技术深度剖析
Anthropic财务叙事的核心围绕着“调整后EBITDA”这一概念，但要理解其误导性，必须深入前沿AI实验室的技术与经济结构。训练像Claude 4这样的模型，成本并非线性增长，而是遵循幂律分布。每一代模型都需要指数级增长的计算资源、数据和工程人才。
前沿模型的成本结构：
1. 训练计算： 这是最大的一项支出。训练一个达到Claude 4或GPT-5规模的模型，需要由数千块NVIDIA H100或B200 GPU组成的集群，并持续运行数月。单次训练运行的成本，考虑到硬件、电力、冷却和数据中心托管，目前估计在5亿至10亿美元之间。这是一项直接、非可选的成本，无法通过“调整”来消除。
2. 推理计算： 与传统软件边际成本几乎为零不同，每次对Claude的API调用都需要实时GPU计算。对于一个拥有数千亿参数的模型来说，这极其昂贵。Anthropic自身的定价显示，高用量使用会迅速累积成本，侵蚀任何毛利润。公司大规模服务数百万用户的能力直接受制于这一成本。
3. 研发： 这是公司的生命线。它包括全球顶尖AI研究员的薪酬（通常年薪超过100万美元）、失败实验的成本，以及维持世界级研究机构的开销。通过将研发从“盈利”中剔除，Anthropic实质上是在说，其核心使命——创新——并非经营成本。
4. 折旧与摊销： GPU的使用寿命为3-5年，但其经济价值因新架构（如Blackwell）使旧型号迅速过时而贬值更快。一个50亿美元GPU集群的折旧是真实的非现金支出，代表着资本资产的消耗。调整后EBITDA忽略了这一点，描绘出一幅不可持续的现金生成图景，除非不断进行再投资。
5. 股权激励： 这是最关键的遗漏。为了在竞争激烈的市场中吸引和留住人才，Anthropic发行了大量股票期权。这会稀释现有股东权益，并代表真实的经济成本。通过排除股权激励，公司每年人为地将“盈利”夸大了数亿美元。
来自GitHub的现实检验：
尽管Anthropic的财务状况不透明，但开源社区提供了一个透明的基准。仓库 lm-sys/FastChat（超过37,000颗星）提供了一个训练、服务和评估LLM的平台。社区在模型服务方面的工作（例如，拥有超过45,000颗星的vLLM）表明，即使使用优化的推理引擎，像Claude这样级别的模型，每token的成本仍然很高。开源社区已经证明，要实现大规模盈利性推理，要么需要巨额用户补贴，要么需要根本不同的架构——而Anthropic尚未公开解决其中任何一个问题。
数据表格：前沿AI模型成本对比
| 成本类别 | Anthropic (Claude 4, 估计) | OpenAI (GPT-5, 估计) | 开源替代方案 (Llama 3.1 405B) |
|---|---|---|---|
| 训练成本 (单次运行) | 5亿 - 10亿美元 | 10亿 - 20亿美元 | ~5000万美元 (Meta补贴) |
| 推理成本 (每100万token) | 15.00美元 (Claude 3.5 Sonnet) | 15.00美元 (GPT-4o) | ~1.00美元 (通过vLLM在租赁硬件上) |
| 年度研发支出 (2025年估计) | 30亿 - 50亿美元 | 50亿 - 80亿美元 | 不适用 (社区驱动) |
| 股权激励 (2024年) | ~8亿美元 (估计) | ~15亿美元 (估计) | 不适用 |
数据要点： 该表格揭示了根本性的经济不对称。Anthropic和OpenAI在训练和研发上的支出比开源替代方案高出数个数量级，但其推理定价仅高出约15倍。这一差距正是盈利问题的核心：成本结构是资本密集型公用事业，而收入模式却是高利润SaaS产品。如果没有持续的大规模资本注入，这些数字根本无法成立。
关键玩家与案例研究
Anthropic的叙事并非凭空产生。它是对整个前沿AI生态系统所面临财务压力的直接回应。
1. OpenAI：叙事的模板
OpenAI一直是这种财务策略的先驱。在Sam Altman的领导下，公司持续使用“调整后EBITDA”和“盈利路径”等措辞，为其天文数字般的估值（超过3000亿美元）辩护。然而，OpenAI自身泄露的财务文件（来自2023年）显示，公司仅运行ChatGPT每天就要花费超过70万美元。公司向营利性实体的转型，直接承认了非营利模式无法支撑其资本需求。Anthropic正遵循同样的剧本，只是收入基础更小，且面临更大的成本压力。