2026年4月9日，Anthropic发布Claude Mythos Preview的当天，美国软件行业经历了一场地震。S&P 500软件指数年内累计跌幅扩大至25.5%，投资者用脚投票表达了一个残酷共识：传统软件公司的护城河正在被AI模型系统性地侵蚀（来源：Reuters, 2026-04-09）。同一天，Amazon CEO Andy Jassy在2026年度股东信中披露了两组令人瞠目的数字——自研AI芯片Trainium的年化收入（ARR）已达200亿美元，而2026年全年资本支出计划高达2000亿美元，绝大部分投向AI基础设施（来源：TechCrunch, 2026-04-09）。

这两组数据放在一起看，揭示了当前AI产业最深层的结构性张力：能够撼动整个软件行业的Anthropic，其算力命脉仍然牢牢握在NVIDIA和云厂商手中。而它最大的金主Amazon，正在将自研芯片打造为一个年收入200亿美元的独立帝国。

对于一家ARR超过300亿美元的AI公司而言，探索自研芯片不是技术理想主义的浪漫冲动，而是一道关乎生存自主权的必答题。但这道题的难度，可能远超Anthropic——乃至整个AI行业——的想象。

第1章：Claude Mythos的冲击波——1个模型如何撼动1个行业

1场发布会，25.5%的蒸发

让我们先回到4月9日的市场反应。Anthropic发布了Project Glasswing，这不仅仅是Claude Mythos Preview这一个模型的亮相，更包含了与12家巨头组建的网络安全联盟（来源：Anthropic官方, 2026-04-09）。这是Anthropic首次以”平台+生态联盟”的姿态发布产品，而非单纯的模型迭代。

市场的反应是即时且剧烈的。Reuters报道显示，Claude Mythos的发布直接引发了美国软件股的大规模抛售，S&P 500软件指数年内累计跌幅扩大至25.5%（来源：Reuters, 2026-04-09）。这个数字的含义需要被充分理解：这不是某一天的闪崩，而是一个持续数月的趋势在单一事件催化下的加速。投资者正在重新定价整个软件行业的未来——当AI agent能够端到端地完成信用分析（如Moody’s通过MCP协议将信用分析工作流原生集成至Claude环境，来源：FT Markets, 2026-04-09）、能够辅助医生编写临床工具（如Anthropic举办的Claude Code医疗保健网络研讨会所展示的用例，来源：Anthropic官方, 2026-04-23），传统SaaS公司的”seat-based”商业模式就面临根本性威胁。

影响力背后的算力黑洞

但这里有一个大多数人忽略的问题：Claude Mythos级别的模型，每一次推理调用背后消耗的算力是惊人的。 当Anthropic的影响力足以让一个行业指数年内跌去1/4，当Moody’s这样的金融基础设施级客户将核心工作流直接嵌入Claude环境，当12家网络安全巨头愿意围绕Claude构建联盟——这意味着Anthropic的推理负载正在以指数级增长。

ARR 300亿美元不是一个静态数字。它意味着每天有数十亿次API调用在消耗GPU算力，意味着每一个新的企业客户接入都在放大对底层基础设施的需求。Anthropic的商业成功越大，它对算力供应链的依赖就越深。这是一个自我强化的循环，也是一个越来越危险的循环。

为什么危险？因为Anthropic的算力供应链有两个关键节点，而Anthropic对这两个节点都没有控制权：上游是NVIDIA的GPU，下游是Amazon和Google的云基础设施。

第2章：算力囚徒困境——ARR 300亿美元为何仍受制于人

双重依赖的结构性困局

Anthropic的算力架构可以被简化为一个三层模型：

  • 最底层：芯片（主要是NVIDIA的H100/B200系列GPU，以及Amazon的Trainium）
  • 中间层：云基础设施（主要是AWS和GCP提供的计算集群、网络、存储）
  • 最上层：模型训练与推理（Anthropic自身的核心能力）

在这个三层结构中，Anthropic只控制最上层。中间层和底层分别被云厂商和NVIDIA控制。这意味着：

对NVIDIA的依赖：NVIDIA的CUDA生态系统是当前AI训练的事实标准。尽管Anthropic也在使用Amazon的Trainium芯片，但大规模训练——特别是像Claude Mythos这样的前沿模型——仍然高度依赖NVIDIA的GPU集群。NVIDIA的定价权、供货优先级、以及CUDA的软件锁定效应，使得任何大规模AI模型公司都处于一种”被动接受”的状态。

对云厂商的依赖：Anthropic没有自己的数据中心，没有自己的网络骨干，没有自己的服务器供应链。它的所有训练和推理工作负载都运行在别人的基础设施上。而这个”别人”，恰恰是它最大的投资方和竞争者的母公司——Amazon。

Amazon：靠山还是枷锁？

Amazon与Anthropic的关系是当前AI产业中最复杂的商业关系之一。Amazon是Anthropic最大的投资方，AWS是Anthropic最重要的基础设施提供商，Amazon Bedrock是Claude模型的重要分发渠道。从表面上看，这是一种互利共生的关系。

但Andy Jassy在2026年度股东信中披露的数据，让这种关系的权力不对称变得更加赤裸裸：Trainium的ARR已经达到200亿美元，Amazon 2026年的资本支出计划高达2000亿美元（来源：TechCrunch, 2026-04-09）。

这两个数字传递的信号是明确的：Amazon正在将自研芯片打造为一个独立的、大规模的商业引擎。 Trainium不是一个实验性项目，不是一个战略防御性投资——200亿美元的ARR意味着它已经是一个比大多数半导体公司都大的业务。而2000亿美元的capex，则意味着Amazon正在以前所未有的速度扩张其AI基础设施的规模。

对Anthropic而言，这意味着什么？

第1层含义（大多数人看到的）：Amazon的大规模投资确保了Anthropic有充足的算力供应，这是好事。

第2层含义（分析师看到的）：Amazon正在建立一个从芯片到云到模型分发的完整垂直整合体系。在这个体系中，Anthropic是一个重要但并非不可替代的环节。Amazon自己也在开发AI模型（Amazon Nova系列），Trainium的200亿美元ARR中有多少来自Anthropic的使用、有多少来自其他客户，这个比例直接决定了Anthropic在谈判桌上的筹码。

第3层含义（大多数人没看到的）：当你的基础设施提供商同时也是一个200亿美元ARR的芯片公司时，它有能力也有动机通过芯片层面的优化来偏向自己的模型。 这不一定是恶意的——它可以是”Trainium 3.0针对Amazon Nova的架构做了特别优化”这样看似中性的技术决策，但效果是一样的：第三方模型公司在性能和成本上逐渐处于劣势。

这就是Anthropic的”算力囚徒困境”：它的商业规模越大，对Amazon基础设施的依赖越深；Amazon的芯片业务越成功，Anthropic在这段关系中的议价权越弱。ARR 300亿美元并不能改变这个结构性问题——事实上，它可能让问题变得更严重，因为更大的规模意味着更难迁移。

收入规模≠供应链自主权

这里有一个反直觉的事实需要被强调：在AI产业的当前结构中，模型公司的收入规模与其供应链自主权之间几乎没有正相关关系。

传统科技公司的逻辑是：收入越大，议价权越强，供应链越可控。但AI模型公司面临的是一个不同的博弈结构。NVIDIA的GPU是一个供不应求的卖方市场，你的收入规模再大，也不能改变NVIDIA的定价权。云厂商的基础设施是一个高度集中的寡头市场，全球能够提供万卡级训练集群的玩家屈指可数——AWS、GCP、Azure，再加上少数几个独立数据中心运营商。

Anthropic的300亿美元ARR让它成为了一个强大的应用层公司，但在基础设施层面，它仍然是一个”租客”。而在AI产业的权力结构中，”房东”的权力正在随着算力需求的爆炸式增长而不断膨胀。

第3章：Amazon的芯片帝国样本——Trainium ARR 200亿与2000亿capex的启示

从”内部工具”到”200亿美元业务”

Amazon的自研芯片之路值得被详细审视，因为它是当前所有科技巨头中最成功的芯片垂直整合案例之一，也是Anthropic思考自研芯片时最直接的参照物。

Andy Jassy在2026年度股东信中不仅披露了Trainium的200亿美元ARR，更重要的是他在信中明确”对标NVIDIA和Intel”（来源：TechCrunch, 2026-04-09）。这个措辞的选择是刻意的：Jassy不再将Trainium定位为”AWS生态的补充”，而是将其定位为一个独立的、可以与行业巨头正面竞争的芯片业务。

200亿美元的ARR意味着什么？作为对比：截至本文发布时暂无Trainium此前年度的公开ARR数据可供对比，但200亿美元这个量级已经超过了大多数独立半导体公司的年收入。这不是一个”实验”的规模，这是一个”帝国”的规模。

2000亿capex：不可逆的承诺

如果说200亿美元ARR展示了Trainium的现在，那么2000亿美元的capex计划则展示了Amazon对AI基础设施的未来押注。2000亿美元——这个数字需要被放在语境中理解：

  • 它意味着Amazon在单一年度内投入的资本支出，超过了许多国家的年度GDP
  • 它意味着Amazon正在建设的数据中心、网络基础设施和芯片产能，将在未来3-5年内形成一个几乎不可能被复制的规模优势
  • 它意味着Amazon已经做出了一个不可逆的战略承诺：AI基础设施将成为Amazon未来10年最重要的增长引擎

对Anthropic而言，这2000亿美元的capex是一把双刃剑：

利好面：Amazon的大规模投资确保了Anthropic在可预见的未来不会面临算力短缺的问题。作为Amazon最重要的AI合作伙伴之一，Anthropic很可能在算力分配上享有优先级。

威胁面：2000亿美元的capex中，有多少会被用来建设Trainium的产能？当Amazon拥有了足够大的自研芯片产能，它是否会逐步引导（甚至要求）其平台上的AI公司从NVIDIA GPU迁移到Trainium？这种迁移对Anthropic的模型性能和开发效率会有什么影响？

深层威胁：当Amazon同时控制了芯片（Trainium）、基础设施（AWS）和分发渠道（Bedrock），它实际上拥有了对Anthropic施加全方位影响的能力。这不是一个假设性的担忧——这是垂直整合的必然逻辑。

Trainium的技术-商业飞轮

Amazon的Trainium成功不是偶然的。它遵循了一条清晰的技术-商业飞轮逻辑：

  1. 内部需求驱动初始迭代：Amazon自身的电商推荐、Alexa语音处理、Amazon Nova模型训练等工作负载，为Trainium提供了大规模的内部测试场景
  2. AWS生态提供分发渠道：Trainium不需要独立建立销售渠道——它作为AWS的一个实例类型直接触达数百万开发者
  3. 规模效应降低成本：随着Trainium的部署规模扩大，Amazon可以在芯片设计、制造（通过台积电等代工厂）和运维上实现更低的单位成本
  4. 成本优势吸引更多客户：更低的成本意味着更有竞争力的定价，吸引更多客户从NVIDIA GPU迁移到Trainium
  5. 更多客户反馈驱动下一代设计：更大的客户基础提供了更丰富的工作负载数据，指导下一代Trainium芯片的架构优化

这个飞轮的每一个环节，都依赖于Amazon已有的基础设施和生态系统。而这恰恰是Anthropic不具备的。

第4章：垂直整合的3条路径——Amazon/Google/Meta vs. Anthropic的结构性差异

路径1：Amazon——从云到芯片的逆向整合

Amazon的路径可以被概括为”从云到芯片”。它先建立了全球最大的云基础设施（AWS），然后利用这个基础设施的规模和需求来驱动自研芯片的开发。

关键优势：

  • 拥有全球最大的云计算市场份额，确保了芯片的内部消化能力
  • 2000亿美元的年度capex提供了几乎无限的投资能力（来源：TechCrunch, 2026-04-09）
  • Trainium 200亿美元ARR证明了商业模式的可行性（来源：TechCrunch, 2026-04-09）
  • 通过Bedrock平台，可以将Trainium的优化直接传递给平台上的AI模型公司

关键风险：

  • 芯片设计能力仍在追赶NVIDIA（特别是在通用训练场景下）
  • 软件生态（Neuron SDK）相比CUDA仍有差距
  • 过度推动客户迁移到Trainium可能引发反弹

路径2：Google——TPU的先行者优势

Google是科技巨头中最早投入自研AI芯片的公司，TPU（Tensor Processing Unit）的历史可以追溯到2015年。Google的路径是”从研究到产品”：先在内部研究中验证了自研芯片的可行性（TPU v1最初是为了加速Google搜索的推理），然后逐步将其商业化并通过GCP对外提供。

关键优势：

  • 最长的自研AI芯片历史，积累了深厚的设计经验
  • TPU与TensorFlow/JAX的深度整合，形成了独特的软件-硬件协同优化能力
  • Google DeepMind的模型研究可以直接指导TPU的架构设计

关键差异（与Amazon对比）：

  • Google的芯片策略更偏向”研究驱动”，Amazon更偏向”商业驱动”
  • TPU的外部商业化程度不如Trainium激进——截至本文发布时暂无TPU独立ARR的公开数据
  • Google的云市场份额小于AWS，限制了TPU的分发规模

路径3：Meta——开源模型+自研芯片的独特组合

Meta的路径是最独特的。它不运营公有云，这意味着它的自研芯片（MTIA, Meta Training and Inference Accelerator）完全是为内部使用而设计的。Meta的逻辑是：通过开源模型（Llama系列）建立生态影响力，同时通过自研芯片降低内部AI工作负载的成本。

关键优势：

  • 不需要考虑外部客户的兼容性需求，可以针对自身工作负载做极致优化
  • 开源模型策略意味着Meta不需要通过芯片来锁定客户——它通过模型的开放性来获取生态影响力
  • 内部消化模式降低了商业化风险

关键局限：

  • 没有外部收入来分摊芯片研发成本
  • 芯片设计的迭代反馈仅来自内部，多样性不足

Anthropic的结构性悖论

将这3条路径与Anthropic对比，Anthropic面临的结构性挑战变得异常清晰：

维度 Amazon Google Meta Anthropic
云基础设施 AWS（全球第1） GCP（全球第3） 无公有云 无
芯片设计团队 Annapurna Labs（数千人） 数千人 数百人 截至本文发布时暂无公开数据
内部芯片消化能力 极强（AWS+自身业务） 强（GCP+内部研究） 中（仅内部） 无
年度capex 2000亿美元 截至本文发布时暂无2026年公开数据 截至本文发布时暂无2026年公开数据 远低于云厂商
芯片商业化渠道 AWS实例直接销售 GCP实例直接销售 无（内部使用） 无

这张表格揭示了一个残酷的事实：Anthropic在自研芯片所需的几乎每一个关键维度上，都处于结构性劣势。

它没有云基础设施来消化芯片产能，没有成熟的芯片设计团队，没有足够的capex来支撑芯片从设计到量产的漫长周期（通常需要3-5年和数十亿美元的投入），也没有商业化渠道来分摊研发成本。

这就是我所说的“没有云基础设施却要造芯片”的结构性悖论：自研芯片的经济性高度依赖于规模，而规模高度依赖于分发渠道，而分发渠道的本质就是云基础设施——而这恰恰是Anthropic没有、也不可能短期内建立的东西。

但Anthropic并非完全没有牌可打

在指出结构性劣势的同时，也必须承认Anthropic拥有一些独特的优势：

优势1：最深刻的模型-硬件协同理解。 Anthropic是全球最前沿的AI模型公司之一。它对模型训练和推理过程中的计算瓶颈、内存带宽需求、通信模式等有着第一手的深刻理解。这种理解是芯片设计中最宝贵的输入之一。NVIDIA的成功很大程度上源于它对AI工作负载的深刻理解——而Anthropic在这方面可能比NVIDIA更有优势，因为它就是工作负载本身的创造者。

优势2：推理芯片的经济性可能不同于训练芯片。 训练芯片需要极致的算力密度和互联带宽，这要求大规模的基础设施投入。但推理芯片的需求模式不同——它更强调延迟、能效和成本效率，且可以更分散地部署。如果Anthropic的自研芯片策略聚焦于推理而非训练，所需的投资规模和基础设施要求会显著降低。

优势3：300亿美元ARR提供了可观的研发预算。 虽然与Amazon的2000亿美元capex不可同日而语，但300亿美元的ARR意味着Anthropic每年可以投入数十亿美元用于芯片研发——这个规模足以支撑一个有意义的芯片项目，只是不足以支撑一个全栈的芯片-云-模型垂直整合体系。

第5章：解药还是豪赌？——AI时代的”Intel Inside”悖论

自研芯片的真实目标可能不是造芯片

在分析了所有的结构性因素之后，我的核心判断是：Anthropic探索自研芯片的真实战略目标，可能不是真的要成为一家芯片公司，而是要获得一种”可信的芯片威胁能力”（credible chip threat）。

这个逻辑类似于博弈论中的”威慑”概念：你不需要真的使用核武器，你只需要让对方相信你有能力使用核武器。同样，Anthropic不需要真的量产一款能与NVIDIA B200或Amazon Trainium 3竞争的芯片——它只需要让NVIDIA和Amazon知道，它”可以”走这条路。

这种”可信的芯片威胁能力”能够在多个维度上改善Anthropic的谈判地位：

对NVIDIA：如果Anthropic展示了在自研芯片或采用替代芯片（如AMD的MI系列）方面的认真投入，NVIDIA在定价和供货优先级上就需要更加谨慎。NVIDIA的高利润率部分建立在客户缺乏替代选择的基础上——任何可信的替代威胁都会侵蚀这种定价权。

对Amazon：如果Anthropic拥有自己的芯片设计能力（即使只是原型阶段），它在与AWS的合作谈判中就拥有了更多筹码。”我们可以把部分工作负载迁移到自研芯片上”这句话，即使从未真正执行，也足以改变谈判桌上的力量对比。

对Google和其他潜在合作伙伴：一个拥有芯片设计能力的Anthropic，对GCP而言是一个更有价值的合作伙伴——因为它可以帮助Google优化TPU的设计，作为交换获得更优惠的算力价格。

但”威慑策略”有其局限性

上述逻辑的问题在于：威慑只有在威胁可信的情况下才有效。 而芯片设计的可信度需要实际的投入来支撑——你需要真的雇佣芯片架构师，真的流片（tape-out），真的在台积电或Samsung的先进制程上验证你的设计。这些都需要真金白银的投入，而且一旦开始就很难停下来。

更重要的是，芯片行业有一个残酷的规律：第1代芯片几乎总是失败的。 Amazon的Graviton经历了多代迭代才达到商业可用的水平，Google的TPU从v1到v5经历了近10年的演进。Anthropic如果真的走上自研芯片之路，它需要准备好至少3-5年的投入期和2-3代芯片的迭代周期，才能产出一款有实际竞争力的产品。

在这3-5年中，AI模型的架构可能已经发生了根本性的变化。今天为Transformer架构优化的芯片，可能在3年后面对一个完全不同的计算范式。这种技术路线的不确定性，是芯片投资中最大的风险之一。

Anthropic真正需要的是什么？

如果我们跳出”自研芯片 vs. 不自研芯片”的二元框架，Anthropic真正需要解决的问题其实是：如何在不拥有基础设施的情况下，最大化其在算力供应链中的议价权和灵活性？

这个问题有多个可能的答案，自研芯片只是其中之一：

策略1：多云分散。 不把所有鸡蛋放在AWS一个篮子里，同时深度使用GCP（利用TPU）、Azure、以及独立数据中心运营商（如CoreWeave）。这降低了对任何单一云厂商的依赖，但增加了运维复杂性。

策略2：深度参与芯片设计（但不自己造芯片）。 与NVIDIA、AMD、甚至Amazon的Annapurna Labs建立深度的芯片-模型协同设计关系，确保下一代芯片的架构设计中充分考虑了Anthropic模型的需求。这种”影响芯片设计但不拥有芯片”的策略，成本远低于自研芯片，但效果可能同样显著。

策略3：投资芯片初创公司。 通过战略投资的方式参与芯片领域，既获得了技术洞察和潜在的替代供应来源，又不需要承担自研芯片的全部风险和成本。

策略4：推动开放芯片标准。 如果CUDA的锁定效应是问题的根源之一，那么推动开放的AI芯片编程标准（如OpenAI的Triton、或更广泛的MLIR生态）可能是一个杠杆更大的策略。当芯片之间的切换成本降低时，Anthropic的议价权自然提升。

Project Glasswing的隐藏信号

回到4月9日的发布。Project Glasswing不仅包含了Claude Mythos Preview模型，还包含了一个由12家巨头组成的网络安全联盟（来源：Anthropic官方, 2026-04-09）。这个联盟的意义被大多数分析师低估了。

表面上看，这是一个安全领域的合作。但深层来看，Anthropic正在通过建立跨行业联盟来扩大自己的生态影响力——而生态影响力是对抗基础设施依赖的最有效武器之一。 当Anthropic的模型成为了Moody’s信用分析工作流的核心（来源：FT Markets, 2026-04-09），当12家网络安全巨头的产品都依赖Claude的能力，当医疗保健领域的医生在用Claude Code构建临床工具（来源：Anthropic官方, 2026-04-23）——Anthropic就不再是一个可以被轻易替换的”租客”，而是一个其离开会造成系统性风险的”关键基础设施”。

这种生态锁定效应，可能比自研芯片更有效地保护了Anthropic的战略自主权。因为它改变了博弈的性质：不是Anthropic需要Amazon的算力，而是Amazon需要Anthropic留在AWS上——因为Anthropic的离开会带走一整个生态系统的工作负载。

Anthropic发布的”Trustworthy Agents in Practice”政策文章（来源：Anthropic官方, 2026年4月）同样值得关注。这篇文章讨论了AI agent的可信赖性问题，表面上是安全研究，但其战略含义在于：Anthropic正在试图定义AI agent的行业标准。 如果Anthropic的安全标准成为了行业事实标准，那么任何想要替换Claude的企业客户都需要重新验证替代方案是否符合这些标准——这是一种比技术锁定更强大的生态锁定。

结语：算力主权的终局博弈

让我们回到本文开头的核心问题：ARR 300亿美元的Anthropic为何要自研芯片？

答案不是单一的，而是多层的：

第1层（生存层面）：当你的最大投资方同时也是一个200亿美元ARR的芯片公司，当你的整个业务运行在别人的基础设施上，你需要至少有一个”Plan B”来确保自己不会在某一天醒来发现自己的命运完全由别人决定。

第2层（谈判层面）：自研芯片的探索，即使从未产出一款商业化产品，也能显著改善Anthropic在与NVIDIA和云厂商谈判中的地位。这是一种战略期权，其价值不在于行权，而在于持有。

第3层（技术层面）：AI模型的下一个性能跃迁，可能不是来自算法创新，而是来自模型-硬件的深度协同设计。拥有芯片设计能力（即使只是设计能力而非制造能力）的模型公司，在这个方向上有结构性优势。

第4层（产业层面）：AI产业正在经历一场从”水平分工”到”垂直整合”的结构性转变。Amazon、Google、Meta都在走向全栈整合。在这个趋势中，一个纯粹的模型公司——无论它的模型多么强大——都面临被挤压的风险。探索自研芯片，是Anthropic对这个产业趋势的战略回应。

但我也必须给出一个清醒的判断：在可预见的未来（3-5年内），Anthropic不太可能成为一家有意义的芯片公司。 它缺乏Amazon的2000亿美元capex，缺乏Google的10年TPU积累，缺乏Meta的内部消化能力。芯片设计是一个需要长期、持续、大规模投入的领域，而Anthropic的核心竞争力和资源应该集中在模型和生态上。

Anthropic更可能的路径是：通过有限但可信的芯片投入（如组建小型芯片设计团队、与芯片初创公司合作、参与开放芯片标准的制定）来建立”可信的芯片威胁能力”，同时通过生态扩张（如Project Glasswing的联盟模式、Moody’s式的深度集成、医疗保健等垂直领域的渗透）来建立”不可替代性”——后者可能比自研芯片更有效地保护其战略自主权。

最终，AI时代的”算力主权”之争不会有一个简单的赢家。它将是一场持续数十年的博弈，涉及芯片设计、制造工艺、软件生态、云基础设施、模型架构、监管政策等多个维度的复杂交互。在这场博弈中，最危险的位置不是没有芯片，而是没有选择。 而Anthropic当前所做的一切——从Claude Mythos的生态扩张，到Project Glasswing的联盟构建，到可能正在进行的芯片探索——本质上都是在为自己创造更多的选择。

对于投资者和行业观察者而言，关键的监测指标不是”Anthropic何时发布自研芯片”，而是：

  1. Anthropic在AWS之外的算力多元化程度是否在提升？
  2. Anthropic是否在招聘芯片架构师和硬件工程师？
  3. Anthropic与AMD、Intel或芯片初创公司是否建立了深度技术合作？
  4. Anthropic的企业客户生态锁定程度是否足以抵消基础设施依赖的风险？

这些信号，比任何芯片发布会都更能揭示Anthropic的算力突围战的真实进展。

S&P 500软件指数25.5%的年内跌幅告诉我们，Anthropic已经有能力重塑整个软件行业。但能否重塑自己的算力命运，将决定这家公司在下一个10年是成为AI时代的Microsoft，还是成为AI时代的BlackBerry——一个曾经辉煌但最终因为失去对关键基础设施的控制而衰落的故事。

参考资料

  1. Amazon CEO takes aim at Nvidia, Intel, Starlink, more in annual shareholder letter — TechCrunch, 2026-04-09
  2. US software stocks fall as Anthropic’s new AI model revives disruption fears — Reuters, 2026-04-09
  3. Anthropic Project Glasswing: Claude Mythos Preview + Cybersecurity Alliance — Anthropic, 2026-04-09
  4. Moody’s × Anthropic: Credit Analysis Workflow via MCP Integration — FT Markets / Business Wire, 2026-04-09
  5. Trustworthy Agents in Practice — Anthropic, 2026年4月
  6. Claude Code in Healthcare Webinar — Anthropic, 2026-04-23

主题分类：技术分析