整理 | 褚杏娟
这段时间，华尔街造了“新神”Anthropic。
过去一个月里，多次板块级波动都被市场解读为与 Anthropic 的产品发布直接相关：周一 IBM 股价大跌，有交易员将导火索归因于 Anthropic 宣传的一款工具，它可能自动化 IBM 体系里某种编程语言的部分工作；2 月 20 日网络安全板块集体回撤，被归因于 Anthropic PBC 为 Claude 推出的新安全能力；更早一些，法律科技和软件板块在月初的集中抛售，也被一些声音解释为 Anthropic 面向法律行业推出 AI 插件所引发的预期变化。
面对“市场波动都怪你们”的叙事，Anthropic CEO Dario Amodei 的态度显得克制而暧昧。他在软件股下跌期间回应称：“有些人把这归因到我们身上，但我也不确定是不是我们直接造成的……股市里‘到底为什么发生’这种问题，本来就很难说。”
资本层面之外，Anthropic 前两天对中国大模型公司展开“进攻”，称中国三家主要实验室 DeepSeek、Moonshot 和 Minimax 对其模型 Claude 发起了所谓“蒸馏攻击”，使用超过 2.4 万个虚假账户，与 Claude 产生 1600 多万次交互，用于复制模型能力并训练自有模型。Anthropic 同时将问题上升到国家安全层面，称非法蒸馏可能移除安全护栏，使模型能力被用于军事、情报和监控系统。
但该说法很快遭到大量质疑。有用户向 Claude Sonnet 4.6 询问“你是什么模型”，其回答竟是“我是 DeepSeek”，并且有人通过官方 API 复现成功。
马斯克留下一个“”。
几乎同时，关于 DeepSeek V4 的消息频繁曝出，在最近参加 Nikhil Kamath 的访谈时，主持人问到 Amodei 对开源和闭源的看法时，Amodei 没有直接回答问题，而是直指中国模型蒸馏美国模型、为了 benchmark 做优化。“拉踩”一波后，他表示自己几乎全部精力都在做“最聪明、最适合任务的最佳模型”上。
首先，许多模型，尤其是来自中国的那些，往往针对基准测试做了强优化，而且不少是从美国头部实验室的“大模型”中蒸馏出来的。最近一项测试就揭示了这一点：一些模型在常见的软件工程基准上得分很高，但当有人设计了一个未公开过、此前从未见过的新基准时，它们的表现就明显下滑。这让我觉得，它们更多是为 benchmark 而优化，而非为了真实世界中的使用而优化。
但除了 benchmark 的局限之外，模型的经济学逻辑也和以往技术完全不同。我们逐渐发现，市场对“质量”存在一种极强的偏好。这有点像雇人：如果我对你说，你可以选择聘用全世界最好的程序员，也可以聘用排名第 10000 名的程序员。虽然他们可能都很强，但任何招过很多人的人都知道，能力分布是呈幂律分布的，头部与长尾的差距巨大。
模型也是同理。在一定范围内，价格其实没那么重要。只要一个模型是最强、认知能力最高的那个，无论是它的价格、还是它的交付形式，都不那么重要。因此，我几乎把所有精力都放在把模型打造成“最聪明、最适合任务的最佳模型”上。在我看来，这才是唯一重要的事。
值得注意的是，近日关于 DeepSeek V4 的消息频繁曝出。据路透社报道，DeepSeek 最快将于下周发布新一代 AI 模型，外界普遍推测该版本即为 DeepSeek V4。而据晚点报道，DeepSeek 在春节前后仅对现有模型进行了小幅升级，外界关注的 DeepSeek V4 则预计会在 3 月前后发布。而 CNBC 报道称，市场已严阵以待，部分投资机构担忧 DeepSeek 再次引发类似去年模型发布时的市场剧烈波动。当时，英伟达股价一度下跌近 17%，瞬间蒸发 6000 亿美元。
针对 Anthropic 的指控与叙事，T3 Chat 创始人 t3dotgg 公开进行了连夜测试并逐条反驳，认为 Anthropic 这次“自我打脸”，并没有他们试图营造的那种“铁证如山”，他们就是在胡扯。他甚至气愤地说，“你们真的让人火大。你们总在撒谎，总在挡路，总在搞一些奇怪的政策操作。”
逐条反驳，“蒸馏攻击”言论
t3dotgg 指出，“distillation attack”更像是 Anthropic 临时创造的新词。因为 Anthropic 自己也承认，蒸馏在行业内长期存在，本身完全可能是合法行为，很多实验室用它制作更小、更便宜的模型，只是“可能被滥用”。这意味着，蒸馏并不天然等同于违规。
目前几乎所有主流大模型厂商都会刻意隐藏真实推理轨迹，通过二次总结模型或混淆机制，让用户看到的“思考过程”并非真实推理流程，从而防止被复刻训练。但 Anthropic 在最初推出推理能力时，选择了完全透明的路线，几乎不做混淆。
这一选择对开发者极其友好，方便调试系统、优化提示词、改进代码结构，但代价也非常明显：这些完整推理数据极具训练价值，非常适合用来做强化学习和蒸馏训练。换句话说，Anthropic 自己把行业里最“值钱”的数据形态开放给了外界。
不仅是大模型实验室，第三方平台同样存在“间接蒸馏”的现实。例如 Cursor 等工具，用户用高价模型写代码，平台支付 API 成本，如果用户勾选了数据授权选项，平台就可以将这些输入输出用于训练自有的低价模型。这在行业中属于普遍做法，本质是“先付费使用，再复用数据”。
t3dotgg 认为，Anthropic 真正反对的，并不是这种模式，而是所谓“专门为了复制能力而刷请求”的行为（这一边界并未被清晰定义），并指控中国实验室正是在做这件事。
为限制开源铺垫舆论？
针对 Anthropic 提出的“安全威胁”论，t3dotgg 认为其内部逻辑存在明显矛盾。一方面，Anthropic 强调自身护栏系统极其有效；另一方面，又声称只要通过蒸馏，就能获得足以制造危险的能力。如果护栏真的可靠，就不应该泄露这些关键能力。
Anthropic 还暗示，通过收集模型的“拒绝回答”和“成功回答”，就能拼接出危险能力。但在 t3dotgg 看来，这种说法在技术上难以成立，一个模型不会因为忽略拒绝样本就“自动进化”为危险系统。
更具争议的是，Anthropic 反复强调开源蒸馏模型会导致风险失控，而自身却是至今没有发布任何开源权重模型的主要实验室之一，这种立场被认为更像是在为限制开源铺垫舆论基础。
所谓“异常规模”真的异常吗？
在归因方式上，Anthropic 主要依据 IP 地址、请求元数据、基础设施特征和合作方线索，声称可以“高度置信”定位到具体实验室。但在云计算和代理广泛存在的现实环境下，这类证据本身就极易误判。
Anthropic 对 DeepSeek 的核心指控之一，是其约 15 万次交互用于收集推理能力与安全替代回答。但 t3dotgg 指出，这个数量在行业内根本不算大。以他自己运营的 T3 Chat AI 聊天工具为例，日均交互约 16 万次，月请求量可达 300 万至 400 万次。也就是说，按 Anthropic 的逻辑，他一天就足以“偷走”全部能力。
在真实测试场景中，交互量更容易被放大。例如运行 SWE-bench 这类基准测试，仅两千多个任务，在每个任务调用几十次工具的情况下，一轮测试就接近 12 万次交互。如果反复调参、跑多轮测试，轻松突破百万乃至千万级别。这些数字本身完全可能来自正当评测和验证流程。
“这种数字太容易刷出来了。我自己当初测试 GPT-5 的时候，单人靠正常测试就接近这个量，也一点不奇怪，我又没有‘国家背景’，所以这些数字完全说明不了什么。”
“更离谱的是，他们把 DeepSeek 放在名单最前面，还是在数量比别家小好几个数量级的情况下。这反而暴露了 Anthropic 的意图：他们不是在认真提醒大家有一个真实的安全问题，而是在把各方情绪武器化，去打击那些让他们显得很难堪的中国实验室。”t3dotgg 补充道，“他们在害怕。他们像是在试图把美国的一些成功人士，比如政客、富豪、VC 圈，动员起来，集中火力攻击 DeepSeek。”
对于 Moonshot 和 Minimax 的数百万乃至上千万次交互，t3dotgg 同样认为合理。复杂 Web 应用或多工具链任务中，一次请求拆分为几十次交互是常态，长期运行自然会积累庞大数量。
新模型发布后流量迅速迁移，不对吗？
Anthropic 称他们在 Minimax 发布被训练的模型之前就发现了这场活动，因此获得了从数据生成到模型发布的“前所未有可见性”；当 Anthropic 发布新模型时，Minimax 在 24 小时内就转向，把近一半流量导向最新系统以捕获新能力。
t3dotgg 自己也托管最新模型，他自信地说：新模型上线以后，超过一半流量自动迁移到最高端模型是再正常不过的用户行为。“一旦 T3 Chat 里出现能点的‘4.6 Opus’按钮，4.5 Opus 的流量立刻掉到原来的四分之一，超过四分之三都迁到最新模型了。所以这段‘近一半流量迁移’根本不能证明什么，哪怕只是 UI 提示‘有新模型可用’，用户也会自然点过去。”
“我很少每读一段文字都觉得明晃晃地让人感觉不诚实。我的视角也比较特殊，我既跟不少实验室聊，也跟不少使用这些 API 的公司聊。但整件事，在我看来就是离谱级别的胡扯，就连我个人都能接近他们声称的这些数字，本身就说明了这里面有多大的‘话术空间’。他们图什么？简直荒唐。”
t3dotgg 唯一承认的是在中国确实存在一些商业代理服务，会规模化转售 Claude 和其他前沿模型的访问。“这更像‘狼来了’的翻车续集：他们之前指控 Windsurf，然后错了；指控 xAI，也很可能错了；指控 OpenAI，那次他们明显错了，而且还自己撒了谎，所以这次凭什么信？即便‘代理转售 + 隐藏流量’那段全是真的，那也未必跟他们点名的实验室有关。”
提示词模板争议
Anthropic 还公布了一份所谓“被大量用于蒸馏”的系统提示词模板，强调数据严谨、透明推理和专家级分析，并认为其在多个账号中高频复现属于异常行为。
“你是一名专家级数据分析师，结合统计严谨性与深度领域知识。目标是提供数据驱动洞察，而不是摘要或可视化；结论要基于真实数据，并提供完整、透明的推理。”
t3dotgg 的评价是：这段简直就像在给别人递刀。但在他看来，这类提示词是研究型产品和专家工具的标准配置，几乎任何做数据分析或研究辅助产品的团队都会使用，根本不能作为蒸馏证据。
他判断，更可能的情况是，这些中国实验室只是出于合理需求使用 Anthropic 模型，例如提供多模型选项、跑内部基准、验证训练数据或做对比测试。当然，不排除存在第三方代理做隐秘蒸馏的可能，但目前没有任何证据能支撑对这些实验室的点名指控。
最后，t3dotgg 提出了一系列无法回避的问题：用包含 Claude 代码的 GitHub 仓库训练模型算不算蒸馏？分享 Claude 输出到互联网是否违规？抓取公开代码是否属于能力复制？Cursor 这类模式到底算不算攻击？边界究竟在哪里？
他指出，更讽刺的是，Anthropic 自身模型本来就是用互联网公开数据训练出来的，而其公司目前也正因版权和数据问题在法律层面承受压力。在这种背景下，再宣称“我们抓互联网理所当然，别人用我们就是邪恶危险”，本身就显得极为矛盾。
与此同时，t3dotgg 指出，正是因为头部公司大规模爬取并封锁数据源，导致今天可公开获取的高质量数据越来越少。即便假设 Anthropic 的指控全部成立，这种数据匮乏的局面本身也与其商业行为密切相关。
在同一背景下，Amodei 认为，数据正在变得更“动态”：在数学或 Agentic 编码等强化学习环境里，训练更像是做模型实验，让模型在环境中试错生成经验；这既可以被称为合成数据，也可以理解为环境交互产生的数据。随着这种模式权重上升，静态互联网数据的重要性相对下降，但数据仍然关键，基础数据仍大量存在于开放网络，而当需要对特定语言或场景做优化时，对应语料的重要性反而会上升。
“富人说资本主义不好”？
Anthropic 对安全的狂热有目共睹，这次 Amodei 回应了是否在以“安全”为名，实现商业利益的质疑。
Amodei 的回答并不明确，核心是“看行动”。他表示，早在 2022 年，Anthropic 就已开发出早期版本的 Claude（Claude 1），时间甚至早于 ChatGPT 的发布。当时，公司具备率先推出产品的条件，但最终选择暂缓发布。原因在于，管理层担心过早推出强力模型，可能引发行业“军备竞赛”，压缩安全研究和治理体系建设的时间窗口。
“那是一个极为特殊的时间节点：公司能够预见模型能力的潜力，其他头部机构也同样具备类似判断。因此，Anthropic 选择主动放弃这一窗口期。这一决定并非秘密，而是公开可查、有据可循。直到后来，竞争对手率先发布产品、行业竞赛正式启动，Anthropic 才决定跟进推出产品。”
他认为，正是这一阶段性的克制，为行业争取了数月缓冲期，有助于安全体系的逐步完善。不过，这一选择也带来了明显的商业代价。公司因此可能错失了在消费级 AI 市场建立领先优势的关键机会。
为了进一步说明“不是为了自己获利”，Amodei 又补充了其他案例。他提到，Anthropic 曾在芯片政策等议题上公开表态，甚至因此让部分供应商感到不满；在 AI 政策与监管问题上，公司也多次公开表达与政府不同的观点。这些选择短期内并不会带来明显商业回报，反而会增加合作摩擦与经营复杂度。
基于这一连串行动，他认为把 Anthropic 的立场解释为“为了自身利益量身打造的安全叙事”，整体上并不自洽。公司希望外界不要只听宣言，而是把这些决策放在一起看，再做判断。
Nikhil 将这种立场类比为“富人批评资本主义”。对此，Amodei 回应称，如果财富阶层真的认为资本主义存在根本问题，最直接的方式应当是停止财富积累，而不仅仅停留在言辞层面。但他的立场并非“反对 AI”，而是强调理性推进。
在他看来，更贴切的类比并非“反对资本主义”，而是“支持资本主义但主张有效监管”。AI 产业同样需要在创新与约束之间寻找平衡。只有在风险得到有效管理的前提下，技术红利才能长期释放。
“为了更大的善”，是不是行业惯用话术？
谈到“少数人领导高速增长公司、并可能在不远的未来驱动经济大部分”的权力集中问题，Amodei 也表达了不安。他说自己不止一次公开表示，对这种权力高度集中感到不舒服，而且这种集中很多时候几乎是一夜之间发生，甚至像“意外”一样突然。
基于这种担忧，他将自己的一部分工作理解为：在技术自然演进的过程中，尽力维护一种权力制衡。他给出了两个抓手，一是，Anthropic 设立了特殊治理结构“长期利益信托”（Long-Term Benefit Trust），该结构拥有任命董事会多数成员的权力，并由与财务利益无直接牵连的人组成，用以对单一决策者形成制衡；二是，他认为政府必须在这一过程中扮演角色，并主张更主动、但也更理性的监管框架。
当 Nikhil 进一步追问“为了更大的善，而不是为了股东、收入和利润”是不是行业惯用话术时，Amodei 没有直接回答“是”或者“否”，而是绕了个弯子：“Anthropic 从创立之初就尽量少做承诺，但做出的承诺会尽力兑现”，之后细数了公司做过的事情。
“外界当然可以编造各种阴谋论，但我可以坦诚地告诉你：公开说我们自己造的模型可能有危险，无论别人怎么解读，这从来不是一个有效的营销策略。”Amodei 继续道，“我们在政策上也经常公开表达不同意见，甚至与包括美国政府在内的官方立场不一致。我们说过‘不同意’，当其他公司和政府在说‘不该监管’时，我们反而主张‘应该监管’。”
他承认这些立场在商业上会拖累公司，但公司认为这是正确的事。“公开反对政府、反对同行并不容易，等于把脖子伸出来让人评判。所以，我们做了很多我认为真正体现‘言行一致’的事情。至于其他公司，我不便替他们发言。的确可能有人说得很好听，但并未当真践行。我建议，判断一家公司，不要只看他们怎么说，更要看他们怎么做。”
“coding 会先消失”
在同一场访谈里，Amodei 依然毫不避讳地谈起 AI 对软件工程的冲击，直白道：“coding 会先消失，或者说 coding 会先被 AI 模型干掉。” 更广义的软件工程会慢一些，但端到端自动化的软件开发最终仍会发生。
不过，他又强调“人类不会完全出局”。一些关键环节仍将长期存在：产品设计、理解真实用户需求、定义问题、以及管理和协调多个 AI 系统协作的能力。这些工作更依赖人类判断与组织治理，短期内很难被彻底替代。
他进一步提出“比较优势效应”：在高度自动化环境中，即便人类只负责 5% 的关键任务，也会因为 AI 承担了剩余 95% 的执行工作，而使个人产能被极大放大，出现数十倍的效率提升。虽然当自动化逼近 99% 时难度会显著上升，但在相当长的一段时间里，“比较优势区间”依然足够宽广，足以容纳大量新的职业形态与分工结构。
基于这一判断，他更看好两类方向：一类是 AI 产业链的上游与配套供给，例如半导体等兼具物理世界与传统工程特征的领域；另一类是高度以人为中心的职业，并与现实世界场景深度结合。
他最后把建议收束到一个更底层的能力上。在“几乎可以生成一切内容”的时代，批判性思维会变得更加稀缺且关键。他特别担忧生成式图像和视频带来的真假难辨问题，并将其视为 Anthropic 对视觉生成模型保持谨慎的原因之一。在这种环境下，个人能否保持“别被忽悠”的判断力，能否识别虚假信息、避免形成错误信念、避免被骗钱，将直接影响其长期发展。Amodei 认为，这种现实判断力与信息免疫力，可能会成为未来的关键竞争力。
https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
https://www.youtube.com/watch?v=68ylaeBbdsg
https://www.youtube.com/watch?v=_k22WAEAfpE
声明：本文为 InfoQ 翻译整理，不代表平台观点，未经许可禁止转载。
