纳斯达克互联网泡沫巅峰时刻的2000年1月，被视为最大网络服务商的美国在线亿美元的市值，反向收购了时代华纳。

　　美国在线没有多少利润，但有不断膨胀的用户数和一轮接一轮涌入的资本。时代华纳有现金流、有内容、有基础设施，但在市场眼里，它是一家旧时代公司。

　　收购完成的2年后，合并实体却录得史上最大的987亿美元亏损纪录。美国在线的用户增长神话碎裂，拨号上网被宽带取代，赖以为生的订阅收入和广告收入同时塌缩。

　　26年后，一场结构高度相似的命运分岔正在加速递归的AI行业上演。

　　这是这家公司成立以来第一次在收入维度反超对手。15个月前，它的年化收入还只有10亿美元。

　　同一时间，OpenAI正在为一场可能在今年四季度进行的IPO做准备。它刚刚关闭了硅谷史上最大的1220亿美元私募融资，估值达到8520亿，但同时预计2026年亏损140亿美元，现金流转正的时间被推迟到了2030年。

　　一个造血能力在加速增强，一个在输血需求却在悄然上升。

　　两条截然迥异的AI发展路线，或许从创始人离开彼此那一天就已经注定。

　　OpenAI的扩张速度在商业史上很难找到参照物。

　　2024年底年化收入37亿美元，2025年底翻到200亿，2026年2月到达250亿。山姆·奥特曼对投资者的承诺是2030年收入达到2800亿美元。为了支撑这个叙事，OpenAI在过去一年签下了包括微软、亚马逊、甲骨文等在内的超过5000亿美元的云计算合约。

　　这些数字的另一面是Open AI在2025年上半年的研发支出就达67亿美元，股权激励近25亿美元。2025全年现金消耗约85亿美元。2026年，仅推理成本一项预计就将达到141亿，比2025年增长68%。公司预计2026年全年亏损140亿美元，2027年现金消耗将飙升至570亿。

　　作为CFO的萨拉・弗莱尔在公司内部坦承了这一现实，她与奥特曼在IPO时机上产生了分歧，弗莱尔认为公司应当先建立更稳固的财务基础，而奥特曼将IPO视为筹集基础设施资金的工具。

　　OpenAI背后还藏有一项潜在的财务义务，即每一美元收入中，20%要以分成形式支付给微软，这一安排延续至2032年。2026和2027两年，OpenAI预计将向微软支付超过130亿美元的收入分成。

　　今年3月，寿终正寝的Sora可能就是奥特曼执念于延长战线的结果。

　　从预览效果最早震动业界，到后来与迪士尼达成合作，Sora一度成为AI领域最被看重的明星项目，但据调查，Sora的全球用户在突破100万后迅速回落至不到50万。每天运营成本约100万美元。每一个生成的用户都在消耗有限的GPU资源。

　　2025年12月2日，奥特曼向全公司发出CodeRed备忘录，要求将资源从广告、健康、购物等多条战线回撤，全力改善ChatGPT。并在备忘录中直言：

　　公司正处于ChatGPT的关键时刻。广告计划搁置，Agent开发延期，一个名为Pulse的个性化助手项目暂停。

　　3个多月后的2026年3月24日，OpenAI正式决定关闭Sora，而迪士尼都是在公告发出前不到一个小时才得知消息的。

　　与多面作战的Open AI不同，Anthropic表现出了另一种增长逻辑。

　　2024年12月还是10亿美元的年化收入，2025年中就已到达约47亿，年底到达90亿。2026年2月，达到了140亿；3-4月分别达到190亿和300亿，对Open AI实现了反超。

　　15个月的30倍速度，在企业软件历史上几乎没有先例。

　　增长的核心驱动并非来自C端的用户订阅，而是企业API调用，其中80%收入来自商业客户。截至2026年4月，超过1000家企业每年在Claude上的支出超过100万美元，而财富10强中有8家是Claude的客户。

　　作为核心产品的Claude Code，这个2025年5月才公开发布的编程工具目前年化收入已超过25亿美元，自2026年初以来翻了一倍以上。它在AI编程的份额达到54%，远超GitHub Copilot和Cursor。目前全球4%的公开GitHub提交由Claude Code完成，预计年底将达到20%以上。

　　这里存在着一个关键的效率差异：Anthropic每月活跃用户的变现能力约为211美元，OpenAI约为25美元。前者是后者的8倍。用户量小得多，单位变现效率高得多。

　　更重要的是成本端。OpenAI到2030年的年训练成本预计达到1250亿美元，Anthropic约为300亿。同一场竞赛，4倍的成本差距。Anthropic预计2027年实现自由现金流为正，OpenAI则将盈亏平衡推到了2029年甚至2030年。

　　两条不同AI路径背后，存在一个与AI企业创始人背景密切相关的根本性差异：达里奥・阿莫迪他和几乎所有其他AI公司的掌舵者都不一样。

　　奥特曼是硅谷创投机构YC前总裁，一个职业投资人和公司运营者。DeepMind的哈萨比斯是神经科学家出身，但背后是Alphabet的组织机器，扎克伯格在哈佛宿舍里写网站出身，AI只是Meta的一条业务线。

　　在看国内，字节梁汝波、阿里吴泳铭、百度李彦宏大多是互联网企业家，AI对他们而言更多是重要的商业增长引擎。

　　阿莫迪是物理学家和计算神经科学家出身，普林斯顿的博士论文研究的是大规模神经电生理，即用电极记录真实的神经回路如何集体运作。

　　博士毕业后，他在斯坦福医学院做博士后，把机器学习应用于生物医学数据，然后去了百度和Google Brain做研究，直到2016年加入OpenAI并成长为研究副总裁，直接领导了GPT-2和GPT-3的开发，同时也是RLHF的共同发明人和Scaling Laws的核心实践者。

　　这份履历决定了它的纯度。阿莫迪在正式创办公司之前，做了近十五年的一线研究，这让他更像是一个被迫学习商业的科学家。

　　这种背景决定了两件事。

　　第一，他清楚地知道AI现在能做什么、不能做什么。

　　在一档播客中，他这样描述能力曲线：如果你把到目前为止的曲线做一个外推，去年我们在本科水平，前年在高中生水平，现在开始接近博士水平……这确实让你觉得2026或2027可以到达AGI。但他紧接着说：仍然存在100年也达到不了的可能，只是概率在迅速降低。一个真正懂技术的人，会同时持有乐观和不确定性。

　　第二，他知道AI现阶段最先能在哪里创造线月，在Anthropic首次开发者大会Code with Claude上，他被问及幻觉问题时说：这取决于你怎么衡量，但我怀疑AI模型产生幻觉的频率可能比人类低，只是幻觉的方式更令人意外。

　　一个研究了十五年神经回路的人，对模型能力的边界有一种肌肉记忆式的感知。他不会因为Demo效果炸裂就急着推向市场，也不会因为投资人期待就去铺一条全模态的产品线。

　　这解释了Anthropic为什么没有去碰图像生成、生成、引擎、社交App这些方向。

　　或许阿莫迪深知，在当前模型能力的真实边界内，这些方向要么无法产生稳定的商业价值，要么会消耗大量算力却无法转化为付费收入。

　　他选择把所有资源集中在文本、代码和Agent上。

　　这些场景的共同特征是：AI的输出可以被精确衡量，可以直接替换人工，客户愿意为可计量的生产力提升买单。

　　AI带来的威胁来自多个方向，减轻某些危险可能会使其他危险恶化——如果我们不能极其谨慎地穿过这根针眼的话。

　　其列举的风险正是技术本身失控的风险。

　　OpenAI的失焦不是2025年才开始的。它的根源可以追溯到微软130亿美元投资落地之后。

　　毕竟拿了钱，很多事就不由自己决定了。

　　这或许也是梁文锋一开始拒绝DeepSeek快速商业化和不追求融资的深层逻辑。

　　即使股东不是短视之辈，也倾向于以行业都关注的参数来审视投入回报。当GPT-4在2023年遥遥领先时，以闭源防御、以加速商业化进攻，成为OpenAI的默认策略。订阅、API、Agent、打入iPhone供应链，大干快上。

　　代价首先体现在算力分配上。

　　2024年5月，OpenAI对齐团队负责人Jan Leike辞职并加入Anthropic。彼时他坦言，过去几年里，OpenAI安全文化和流程已经让位于“闪亮产品”。他还透露团队一直在为获取算力而挣扎，但那些本该用于关键研究的计算资源越来越难争取到。

　　之后的人才流失如同多米诺骨牌。

　　作为前CTO的MiraMurati离职创业并从OpenAI招走大量核心人才。研究主管安德烈・卡帕西离开。多位关键研究员转投Anthropic、Meta和其他竞争者。

　　过早的商业化，在相当程度上分散了通往更强模型的精力。这既包括了算力调度的分配，也带来了人才凝聚力上的消耗。

　　许多顶尖研究者，并不是靠高薪就能留住的，这些人走掉，反而是因为公司方向与他们的探索预期分道扬镳了。

　　到了奥特曼意识到不对劲的2025年末时，OpenAI在LMArena上已不是第一，企业API市场份额从50%跌至25%，模型能力的相对退步和商业化的过度扩张，几乎是同一枚硬币的两面。

　　奥特曼的野心可以理解：规模会成为壁垒。只要足够大，足够早，竞争者就没有空间。

　　关键问题在于，AI不是社交网络、短或者电商，不存在网络效应驱动的赢家通吃逻辑。

　　每一次推理请求都有真实的GPU成本。用户越多，亏损越大——除非能在每一个场景上都实现足够高的付费转化率。

　　OpenAI的9亿周活跃用户中，付费订阅只有5000万个。75%的收入依赖订阅。消费侧的单位经济模型远未跑通。企业侧，份额正在被Anthropic蚕食。

　　有一个被AI叙事长期忽略的反直觉事实：

　　大模型可能会[*][*]SaaS，但大模型不是SaaS。

　　传统SaaS的边际成本趋近于零。多一个用户，多一点存储和带宽，成本可以忽略不计。软件的毛利率往往可以达到70%-80%甚至更多。

　　模型的推理是实打实的算力消耗。

　　OpenAI的毛利率约为33%。相当于每收入1美元，有67美分花在了GPU上。Anthropic的毛利率约为40%，推理成本比内部预期超出了23%。

　　在找到高频、刚需、高付费意愿的应用场景之前，用户增长本身就是一个财务黑洞。

　　规模有可能成为护城河，但同时也会让支出同步攀升。

　　OpenAI的2025年推理支出已达约84亿美元，预计2026年将增至141亿。它的收入在增长，但成本的增长更快。

　　企业客户每年花100万美元以上，是因为Claude替代了原来在付费的东西。

　　Agent路线的核心逻辑是：不卖通用智能，卖自动化劳动。

　　它让AI完成可计量、可定价、可重复的任务。每一次Agent执行一个工作流，都是一次有明确ROI的交易。

　　这就解释了为什么Anthropic能在远小于OpenAI的用户规模上，实现更高的收入。它的客户不是在为聊天付费，而是在为生产力替代付费，两件事的单价差是迥然相异的。

　　Meta的Llama4事件或许是最典型案例。2025年4月，Llama4Maverick以1417的ELO分登上排行榜第二。但社区很快发现，提交给LMArena的是一个专门为对话风格优化的实验版本，回答冗长且充满emoji——这种风格恰好能讨好随机投票者。公开发布的版本在评测中直接跌到了第32-35名。

　　刷上限许多时候能够成为能力边际的突围，但有些时候只是一种证明自己的行为，是一种赢学。

　　它既能够让市场中习惯了预期叙事的击鼓传花游戏玩下去，也符合某些大企业的官僚主义和向上汇报文化。

　　它的受众并非客户，有时只是为了解决投资人焦虑和大企业内部的KPI，在LMArena上排名更高，融资路演的PPT上就多一份素材。

　　事实上，在国内科技公司的AI竞赛中，一些公司也痴迷于用基准测试或刷榜来证明自己领先，但模型的实际效果与使用率如何，不同用户心中反而有一杆不同于比武结果的秤。

　　这终究是一条执着于获得融资性现金流乃至市值管理的路径。

　　与此不同的是，Anthropic的产品逻辑却并不执念于刷榜来自我证明，也不围绕对话讨好度进行工程改造，它集中资源在SWE-benchVerified、Terminal-Bench、OSWorld这类任务评价上。

　　它们的共同点是，测的不是模型能不能说漂亮话，而是能不能把活干完，这是两件截然不同的事。

　　Anthropic在发布Opus4.6时，曾精确描述了自己的实现细节：

　　我们用Claude构建Claude，我们的工程师每天用Claude Code写代码，每个新模型首先在我们自己的工作上测试。

　　当Replit的CEO说Sonnet4.5把代码

　　许多时候，口碑和完成度的意义远远胜于跑分，因为跑分更多服务于估值叙事，而口碑才能提高客户留存。

　　刷上限换来的融资性现金流，把活干完才能换来经营性现金流。

　　这两种思路的差异，在15个月内制造了从落后到反超的结果。

　　单就估值而言，目前OpenAI仍然保持着AI领域的领先估值，其以8520亿美元估值对应250亿年化收入，市销率约34倍。Anthropic以3800亿美元估值对应300亿年化收入，市销率约13倍。

　　一旦增长停滞，一旦新的融资轮无法覆盖旧的亏损，故事就会迅速崩塌。

　　狂热的早期，融资性现金流可以买来时间和声量，可泡沫褪去之后，唯有经营性现金流能让一家公司活着走出去。