问题都是围绕着：为什么你们需要有一个前沿模型？这有什么回报？问题还围绕着我们的使命以及我们做事的方式。人们说，嘿，AI安全和建立一家巨型企业，这两件事难道不冲突吗？还有很多其他误解，比如关于你的销售，你们的
[00:46:51] Krishna: 销售团队真的很小。难道你们不需要像所有那些企业软件公司一样去扩张它吗？因此，大家往往有一种思维定势，试图把我们套进一个以前存在的特定模子里。随着时间的推移，情况发生了演变。在2024年底我们进行了E轮融资。那时我们的业务已经扩大到接近10亿美元的年化收入，但在我们首次交割的那天，恰好是DeepSeek新闻爆出的日子。显然我们完成了交割，但肯定也伴随着巨大的波动，因为当时人们会说：“等一下，我是不是该彻底重写我对整个AI的看法？”所以那是关于E轮的情况。显然，我们在所有这些轮次中都引入了出色的投资者，但人们仍然会有上述一些问题。不过，他们看了我们的预测，然后他们想：
[00:47:38] Krishna: “好吧，你知道，我明白了。你们已经增长了，哇，你们这么快就增长到了10亿美元的年化收入，但你们绝对不可能继续保持下去。是的，这根本不可能，对吧？这里面有物理定律的限制。你们在做企业级市场，这很棒，但采纳时间会长得多。我是说，看看云计算花了多长时间，还有多少人仍在使用本地部署。”但我们的业务继续证明了这样一个论点：前沿智能的回报是非常高的。我们真正关注的是，真正发生的事情是由产品、我们的GTM团队和分发渠道所驱动的模型化增长。然后我认为他们也看到了这个论点，即：“嘿，构建这种变革性技术非常重要，但必须以正确和负责任的方式去做”，这实际上与我们的
[00:48:26] Krishna: 业务有着非常有趣的内在联系。大多数人并没有真正理解或真正相信这一点，那就是：我们在研究上的投资不仅限于模型开发，也投入在AI安全研究上，对吧。比如，我们开创了可解释性，你可以把它看作是模型的核磁共振，让我们能够看到神经网络内部是如何运作的。我们开创了对齐科学，即你希望模型按照你告诉它的去做，它这样做的频率有多高，偏离的频率有多高。这些事情对我们的使命很重要，这就是我们做这些事的原因，但它们产生了下游效应：结果表明，如果你能看透模型内部，你就能更好地构建模型。然后最后一个联系是，如果你是在向企业销售——比如我们现在向财富前十强中的九家销售——所有这些企业都在将客户信息和数据托付给我们。
[00:49:15] Krishna: 它们在与员工互动，有时甚至也在与客户互动。嗯，那些是最敏感的工作负载。越来越多的这种业务正在运行在Claude和我们的云平台上。当我们进行了上述我们在安全、可解释性和对齐方面的投资，并将继续投资时，那实际上也惠及了企业客户，以及我们所有的客户。因为如果他们要把所有这些访问权限和所有这些数据交托给我们，以及能够在公司内部最敏感的工作流中工作的能力，他们会想要一家值得信赖的公司。这不是我们当初投资它的原因，但它确实产生了这种下游效应，我们真的看到它一次又一次地被证明：成为一家既处于前沿，又投资于安全且值得信赖的公司。自从我
[00:50:05] Krishna: 加入公司以来，我们已经筹集了750亿美元（注：此处疑为口误，实为75亿美元）。我们还有另外500亿美元（注：实为50亿美元）未来将从上个月我们签署的亚马逊和谷歌协议中到账。所以这是一笔巨额的资本，但这是一项资本密集型的业务，我们需要这笔资金来支持这种增长。但你要知道，这一切都归结于这样一个事实：业务运行得非常高效，所以我们筹集这笔资金，更多是因为那种不确定性锥形区间，而不是为了给今天业务上的实际亏损提供资金。
Patrick: 你自己对这种公司业务10倍增长的预期是怎么看的？比如第一次发生这种情况时，你个人相信它是可能的吗？这看起来是不是很荒谬？而现在它正变得持续发生，所以也许它对你来说变得越来越司空见惯了还是怎么的。但当你盯着这个关于
[00:50:50] Patrick: 连续好几年实现10倍增长几率的不确定性锥形区间时，你自己的看法是什么？
Krishna: 呃，当我加入公司的时候，它的年化收入大概是2.5亿美元，计划是做到10亿美元。我就说，太棒了，打算在哪一年实现？那是典型的线性思维，对吧。而且你知道，一直以来，Dario在预测收入方面都比我要准得多。我认为随着我们在预测和理解业务方面变得更好，我们将逐渐缩小这个差距。但是，是的，肯定是我第一次看到它的时候，你会搬出关于物理定律和大数定律的所有争论，觉得这不可能，你知道，收入从哪里来？怎么可能增加得这么快？客户怎么可能动作这么快？在企业市场这甚至可能吗？所有这些事情随着时间的推移开始土崩瓦解，当你看到
[00:51:34] Krishna: 业务在内部是如何运作的，当你看到采用曲线以及正在发生的指数级增长——又要重申，我们在收入上实现了指数级增长，但这背后是许多其他支持它的指数级增长在起作用。你开始更多地看到并相信这一点。现在，这并不意味着我们在预测和考虑各种情景范围时缺乏纪律和深思熟虑。但这确实意味着，我的思维至少已经从线性和增量式发生了很大的转变，你知道的，向着拥抱这种指数级增长倾斜，并真正相信它的潜力，以及这与以往其他业务的发展方式是何等不同。
Patrick: 当你在各个阶段与投资者交谈时，我确信在每一个阶段、你们融资的每一轮，总有一些事情是最常见或最难向投资者解释的，或者他们最难理解、最难理清头绪的。今天那是什么？我认为它
[00:52:26] Krishna: 就是算力使用方式的这种范式。把它看作，你知道，不仅仅是在某段时间内的某种可变成本，而是真正被高度可替代使用的资源，对吧？我们在同一天里，早上在一个芯片上跑推理工作负载，而到了下午或晚上我们就用它来进行模型开发。你知道的，这种范式在像软件公司或工厂那样的企业中是不存在的，对吧。如果你有一群人在做研发，那就是你的研发支出，你不能重新安排用途让他们变成销货成本，反之亦然。在大多数传统公司里都不行，但在这里，你真的可以实现这种可替代性，我认为这就是为什么算力的回报如此重要。我觉得人们开始理解这一点了，但还是有一种倾向，把它当成，你知道的，哦我必须区分开
[00:53:26] Krishna: 这两项成本，而实际上，你知道，它们是高度自我强化的，这种灵活性正是帮助推动短期和长期收入的动力。
Patrick: 如果我强行把你从现在的职位拉出来，让你坐进一家大型顶尖投资机构的投资人席位，然后我说你的工作就是去拷问这些公司，并投资最好的那家，你会问那些正在构建模型的实验室或公司什么问题，以直击核心，挖掘那些不确定性、那些令人怀疑的地方，比如那些可能让它们无法成为史上最佳企业的因素。我很好奇，也许从那个角度来看你会如何应对？
Krishna: 所以我会问几个问题。首先，算力整体上的投资回报率（ROI）是多少？
公共认知、监管、Mythos、AI 风险与最善意的事
[00:54:09] Patrick: 你们是如何利用它的？你们今天看到了什么回报？随时间推移回报会如何显现？对吧？像你们这样的公司正在进行这种史无前例的大规模投资，你们在这上面产生什么回报？什么时候能看到回报，它的形态是怎样的？我认为这是一个问题。嗯，第二个问题是，你们的客户如何看待你们所做事情的投资回报率（ROI）？人们只是在用它进行测试吗？他们是否在以有意义的规模实际部署？
Krishna: 你知道，对于我们的业务，我可以这么说，我们非常明显地看到了这一点。你知道，我们的净收入留存率按年化计算超过了500%。所以你知道，财富10强企业中有九家都是我们真正的客户，他们正在做出重大的、你知道的那种购买决策，而不再仅仅是试点项目。
[00:55:00] Krishna: 完全正确。比如我来这里的路上，我坐在Uber里，在大概20分钟的车程里，我签署了两个千万美元级别的承诺合同。所以，从这个角度来看，我们切实看到了成果，我们现在正在接受世界上一些最大型公司、最老练买家以及初创企业的评判，你知道，他们在市场上是有选择的，而他们选择了我们。但我认为我经常被问到的一个问题，或者如果我坐在投资人的位置上、那个持怀疑态度的投资人位置上我会问的问题是，你们的客户是如何从中获得回报的？也许第三个问题是，你们如何看待未来的算力（compute），以及它从何而来？
[00:55:38] Krishna: 因为很明显，我们购买算力的一些地方，你知道，他们也把算力卖给别人，他们自己内部也可能使用这些算力，随着时间的推移，这种平衡会是怎样的？同样，对我们来说，这也是为什么我们有多种不同的——
Patrick: 所以你们在这方面的哲学就是，参与到伟大的玩家中，并保持灵活性。
Krishna: 没错，没错。
Patrick: 有一个关于AI的疯狂统计数据，就是这个通用概念在普通大众中的受欢迎程度还不如国会，你刚听到时会觉得有点好笑，但当你仔细想的时候，你会觉得：“这有点像我们需要解决的问题。” 似乎那些不在科技行业、不住在湾区或纽约的普通人，还没有感觉到或理解为什么这对他们有好处，这仅仅从他们对AI的看法就能衡量出来。你认为作为一个行业，我们需要针对这个问题做些什么？
[00:56:27] Krishna: 听着，我认为如果我们思考正在发生的这种转型，在一直追溯到工业革命、互联网、云等之前，也有过其他的转型浪潮。我认为AI不同的地方之一在于这一切发生得太快了。你可以把几年或几十年的进步压缩到几个月内。回到，你知道的，人类习惯于线性思考而非指数思考，我认为这可能会让人感到震惊。总的来说，我们对这项技术的潜力非常乐观。我认为我们作为一个行业可以继续在阐述方面做得更好，你知道，Dario写了那篇文章《爱与恩典的机器》（Machines of Loving Grace）。这全是关于这项技术改变我们生活方式的潜力。无论是在药物研发和治愈更常见的疾病方面，还是在罕见病方面。
[00:57:23] Krishna: 第二是在医疗保健以及医疗保健的交付方式上，以提高我们在发展中国家和那些资源不那么丰富的地方的生活水平。我认为所有这些事情都是AI的承诺和潜力的一部分，所以我们可能可以更好地描绘那幅愿景，我们也希望随着时间的推移能为此展示更多切实的成果。我认为这一切正在到来，这也是我最乐观的事情之一。但另一方面，我认为，这也是我们文化的一部分，我们确实想要阐明风险。比如，我不认为我们应该只是告诉每个人一切都会很美好。因为，你知道，道路上很可能会有颠簸。所以我认为人们通常更倾向于更诚实和平衡的评估，对吧？如果我觉得有人只是告诉我所有的好消息，
[00:58:10] Krishna: 而没有告诉我任何坏消息，那我就会想，好吧，我真的信任这个观点吗？我认为这就是需要平衡的地方，也是需要指出的地方，说明这些是当变化被压缩在很短的时间内时会发生的一些事情。我们如何跨越商业和政府部门来实际想出一些应对这些问题的解决方案？所以我认为这关乎清晰地阐述机遇。关乎真正思考这些解决方案可能是什么。那不是任何一家公司就能想出来的。我们没有能解决一切的蓝图，但至少要就一些风险和负面影响以及我们可以采取什么措施来应对进行对话。然后我认为在谈论这些事情时要对这两方面都保持透明。因此，从长远来看，机遇将显著地
[00:58:54] Krishna: 高于并大于将会发生的一些风险和负面影响。但这并不意味着曲线会绝对平滑。
Patrick: 你们发布Mythos是一个非常有趣的时刻。这是我的许多密切关注这些事情的朋友第一次说出类似“这个模型有点让我感到害怕”的话。所以，这又回到了安全问题。这也是你们首次站出来说“我们想确保这不会被用于恶意目的，这也许是我们担心的第一个可能被用于恶意目的的模型”的例子。我很好奇，在世界听到它之前，你们内部的讨论是怎样的，围绕它的决策过程是怎样的。只是以此为例，随着我们继续前进，且Scaling Laws（缩放定律）继续有效，谈谈那些确实让你们感到害怕的事情。
Krishna: 是的，我认为关于
[00:59:38] Krishna: Mythos的一件事是，人们可能误解它只是一个网络安全（cyber）模型。它是一个在许多许多不同维度上都极其强大的模型。我们发现的是，它在网络安全方面表现得尤为突出，所以这是我们决定以一种不同方式发布的第一个模型。而我们采用这种方式再次符合我们的使命和原则，即我们想要以这种方式去做。所以我们采取了分阶段的发布方式，因为我们认为，当一个模型如此强大时，再次强调虽然网络安全是人们关注的焦点，但你知道，还有其他方面，我们再次认为它可以被用于积极的方面，对吧，比如修补代码库。你已经看到了这些例子，比如，你知道，我们有一个开源代码库，先前的模型在其中发现了22个安全漏洞，而Mythos后来发现了250个。所以这
[01:00:29] Krishna: 有点可怕对吧，但这也决定了我们发布它的方式。我们没有说我们永远不会发布它。我们说，让我们以分阶段的方式来做。让我们把它开放给一个会随时间扩大的群体，这样我们可以聚焦于这一个网络能力，以及它如何真正被用于积极的方面，也就是用于防御方式而不是攻击方式。我们认为这是一个可以用于未来的模板，但因为这一个特定领域，我们希望在发布方式上对此保持认知。
Patrick: 你们现在太庞大了，以至于你们似乎会撞上每件事和每个人。
[01:01:02] Patrick: 其中一个例子是，政府几天前表示，也许会有一个新系统，你们在向公众发布新模型之前必须获得政府的某种预先批准。显然，你们有过与国防部打交道的疯狂经历，我很好奇你们经历这个过程时是什么感觉。像现在，每个人都在关注这家公司、这项技术以及其他几家正在开发它的公司。你们如何应对这些事情？有些事情我猜只是超出了你们的控制，但我相信你们在尽最大努力与人们合作。也许可以谈谈这两个例子，比如现在的政府作为一个非常相关的合作伙伴、参与者、你知道的，监督者等等。
[01:01:40] Krishna: 是的。所以，我认为首要的是，你知道，我们优先考虑在这方面保持牢固的关系，因为我们确实认为，你知道，随着时间的推移，监管在这些模型的发展过程中发挥着作用。我们在方法上非常“美国优先”。我们希望这项技术支持美国以及，你知道的，世界各地的民主国家。这也是我们在这个事情上、在像Mythos这样的事情上与政府密切合作的原因之一。我确实认为这里有一种平衡，对吧？你希望能够让创新非常快速地发生，并且不被减缓，但你也希望有一个针对这些东西如何部署的责任框架，因为我们一直表示，你知道，这项技术有其影响，我们应该对此进行诚实的对话，包括与政府进行对话，所以我认为Mythos的
[01:02:33] Krishna: 过程就是一个很好的例子。
Patrick: 你能给我们多讲讲这里的文化吗？比如你会如何向你的父母描述这里的文化信条之类的？以及什么感觉是真正驱动这里大部分文化的东西？我特别好奇写作文化。你经常听到，你知道，Dario每隔一段时间就会在外部发表这些长篇文章。我的理解是他其实写作的频率要高得多，而且内部有很浓厚的写作文化。我只是想了解一下身处这种文化中是什么感觉，以及它与你曾经工作过的其他公司、或者其他试图做同样事情的公司相比，最独特的地方是什么，你对这些差异和独特性的感觉是怎样的。
Krishna: 这种文化是Anthropic一个非常独特的方面，它确实是，你知道，我们在外部也会谈论的东西，但当你
[01:03:21] Krishna: 真正身处其中去生活时，感觉是不同的。也许我可以告诉你一些我的观察。首先，我们有七位联合创始人，对吧？这在纸面上看起来是行不通的，但在实践中它确实奏效了。我认为他们真的为公司文化以及对公司真正重要的事情树立了榜样。我们会进行文化面试，这并不是什么流于形式的、你知道的，只是为了走个过场的事情。它是评估过程中的一个真实部分。所以哪怕一个人在其他所有方面都表现得非常出色，而且真的是你在这个职位上见过的最聪明的人，如果他们没有通过文化门槛，我们也不会雇佣他们。我会这样描述它，我喜欢那个框架。你会如何向父母描述它？第一，极度协作。这意味着我们真的不能容忍诸如拉帮结派、或者那种尖锐的
[01:04:11] Krishna: 摩擦，或者是那种“我需要为此邀功”的做法。这是极其谦逊的。就像，你知道，我们的竞争对手非常强大，而成功远非板上钉钉。我认为这真的是公司运作方式的一部分。如果我们达到了一个里程碑，发生了好事，地板上并没有洒满五彩纸屑，大家的反应是“下一步是什么？” 我认为这正是对使命的专注以及那种贯穿于公司文化始终的协同一致。我想说的另一点是，你知道，这里有严谨的辩论，对吧？存在一种理智上的开放和诚实，也就是人们会质疑事物，人们会，你知道，真正表达一种观点，然后围绕它展开富有成效的对话，之后我们会决定一条前进的道路，在那之后就会有真正的执行上的一致性。所以就像我们之前谈到的算力（compute）分配，人们可能对此有不同的观点，
[01:05:04] Krishna: 关于如何分配那些算力，但他们会就回报在哪里最高或最好进行深思熟虑的讨论，而当他们这样做时，你知道，并且我们达成了一个决定，那么在这个问题上就会保持一致，没有事后诸葛亮，没有这种政治手腕或拉帮结派。另一部分是，它的文化非常透明，对吧？所以Dario每两周会站在公司全体员工面前，通常会写一份简短的文件，然后他会谈论，你知道，通常是三四个话题，接着接受公司内部的公开提问。这些不是简单的抛砖引玉，不是那种事先安排好的问题，它们只是人们脑海中真实存在的问题，而他会尽其所能去回答。这虽然不是一个决策论坛，但它是公司了解领导层如何思考、他如何思考的一个窗口，里面有辩论和对话，我认为这是
[01:05:56] Krishna: 人们真正看重的东西，就像，这是一种透明的文化。这是一家，你知道，七位联合创始人全都在公司的企业。绝大多数最初的，你知道，20到30名员工仍留在公司。我认为这种文化是我们能够吸引并留住行业内一些最顶尖人才的基础，对吧？因为我们并不总是付给人们最高的薪水。我们有，你知道，非常有竞争力的薪酬方案。但当你知道Meta和其他公司抛出那些巨额的薪酬包来争夺跨大型语言实验室的技术人才时，我想我们只失去了两个人，而其他实验室失去了几十个人。
Patrick: 对于公司的业务和文化，特别是对于研究人员来说，你认为那个统计数据为什么是真的？
Krishna: 我认为它确实是由文化支撑的，而且这不仅仅是我们感觉到的。从经验上看，当你和人们交谈时，
[01:06:48] Krishna: 那就是，你知道，我希望产生尽可能大的影响。我希望在一个，嗯，再次强调，人才密度比人才数量更重要的地方工作。而且我希望在一个真正协作的地方工作，而不是我必须去争取这一个东西，然后我觉得它没有得到正确的讨论和辩论，或者对一个决定是如何做出的缺乏透明度。我认为这确实很重要，因为我们大部分的团队成员只是想做出非常非常好的工作，他们是被公司的使命所吸引的。在像我们这样试图开发这种变革性技术、但又以一种负责任的方式去做的公司里产生影响的这种想法，我认为这对人们来说真的很重要，不仅仅是对研究团队，而是对全公司，我们认为这是我们一个真正的优势，它不是我们认为理所当然或
[01:07:39] Krishna: 掉以轻心的东西。我们有这种“向顶峰竞逐”（race to the top）的概念。我们希望，你知道，我们并不总是有所有正确的答案。我们并不总是把一切做得完美，但我们希望其他人，你知道，看到我们做的一些事情，也许会效仿其中的一些部分，从而实际上让这项技术在整个行业中以一种更好的方式被开发。我认为人们也被这一点所吸引。同样，不是说我们拥有所有的答案，而是我们可以成为贡献和引领这一切如何为人类带来美好未来的一部分。
Patrick: 当你和内部人士交流时，你觉得前沿（frontier）对你来说是什么感觉？我不只是指模型的前沿。我指的是在构建AI中接下来的几步尝试。大家似乎都已经意识到了这些东西是强大的。每个人都在使用它们。它正在扩散。
[01:08:27] Patrick: 人们正在接受它们。从内部来看，你觉得什么是前沿？
Krishna: 我认为是这样一个想法，再次强调这是因为我们专注于企业端，并且因为，你知道，我们真的试图，你知道，改变经济中知识工作的生产力。我认为前沿就是朝着这种“虚拟合作者”（virtual collaborator）的愿景或目标前进。所以把这想象成，你知道，一个在你的组织内部拥有上下文的东西，它能够使用所有对你而言特定的工具，无论它们是内部开发的工具还是你购买的工具，它拥有，你知道的，记忆，以及能够有效地从你犯过的错误中学习的能力，也能从它随时间推移犯过的错误中学习。
[01:09:08] Krishna: 然后它有能力在一个非常长的时间跨度上工作，不仅是针对一个任务，而是针对一个真正的想法。所以这对我们意味着，模型能力必须继续增长以支持这一点。然后我们建立在它之上的产品可以解锁这个我们认为能够真正加速知识工作的虚拟合作者。但你必须让它以正确的产品形态（form factor）呈现。对吧。这就是智能不仅仅是一个单一维度的地方。它是多个维度的组合，而虚拟合作者在某种程度上结合了许多这些东西，对吧？也就是它不仅普遍聪明，而且针对你的用例很聪明。我认为再次强调，我们在写代码领域看到的情况，是我们期望在其他地方也能看到的。对于我们来说，像Claude Code在这方面起到了引领作用，而且我们的很多业务也有非常优秀的客户在
[01:10:01] Krishna: 同样推动着写代码的前沿。但随后你也看到像共同协作（co-work）这样的东西出现，并开始比早期的Claude Code更快地解锁这种协作——如果你把它们放到同一个时间点进行对比的话。这非常引人注目，因为开发者是这项技术非常快速的采用者。但我认为这是因为模型的能力和产品正在推向这种“虚拟合作者”的概念，在今天甚至连我们的产品开发都不再是一个产品经理带着两个工程师在3个月内发布某样东西了。它是每天都在发布，并且有一群智能体在全公司范围内负责一个具体的任务。每个人在某种程度上都变成了一个管理者，我认为当它处于正确的产品形态时，这种模式的影响以及随之而来的生产力提升，虽然我们目前还处于非常非常早期的阶段，但它的潜力是令人难以置信的、疯狂到难以想象的。我很好奇你个人必须如何进化才能继续
[01:11:01] Patrick: 做这件事。比如，你经常听到这些故事，哦，高管必须与公司一起扩展（scale），否则他们就会被换成新的高管。你知道，你之前任职的Cedar是一家很棒的公司，但在规模上只是这里的一小部分。所以你，就像每个人一样，都处于这个史无前例的新事物中。你谈到了从线性思考跳出，进入，你知道的，更多指数型思考的例子。那是我所说的一个例子。但是你是如何个人应对它的？你需要做什么？什么是让你觉得最痛苦的？你如何管理你自己与这个比我们以前见过的扩张都要快的事物一起扩张的能力？
Krishna: 是的，这确实很难。但我认为最重要的是要以第一性原理（first principles）思考，对吧？所以就像每个人在接触新事物时都有自己的先验认知（priors）。以第一性原理思考，并保持
[01:11:52] Krishna: 理智上的开放性。你知道，我，嗯，我花了很多时间和我们的首席算力官（chief compute officer）Tom Brown在一起。他其实是公司里最早面试我的人之一，我记得我们在我入职前不久去散了步，我们在旧金山的教会区（Mission）走了两个半小时，他开始告诉我他对公司未来的愿景，那是在2024年，2024年初。说实话，听起来太疯狂了。他一路送我回家，我记得我进门后告诉我妻子说，这将会非常疯狂，哪怕只有10%是真的，这将打破所有的范式，不仅仅是我见过的，而且是大多数人见过的。事实证明，Tom在那次散步中说的话，很多都
[01:12:38] Krishna: 变成了现实，但我把那次回家后的惊叹当成是一次早期的塑造性经历，像是在说，天哪，这将是一段完全不同且崭新的、一段真正不可思议的经历，但同时也是极具挑战性的。结果它确实如此。这其中的另一部分仅仅是雇佣优秀的人。你知道，我试图招人，我在面试过程中告诉大家，我其实不是在招你作为我的直接下属。我是在招你作为合作伙伴，我希望你将其视为一种合作关系，这意味着你我可能会有分歧。我想听到这些，我想在白板上讨论它。我想要理解，比如，你知道，我们从世界上最好的公司招人，他们带着不同的视角来到这里，对吧？他们可能来自超大规模云厂商（hyperscaler）或大型软件
[01:13:23] Krishna: 公司，或者来自金融服务业，在过去的经历中，你知道，我在黑石集团和私募股权团队工作过，那种训练非常有价值，学会在细微的颗粒度上思考事物且不丢失那些细节。比如我不是那种安于停留在5万英尺高空的人，那不是我，但你也不能在这个业务的每件事上都停留在500英尺，表面积太大了。所以能有合作伙伴参与其中是非常非常关键的。我认为最后一点是要思考，你知道，业务是如何随着时间的推移而演变的，以及过去发生的事情在哪里可能有类似的历史时刻。你知道，在疫情最严重的时候，我曾帮助领导了Airbnb的融资。非常不同的情况，对吧？该公司的收入在七周内下降了70%。我知道O'Brien刚和你做了一期节目。
[01:14:14] Krishna: 那是一段令人痛苦的时光，但那也是一个没有先例的时期，对吧？在情况快速变化且没有现成模板或模式可供匹配时，你必须用清晰的视角思考问题。而在个人层面，要在平衡一切——你知道的，家人、朋友——与这份肯定会占用很多时间的工作之间找到平衡，确实很难。但我尽量做到的是，也许一周一次，在安静的时刻想一想，哇，这真的很酷，能在此时此刻、在这家公司、和这群人一起研究这个问题，真是一次不可思议的机会。我试图去做到这一点，你知道，也许是在乘车时，也许是在深夜之类的时候。拥有这种认知和那种欣赏的心态是
[01:15:07] Krishna: 非常重要的。
Patrick: Tom在散步时跟你说的什么事情听起来最疯狂？
Krishna: 我的意思是，我们谈论了很多关于算力基础设施的规模，以及模型在很短时间内能做什么。我想，他描述了一个如果当时问我、我会说有点科幻的世界。但是，我们此时此地正在经历的很多事情，真的都植根于那次谈话。所以，他谈到的甚至还有更多可能超越了我们今天所处阶段的事情。但我认为其中的共性是，你知道，一切发生的速度都会比我们想象的快得多，而且它的影响以及它的能力都可能会发生改变。而且他对未来有一种真正不可思议的乐观，我认为，你知道，这让我们在内部讨论时能同时包容光明与阴影（holding light and shade）。那是我们经常
[01:15:58] Krishna: 说的话之一，我觉得那次谈话结束后，我脑子里满是问题，但也对未来可能发生的事情充满了一种积极的感觉。
Patrick: 似乎我们大部分时间都在讨论这个，因为现实是我们目前存在于那个不确定性锥形区间（cone of uncertainty）的高端。你能想象是什么原因会导致它变为那个锥形区间的低端吗？如果我们在一年后做个类似事前验尸（premortem）的复盘，我们会说，“哇，其实我们根本不需要像我们想象的那么多的算力，或者类似的事情。” 你能想象什么会让我们在那个不确定性锥形区间内发生有意义的转移吗？
Krishna: 我认为第一件事将是我们在客户中的普及率。用例正在努力跟上模型的能力，而且我认为你得看到，我们谈论的是在大型组织中的人类，他们使用一套工具和
[01:16:47] Krishna: 实践，并且已经做了很长很长时间，改变是很困难的对吧。所以，如果这种普及，你知道，碰壁了或者放缓了，诸如此类的，这可能会影响收入增长方面的变化率。你知道，当然，Scaling Laws（缩放定律）放缓或不再成立——我们没看到这个迹象。我们不能百分之百确定地说它不会。我觉得那，那太傻了。我们当然相信这条发展轨迹，但，嗯，模型能力趋于平缓，将是，将是另一回事。然后你知道也许第三点是，只是我们如何思考，嗯，你知道，处于前沿。你知道今天我们处在前沿。我认为我们正在定义智能体AI的前沿。我们需要留在那里，对吧？这是一个竞争激烈的市场，而且我们将继续在必要的技术和算力
[01:17:36] Krishna: 以及进入市场（go to market）策略上进行投资以保持领先，但这也不是有保证的。
Patrick: 你对什么最感到兴奋？你有幸坐在这个特权席位上。你有点像能字面意义上看到未来，因为它在外部看到之前，就正在业务内部发生。带着这种视角和在这个位置上，你对未来最感到兴奋的是什么？
Krishna: 我真的认为这项技术可能带来的生物技术和医疗保健成果，是我对其最为乐观的地方。我们可能生活在这样一个世界里：你被诊断出患有一种无法治愈的疾病，但在你有生之年，可以更快地找到那种疗法，而你实际上可能不会死于那种疾病。我把这看作是，你知道，我们今天正在做的很多事情是帮助加速药物研发的过程，对吧？大量必须完成的书面工作、临床研究报告和类似这样的
[01:18:26] Krishna: 事情。AI以及我们特有的解决方案正在帮助迅速加速这一过程。我对它深入到早期的药物开发和药物发现阶段最感到乐观和兴奋，因为你知道，我们在研究方面有着极其强大的人类能力，但如果你考虑这些分子和蛋白质，它们如此复杂，微小的变化会对结果产生如此巨大的影响，AI对此来说是完美的。想象一下，如果实验室的吞吐量提高10倍或100倍会发生什么，我们可以运行多得多的实验，可能会更快得到更好的结果，这将是可以帮助全世界人类的东西，对吧，而且它不必须局限于一小部分疾病或失调，它可以真正向产业链的更深处延伸。所以我认为这有潜力极大地改变我们的生活方式和我们的
[01:19:22] Krishna: 互动方式，这对我来说真的很令人兴奋。
Patrick: 我当然希望你是对的。看起来我们确实走在这条轨迹上，这真是一个令人遐想的未来。这太有趣了。我觉得我们探讨了业务中许多有趣的方面，你知道，我不认为你以前做过这样的访谈。所以，你知道，能得到这种惊人的视角非常难得。当我做这些访谈时，我都会问同一个传统的结束问题。别人为你做过的最善良的事情是什么？
Krishna: 我有一个哥哥，比我大五岁半，他上大学的时候我们住在加利福尼亚。他被他申请的所有地方都录取了，他打算在那之后去上医学院。所以，嗯，当时我什么都不知道。后来他选择了在本州上大学，而且他表现得非常优异。直到大概很多年后，
[01:20:01] Krishna: 我才算是从他口中把这个事实给挖了出来。但是，你知道，在决定去哪里上大学时，我们家，作为一个家庭绝对算是一个稳固的中产阶级。而且，你知道，那是大概25到30年前。你知道，当时的经济援助方案不如今天这么丰厚。后来我发现，他做决定的一个重要因素，那是很多很多很多年后，你知道，是想给我机会去我想去的任何地方。嗯，尽管，你知道，当时我上大学还要等六年，谁知道我将来会怎样呢。我当时并不知道。那是，十二岁的我或十三岁的我永远不会真正理解的事情。但现在，你知道，很多年过去了，我认为那是一件无比善良的事情，而且那也是，你知道，我今天依然铭记在心的事情。哇，我
[01:20:48] Patrick: 做这个采访做了大概600次了吧。我从来没有听到过那种类型的答案。那太棒了，令人惊叹。Krishna，非常感谢你和我做这个访谈。
Krishna: 是的，感谢你邀请我，Patrick。我非常享受这次对话。
旁白: 你知道微小的优势是如何随着时间推移产生复利的吗？在投资中是如此，在如何运营公司时也是如此。你的支出系统就是你的资本配置策略。Ramp默认让它变得更智能。更好的数据、更好的决策、随着时间推移更好的经济效益。请访问 ramp.com/invest 了解更多。随着你的业务发展，Vanta 会与你共同扩展，自动化合规流程，并为你提供关于安全和风险的单一真相来源（single source of truth）。请访问 vanta.com/invest 了解更多。每家投资公司都是独一无二的，而通用的AI并不理解你的流程。Rogo理解。它是一个专门为华尔街构建的AI平台，连接你的数据，理解你的流程，并产生真实的输出。请访问 rogo.ai/invest 了解他们。
[01:21:37] 旁白: 从OpenAI到Cursor再到Perplexity，最好的AI和软件公司都在使用Work OS，让企业在一夜之间而不是数月内实现企业级就绪（enterprise ready）。请访问 workos.com，跳过不那么光鲜的基础设施工作，专注于你的产品。Ridgeline 正在重新定义资产管理技术，作为一个真正的合作伙伴，而不仅仅是一家软件供应商。他们帮助公司实现了5倍的规模扩张，从而实现更快的增长、更智能的运营以及竞争优势。请访问 ridgelineapps.com 看看他们能为你的公司解锁什么。