Anthropic CPO专访：从模型到产品战略转型与AI未来洞察

Anthropic 近期动作频频，发布了全球首个混合推理模型 Claude-3.7-Sonnet，代码生成能力显著提升，其生成的 UI 界面更是令人惊艳。3 月 3 日，Anthropic 官宣完成一轮 35 亿美元的 E 轮融资，估值飙升至 651 亿美元，产品力和商业表现均取得新突破。Mike Krieger，Anthropic 的首席产品官，前 Instagram 联合创始人，近日在播客 20VC 中分享了 Anthropic 的产品战略思考，并对 AI 创业的切入点、未来方向以及 DeepSeek 的崛起等话题进行了深入探讨。Anthropic 的目标并非仅仅成为“模型提供商”，而是要成为客户的“AI 合作伙伴”，构建更深度、更长期的合作关系，而非简单的 API 交易。Anthropic 深刻认识到“first-party products”（第一方应用）的战略价值，并加大投入，这不仅是为了增加收入，更是为了加速学习、提升模型能力、建立品牌忠诚度，以及构建更强的竞争壁垒。

在 AI 仍处早期的今天，长期价值创造远大于短期竞争。Krieger 反复强调“we are in like day one around is AI an indispensable part of most people’s work”，即我们仍处于 AI 成为大多数人工作中不可或缺一部分的“第一天”。Anthropic 在快速迭代与用户信任之间寻求微妙平衡，探索“opt-in”等灵活发布方式，以适应不同用户需求。他们聚焦“Agentic Workflow”自动化，Claude Code 的核心价值在于提升开发流程效率，而非取代 IDE。AI 模型正超越单纯的功能性，通过独特的个性、用户体验脚手架和氛围感构建品牌般的身份认同，塑造用户连接与选择的新格局。AI 将进化为“智能引导者”，主动洞察用户需求，指引方向，辅助决策，成为用户达成目标的关键伙伴。

在初创公司为未来模型构建产品方面，Krieger 认为，最有价值的领域是拥有差异化市场策略（GTM）、对特定行业或特殊数据具有独特知识的地方。例如金融、法律或医疗保健领域。这些领域前期工作虽然不显眼，但却是构建持久价值的基础。利用基础模型的优势，根据需要进行微调或进行 AI 优化，但真正能保持竞争力的，是在这些领域销售的能力，是对这些领域的独特理解，以及随着时间的推移，在这些领域不断改进的能力。

对于下一代 AI 浪潮，Krieger 认为，更有利于那些已经拥有这些优势，并能应用 AI 的现有垂直 SaaS 公司，或者更有利于那些在这些领域从零开始创建的新公司。AI 和产品设计的关键在于，必须在展示未来愿景和利用模型当前能力之间，保持微妙的平衡。初创公司可以稍微多做一些“过度承诺”，因为早期用户和尝鲜者更愿意尝试，容忍度也更高。但现有的垂直 SaaS 公司，如果用户试用后发现“没那么好”，或者觉得“应该能做更多事情”，或者“你说能做 30 件事，结果只能做两件”，那就很糟糕了。

Krieger 认为，初创公司要“为未来的模型构建产品”。模型的任何变化都可能对初创公司的产出产生巨大影响，无论是代码软件还是法律平台等等。初创公司应该基于今天的模型来构建，还是应该基于我们对未来模型的预测来构建？Krieger 认为，那些从模型代际升级中获益的公司，并不是那些在模型发布当天才突然起步的公司，而是那些一直在该领域深耕的公司。更简洁地说，不要等待模型变得完美，而要积极探索这个领域，对当前模型的局限性感到沮丧，然后积极尝试下一代模型。这样，你就能感觉到，你终于可以实现你脑海中构想的东西了，只要模型再强大一点点。

关于模型层，特别是基础模型层，Krieger 认为，有三个值得长期投入的领域：第一是人才，人才会吸引人才，你会成为一个磁场，特别是当人才围绕着一个共同的使命或愿景凝聚在一起时。第二是专注和模型特性，随着时间的推移，你会深入发展这些特性。第三是 DeepSeek，从技术层面来说，我们可以从他们正在做的事情中学到一些东西。但从市场策略和市场地位的角度来看，DeepSeek 几乎没有影响。Anthropic 与公司建立的合作关系，并非简单的 API 调用，而是“我想成为你长期的 AI 合作伙伴，我想帮助你与你的应用 AI 团队共同设计产品，我想与你一起畅想未来，我想不仅仅考虑你的 API，还想考虑 Claude for Work”。这更像是一家公司在提供 AI 伙伴关系，而不仅仅是 AI 模型。

在模型训练环境方面，Krieger 认为，最大的阻碍是改进模型训练环境，使其更好地反映真实世界的复杂任务，而不仅仅是独立的、单次的评估。即使在软件工程领域，软件工程师的工作也不仅仅是编写代码，还包括理解需要构建什么、与产品经理一起制定时间表、深入理解需求和用户用例，然后以可测试和迭代的方式交付成果，并从最终用户那里获得反馈。这是一个复杂的工作流程，目前还没有合适的评估方法。

关于数据的未来，Krieger 认为，为了改进模型，你需要一个方案，或许首先用原始的人类数据来引导模型，然后生成所有这些合成环境，让模型可以在其中探索和寻路。Claude 这周一直在玩宝可梦，这对于我们的研究和工程团队来说，是一个有趣但有点分散注意力的消遣。大家都在关注 Claude 玩宝可梦的直播。我认为游戏是一个有趣的例子，你可以想象在同一个游戏中进行许多不同的运行，并设置一些约束和规则。但当问题空间不如“你是否走出了常磐森林？”那样明确时，情况就会变得更加复杂。但能够采用黄金路径，并综合各种方法仍然很重要，这样你才能思考模型如何在不确定性中进步。所以我认为这绝对需要混合方法，最好的模型将来自优秀的人类数据和合成数据的结合。

关于模型质量与产品体验，Krieger 认为，模型质量与产品体验强相关，未来用户不需要自己选模型。你可能会说，当然可以，因为它们各有专长。但当我展望未来三到五年，我认为你不会再需要选择使用哪个模型了，就像你不会选择使用哪个谷歌一样。你确实没有错。我喜欢一个来自人机交互领域的概念，你可能听说过“泄漏的抽象”（leaky abstractions，抽象层无法隐藏细节，需要使用者了解底层机制）这个术语。对于软件构建者来说，我们试图完美地封装所有复杂性，隐藏在一个小小的“外壳”之下，让用户无需考虑任何底层细节。但现实是，目前大多数 AI 产品的设计都存在“泄漏的抽象”问题。比如，用户需要选择模型，这根本不应该发生。为什么要用户选择 Opus、Haiku 或 Sonnet？大多数人根本不明白它们之间的区别。或者，如果你打开 OpenAI 的模型选择器，里面有很多模型，每个模型都有其存在的理由。但总体体验却是，为什么要我选择这个而不是那个？这个功能在这里可用，但在那里不可用。我们自己也深受这个问题困扰。模型选择是第一个“泄漏的抽象”。第二个是，一旦你理解了这些模型的构建方式，你就会知道它们会积累上下文，每次对话都会重放完整的上下文，以便进行下一次推理。这导致了每次对话都不同的情况。我总是想到，当你与同事交谈时，你们可能有不同的邮件往来，但在所有这些邮件背后，仍然是同一个同事。如果你提到他们最喜欢的球队，或者你们一起参与过的项目，他们不会说“我不知道你在说什么”，或者“我需要去检索我的记忆”。你们之间存在着一些共享的基础知识。这是另一个“泄漏的抽象”，我们迫使用户去理解模型的工作方式，但我不认为用户需要理解这些。最后一个是提示工程（prompting）。尽管提示工程已经发展了很多，我们也做了很多工作来优化提示，将简单的人类提示转化为模型最优的提示。但我希望提示工程对用户来说是完全透明的，而不是用户需要主动参与的事情。如果模型对问题缺乏清晰的理解，或者需要更多帮助来理解问题，模型应该通过对话来澄清，而不是让用户去区分谁是优秀的提示工程师，谁不是。现在，提示工程的差距正在逐代缩小，但我希望我们能进一步消除这个差距。

关于第一方产品，Krieger 认为，通过一方产品，我们可以更快地学习。举一个非常具体的例子，在 Claude Code 内部部署一周后，我们就发现了一个问题，即模型没有充分利用它能够访问的某个工具。这个问题直接反馈到了 Claude 3.7 Sonnet 的改进中。第一方工具的内部试用，直接带来了下一代模型的改进。我们还在其他一些地方也发现了类似的情况。但通过第三方产品，就很难获得这种直接的反馈。第三方合作伙伴会告诉你哪里出了问题，但这种反馈总是隔着一层。即使我们与你提到的那些编码初创公司密切合作，情况仍然不同。因此，第一方产品在学习方面具有很大的价值。另一方面，一方产品也更容易建立用户粘性和品牌忠诚度。我认为，与仅仅建立 API 相比，如果能围绕第一方产品建立品牌，会更容易。我们为很多编码产品提供技术支持，这对于业内人士来说是显而易见的，因为 Claude 通常是下拉选择器中的默认选项。但并非所有人都了解这一点，而且 API 也不是用户下载或安装的产品，他们不会告诉朋友。但 API 也是我们获得巨大分发渠道的途径。我们不可能自己发明所有公司，通过 API，我们可以扮演更像投资者的角色，看到更多的可能性，而且目标也不止一个。因此，从资源分配的角度来看，API 业务和第一方产品业务的投入相当均衡。如果说有什么不足的话，那就是我们对两件事的投入略有不足：一是加快第一方产品的迭代速度，这是我目前最关注的事情；二是 API 方面，我们如何在“令牌进，令牌出”这种基本模式之上，构建更高级的抽象。每次我们这样做，都能收到用户的好评。无论是帮助模型进行智能规划和自主工作，还是让模型构建更多的知识库和知识图谱，来反映公司的内部运作方式（如果你需要构建内部知识产品），无论是完善工具使用，还是理解大量上下文并保持跨对话的记忆，这些问题都值得我们在 API 方面努力解决。因为我们可以将我们在模型训练方面学到的知识，直接应用于 API，并围绕 API 构建优秀的产品。这就是我对这两者的看法。但这是一个新问题。在 Instagram，情况很简单，95% 是产品，5% 是 API。

关于未来的开发者角色，Krieger 认为，软件开发人员的角色已经开始发生变化。我很早就成为了 GitHub Copilot 的忠实拥护者，我的评价甚至一度出现在他们的主页上（我不知道现在还在不在），因为我看到了它的潜力。即使在 GPT-4 发布之前，我就尝试用它来做 Swift 开发。我会画出我想构建的界面的 ASCII art，然后让 GPT-4 生成代码，自己去泡杯咖啡，过一会儿回来，它已经生成了 80% 的代码。现在，使用像 Claude 3.7 Sonnet 这样的模型，代码生成的完成度可能会达到 95% 到 99%。我认为，未来软件开发人员需要掌握的技能，首先是跨学科的，或者说是多面手的。你需要知道要构建什么，这与知道如何精确实现它同样重要。我喜欢我们工程师的这一点，我们很多好的产品想法都来自于工程师，来自于他们的原型设计。我认为，这就是未来很多工程师的角色。第二，当你的大部分工作变成评估 AI 生成的代码时，代码审查也会发生很大变化。我自己也经历过，我提交了一个 PR，一些评论指出“Claude Code 有时会这样做，但在这种情况下，我们实际上不使用默认参数”。我当时想“好吧，真糟糕”。如果是我自己编写代码，我可能会更好地注意到这些模式。因此，我们需要在两个方面共同努力：一方面，模型和模型基础设施需要更好地从代码库和代码审查中学习，以便生成更符合公司代码规范的代码；另一方面，我们如何从主要的代码编写者，转变为主要的任务委托者和代码审查者？我认为，这就是未来三年软件开发工作的面貌：提出正确的想法，进行正确的人机交互设计，弄清楚如何正确地委托任务，然后弄清楚如何大规模地审查代码。这可能需要结合静态分析或 AI 驱动的代码分析工具，来检查生成的代码是否存在安全漏洞、缺陷或 Bug。计算机视觉也会发挥作用，比如 UI 的自动化测试。未来，理想的情况是，你委托给 AI 一个任务，过一会儿回来，它会告诉你“我已经完成了，我评估了三种方案，并在浏览器中进行了测试，这是效果最好的一种方案，我还用另一个智能体进行了漏洞扫描，一切看起来都很好，你只需要确认这个关键代码片段是否符合你的预期”。这样，你突然就变成了管理者和任务委托者，而不是仅仅作为合作伙伴参与到工作流程中。

关于模型迭代，Krieger 认为，我们是否正处在“产品营销噩梦”之中？我的意思是，这周 DeepSeek 发布了新模型，OpenAI 也发布了新模型，Anthropic 也发布了新模型，Mistral 在 10 天前也发布了新模型。几乎每天都有新发布，世界可能会变得麻木。现在的情况比以前复杂得多。在 Instagram，你需要注意的大事件是提前就已知的，比如 WWDC 大会周，或者 9 月份的 iOS 发布会，或者其他大型节日。从产品营销的角度来看，要容易得多。现在的情况要困难得多。我也从其他实验室的朋友那里听说，大家都在试图解读“茶叶（行业内的各种小道消息）”，看看“现在风平浪静吗？现在可以发布吗？或者我们下周二发布怎么样？”。这需要一种完全不同的方法。我们这次发布 Claude 3.7 Sonnet，周一发布，周日晚上 9 点才最终确定博客文章，这在营销角度来看不是最佳实践。我们还在周日向媒体记者做简报。但那时已经是所有工作都完成、准备就绪、可以发布的时候了。所以，这需要快速反应和灵活应变的能力。甚至包括模型卡、评估报告、对比表格等，这些东西中包含的数据，可能是在前一周发布的模型的数据（比如 Grok-3，就在一周前发布）。所以，这需要完全不同的应对方式。

关于模型发布，Krieger 认为，模型发布是会不断发生的，在任何时候，你都可能会经历“领先-落后-又领先”的循环。你必须适应 AI 领域的这种节奏，不能因为一次发布就过于沮丧。当然，不可避免地，有时你会很幸运，你发布的产品或模型在两三个月内都能保持领先地位，但有时可能只有一周。你不能对这两种情况都反应过度。你不能安于现状，也不能过于沮丧。我认为真正有用的是，展示一张图表，我几乎在每次销售会议上都会展示这张图表，它展示了从 Anthropic 成立到今天的里程碑。在任何时间点，你都可以说“哇，Claude 2 看起来已经很落后了”，或者“Claude 3 是最先进的”，但很快又会被超越。你需要关注的是长期发展轨迹，并相信你将持续进步。这是第一点。第二点，要提醒自己，如果每个人每天都仅仅因为评估指标的变化而切换模型，那将是一件非常疯狂的事情。这不仅对你的用户群来说是疯狂的，而且也会让整个行业变得更加疯狂。随着时间的推移，你会逐渐认识到，人们部署模型时，并不仅仅是简单地使用模型，他们还会进行微调，或者进行大量的定制工作，以使模型非常适合特定的用例。模型切换不是一夜之间就能完成的事情。你仍然是模型选择器中的三四个选项之一。例如，在编码环境中，你仍然有机会。但这确实需要一种心态，我不知道是需要找到一种冥想式的、抽离的角度，还是仅仅是习惯于被超越，或者两者兼而有之。但可以肯定的是，每次有模型发布，我猜每个实验室都会关注直播，查看评估指标，然后意识到“好吧，我们有工作要做了”。

关于品牌，Krieger 认为，品牌是最重要的。就像你说的，人们不会每天都切换模型，他们会说“我是 Claude 用户”，或者“我是ChatGPT用户”，他们已经对他们使用的模型产生了认同感。我同意这种说法，尤其是在消费级产品方面。我最近在读 Ben Thompson 的文章，他经常邀请 Nat Friedman 和 Daniel Gross 参加节目，他们也谈到有些人是 Claude 用户，有些人是 ChatGPT 用户。我认为这种现象确实存在，用户会喜欢某个模型的个性、界面设计或整体氛围感。这让我想起了我们与 Snapchat 多年来的竞争，以及更早之前，人们会推出新的产品，比如“Instagram，但只面向高端摄影师”，或者“带有一些额外功能的 Instagram”，或者“每天只能发一张照片的 Instagram”，比如 BeReal。我有一个虚假的公式（我显然不是 Anthropic 的数学家），社交网络是由产品形式（format）、受众（audience）和氛围感（Vibes）组成的。对于 Instagram 来说，产品形式包括 Stories、Feed，后来又有了 Video；受众最初是喜欢复古风格的摄影师，后来扩展到对视觉叙事或视觉媒体感兴趣的任何人；但即使我们的产品形式与 Snapchat 甚至 Facebook 更相似，Instagram 的氛围感也截然不同。我不知道 AI 产品的虚假公式是什么，但我认为它与社交网络的公式有某种相似之处。其中，模型个性可能是其中一个因素，产品脚手架的规范性（scaffolding prescriptiveness）可能是另一个因素，然后就是氛围感。氛围感很难衡量，但它绝对存在。

关于蒸馏技术，Krieger 认为，蒸馏技术并非解锁这些能力所必需的，而且还会带来其他问题，甚至包括服务条款方面的问题。我认为蒸馏技术有趣的地方在于：第一，我们是否希望任何国家都能从其他国家的模型中蒸馏出模型？我个人的答案是否定的。我认为，随着 AI 能力的增强，从国家安全的角度来看，对这个问题进行深思熟虑是有价值的。第二，为了让技术进步以当前的速度持续下去，并实现长期可持续发展，实验室需要能够将所有的训练和创新商业化。我认为找到合适的商业模式至关重要。像 Llama 这样的开源模型，他们能够从自己的研究、数据摄取和训练中做到这一点。所以我认为，蒸馏技术并非解锁这些能力所必需的，而且还会带来其他问题，甚至包括服务条款方面的问题。

关于 AI 的作用，Krieger 认为，AI 的潜力是巨大的。从今天 AI 已经开始发挥作用的领域来看，包括加速药物发现和临床试验的闭环过程。例如，Noon Neri 公司过去完成临床试验报告需要 15 周，现在他们使用 Claude，20 分钟就能完成。这是一个巨大的进步。当然，这背后有数年的研究积累，我并不是说我们把数年时间缩短到了几周或几分钟，但我们确实可以加快流程中的某些环节。这是当前模型的能力。然后，你看到了 Arc 研究所，这是一个由 Patrick Collison 灵活创始人，他们正在研究细胞的基础模型。有了细胞的真实模型，你就可以进行实验，这将极大地加速药物发现和实验进程，因为你缩短了实验的循环周期。所以我对此非常乐观。我认为 AI 在很多领域的潜力尚未得到充分利用。我记得，我这一代最聪明的一些人，曾经致力于投放更有针对性的广告，这在某个时期可能是事实。但今天，他们中的很多人都在致力于如何构建在各个领域都极其有用、有价值和智能的模型。

关于 AI 与人际关系，Krieger 认为，随着模型能力越来越强，一个被低估的挑战是“辨别力”（discernment）和隐私。随着模型变得更强大，它们也会变得更博学。你可能会与模型讨论各种事情，从非常私密的事情，到对公司来说非常敏感的事情，或者模型可能会访问你公司的所有数据。每个人都喜欢谈论智能体之间的交互，但很少有人思考这两个因素的交集：你是否信任你的 Mike 智能体或 Harry 智能体在外部世界活动，而不会被“越狱”，或者泄露它所知道的私密或敏感信息？我的比喻是我的五岁女儿，和刚认识的人相处时，她还不太能区分什么是家庭秘密和隐私，什么是可以和新朋友或收银员谈论的事情。辨别力是人们随着时间推移而获得的技能，我认为模型在这方面被严重低估了，从模型能力的角度来看，这方面的研究可能也不够。因为模型从根本上来说，是想变得有帮助，但这并不总是你想要的。这不仅关乎安全问题，也关乎隐私和数据安全问题。

关于 AI 与寿命，Krieger 认为，AI 在很多领域的潜力尚未得到充分利用。从今天 AI 已经开始发挥作用的领域来看，包括加速药物发现和临床试验的闭环过程。例如，Noon Neri 公司过去完成临床试验报告需要 15 周，现在他们使用 Claude，20 分钟就能完成。这是一个巨大的进步。当然，这背后有数年的研究积累，我并不是说我们把数年时间缩短到了几周或几分钟，但我们确实可以加快流程中的某些环节。这是当前模型的能力。然后，你看到了 Arc 研究所，这是一个由 Patrick Collison 灵活创始人，他们正在研究细胞的基础模型。有了细胞的真实模型，你就可以进行实验，这将极大地加速药物发现和实验进程，因为你缩短了实验的循环周期。所以我对此非常乐观。我认为 AI 在很多领域的潜力尚未得到充分利用。