Anthropic 为什么这么强？从 OpenAI 的一次核心团队出走说起

这几年，如果持续使用大语言模型，应该很难忽略 Claude 的存在感。尤其是在编程、长上下文理解、复杂任务执行和 Agent 场景中，Claude 经常给人一种非常稳定的感觉。它未必在所有榜单、所有任务上都占据第一，但在许多需要连续工作很久、准确理解上下文、少一点无意义折腾的任务里，已经成为 OpenAI 最重要的竞争对手之一。

于是，一个很自然的问题出现了：Anthropic 究竟是怎么变强的？它是在后来挖到了一批特别厉害的科学家，还是找到了什么不为人知的训练秘诀？

我的理解是，答案恰恰不是“后来挖到了人才”。Anthropic 从成立之初，就拥有一支非常特殊的团队。它更像是 OpenAI 早期前沿研究体系的一次分化：一部分已经参与过现代大语言模型发展的人，带着自己的研究判断、合作关系和组织理想，离开原来的实验室，建立了一个新的 Frontier AI Lab。

一次离开，带走的不只是一批人

Anthropic 成立于 2021 年。Dario Amodei、Daniela Amodei、Tom Brown、Sam McCandlish、Chris Olah、Jack Clark，以及后来担任首席科学家的 Jared Kaplan 等人，构成了它早期最重要的研究和管理骨架。

这份名单的分量，不在于头衔听起来多么耀眼，而在于他们恰好覆盖了前沿模型所需要的几条关键路线：有人直接参与过 GPT-3，有人研究 Scaling Laws，有人长期关注大规模训练和基础设施，也有人把 Mechanistic Interpretability 推到了研究舞台的中央。换句话说，Anthropic 带走的不是几个孤立的明星，而是一套相互连接的能力结构。

其中最值得注意的是 Jared Kaplan 所代表的 Scaling 视角。Scaling Laws 试图回答一个看似朴素、实际上决定行业方向的问题：当模型参数、训练数据和计算量不断增加时，模型能力究竟会怎样变化？

在今天，“更多 Compute、更多 Data、更大的 Model，往往意味着更强的能力”听起来已经接近常识。但在 2019 年和 2020 年，这并不是所有人都愿意押注的方向。Scaling 研究的价值，是把“继续把模型做大也许有用”变成了可以测量、比较和预测的经验规律。相信这条规律，就意味着相信未来几年模型能力还会快速增长；而一旦相信能力会快速增长，就必须同时回答另一个问题：我们有没有足够好的方法理解和约束它？

这正是 Anthropic 早期研究气质的来源。Scaling、Alignment、Constitutional AI 和 Interpretability 并不是互不相干的关键词，而是一条连续的思路：如果模型会越来越强，就需要更好地训练它、评价它、理解它，也需要尽早思考它应该成为什么样的助手。Chris Olah 对神经网络内部机制的研究，便体现了其中“不能只看模型会做什么，还要尽量理解它为什么会做”的一面。

所以，2020 年底那次出走，不能简单概括成某个算法意见没有被采纳。根据公开叙述，当事人之间的分歧至少同时涉及研究路线、AI 安全、组织治理、价值观和彼此的信任。问题也不只是“要不要和某家公司合作”，而是一个更难回答的问题：如果未来真的要管理极其强大的 AI，当前的组织结构和领导方式是否值得信任？

不同当事人对这段历史的回忆各有侧重，我们没有必要把任何一方的说法当成全部事实。但有一点很清楚：Anthropic 的成立并非一群后来才进入行业的创业者临时起意，而是一个已经形成相当程度共识的研究群体，决定在新的组织中继续实践自己的判断。

Claude 的强大，是积累被兑现的结果

如果只从 Claude 早期的表现往回看，很容易产生一种错觉：Anthropic 一开始并没有特别强，后来突然找到了正确答案。其实，团队有没有能力，和当时能不能把能力完整地转化成最强产品，是两回事。

早期 Anthropic 把大量精力放在 Alignment、AI Safety、RLHF、Constitutional AI 和 Interpretability 上。那时的 Claude 给人的印象往往是长文本不错、语言自然、态度礼貌，但有时过于谨慎，在推理和代码任务上还没有明显拉开差距。与此同时，OpenAI 已经率先把 GPT-3.5、ChatGPT 和 GPT-4 推向了更大的用户群体。

这并不说明 Anthropic 不懂大模型，也不说明安全研究天然会牺牲能力。更现实的解释是，研究判断还需要算力、数据、训练基础设施、工程团队和产品反馈，才能变成用户每天使用的模型。早期 Anthropic 缺少的，主要是把研究积累大规模兑现出来所需要的条件。

后来，资本和计算资源逐渐到位，训练基础设施不断成熟，Claude 的能力才有了充分释放的空间。前沿模型的竞争从来不是某一个天才算法的单点胜负，更接近一个乘法系统：人才、Compute、数据、基础设施、预训练、后训练和评测，任何一项明显短板，都可能让其他优势无法发挥。

Anthropic 的另一个优势，是它很早就把注意力放在了今天越来越重要的 Post-training 上。一个模型真正好不好用，不只取决于它在预训练阶段记住了多少知识，还取决于它能不能准确理解用户的意图，能不能在长任务中保持方向，能不能正确使用工具，能不能在不确定时给出合适的回应。

这些能力往往不会体现在一句漂亮的演示里，而会体现在几十轮对话、几小时编程和一项复杂任务的最后结果中。Claude 在代码和 Agent 场景中给人的稳定感，正与这种长期积累有关。Alignment 在这里也不应只被理解为“让模型更听话”或“让模型多拒绝几次”，它同样关乎模型能否把指令、上下文、限制条件和任务目标组织成一致的行动。

此外，Anthropic 长期以来的研究方向相对集中：围绕 Frontier Model 做 Claude，再把能力延伸到编程、Agent、安全和可解释性。OpenAI 则需要同时推进 ChatGPT、API、图像、视频、语音、企业服务等多条产品线。两种组织选择各有代价，但对于一个仍处在快速探索阶段的研究实验室来说，长期集中在少数核心问题上，本身就可能形成复利。

因此，Claude 的崛起更像是几种积累在同一时间汇合：早期 OpenAI 研究带来的 Scaling 经验，创始团队对模型训练和安全问题的长期关注，后来补齐的算力与工程基础设施，以及持续围绕真实任务进行的后训练和评测。它不是某一天突然出现的奇迹，而是一个研究分支经过多年生长后，终于有条件结出果实。

从 Google Brain、DeepMind 到 OpenAI，再到 Anthropic 和其他新实验室，过去十几年的 AI 发展史，某种程度上也是一部研究者不断流动、分化和重新组合的历史。今天彼此竞争的公司，往往拥有共同的技术祖先；同一个研究共同体，也会因为对 Scaling、Safety、治理和商业化的不同判断，最终走向不同的方向。

这或许也是 Anthropic 最值得观察的地方。它的故事提醒我们，AI 公司的竞争力从来不只是参数规模和发布会上的榜单数字，还包括一群人相信什么、愿意长期投入什么，以及他们是否能把研究理念落实到模型的每一次具体回应里。Claude 之所以越来越强，根本原因并不是 Anthropic 找到了一个神秘按钮，而是它把人才、方向、资源和组织方式，逐渐拼成了一套能够持续进化的系统。