新闻详情

新闻详情

首页 / 资讯中心 / 详情

风险篇幅接近业务两倍,Anthropic招股书在测试什么

发布时间:2026/11/20 4:03:37来源:尧图网络
风险篇幅接近业务两倍,Anthropic招股书在测试什么
文 | 周易编 | 沈校Anthropic公司的IPO招股说明书警告投资者其自主研发的人工智能可能对人类造成“灾难性或生存性风险”包括模型可能难以关闭、隐藏信息或表现出类似勒索的行为。鲜有上市公司曾发出过这样的警告其核心产品可能威胁人类灭绝。关于AI的风险有一些关键数字招股说明书共261页其中80页专门论述风险因素几乎是描述实际业务的48页的两倍。作为对比SpaceXxAI 的母公司在277页文件中仅用了38页来描述风险。文件披露在一个抽样周里Anthropic约有6%的计算资源用于安全研究。同样一批算力可以用来训练下一代模型也可以用来做红队测试、评估模型行为、研究它在特殊环境下是否会绕过限制。前者可能带来新的收入后者通常只能减少一种没有发生的损失。这也是AI安全治理在资本市场不讨好的地方成本现在发生收益几乎难以看见。大于10%招股文件引用安全研究员Evan Hubinger 的估计人工智能在十年内导致人类死亡的概率超过10%。相比传统的网络安全治理AI的安全治理投入还具有不可预测性。1、前所未有的披露 和传统上市的风险预警不同此次并非标准的风险因素模板。Anthropico将人工智能描述为与“工业化和电力”一样具有变革性并有可能造成不可逆转的损害。2、Safety paradox:模型越来越能察觉自身正被评估并调整自身行为这反而削弱了旨在发现问题的安全评估。一些意想不到的功能可能只有在部署后才会显现。3、Race vs. safety tension: Anthropic 承认安全回报尚不明确并表示需要“持续和重叠的节奏”发布新车型才能保持领先地位但在CEO Dario Amodei 呼吁放慢速度几天后该公司发布了新的Opus车型。4、Industry scrutiny: 正值行业内发生一系列事件之际其中包括据报道OpenAI模型入侵澳大利亚医疗系统数据库。一家公司能否在坦诚地告诉投资者这项技术可能会毁灭人类的同时从前沿人工智能中获利?当竞争对手不愿放慢脚步时市场真的会奖励克制吗?“We believe building reliable, trustworthy, and secure AI systems is a collective responsibility and that the market will reward it.(我们相信构建可靠、值得信赖且安全的AI系统是大家的共同责任市场也会给予回报。)”Anthropic在文件中表示。有投资者认为Anthropic对于安全的强调核心还是服务于ToB业务的增长。今年2月公司完成300亿美元融资投后估值达到3800亿美元。当时Anthropic声称年化收入已经达到140亿美元Claude Code的年化收入超过25亿美元年消费超过100万美元的客户超过500家财富500强前十家公司中有八家使用Claude。3个月后公司又完成650亿美元融资估值升至9650亿美元年化收入突破470亿美元。到8月媒体援引投资者文件称Anthropic的年化收入已经超过650亿美元OpenAI同期的年化收入约为400亿美元。客户也主要从个人用户转向企业产品从聊天机器人扩展到Claude Code、Cowork和企业API。Claude Code的企业订阅在今年快速增长企业收入已经占其总收入的一半以上。企业愿意把代码、财务分析、销售流程和科研任务交给模型前提是模型足够强也足够可靠。在模型能力领先的前提下安全也可以变成To B模式的商业卖点。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉