2026 年的两个时间点
第一个时间点：2026 年 5 月，Anthropic 的 CFO 接受访谈，被问到"凭什么是你们"。这家公司只成立五年，年化收入冲到 400 亿美元、年增速 80 倍，被认为有可能在 2027 年超过谷歌、微软、亚马逊、英伟达、Meta、苹果和特斯拉等美国科技七巨头中的任意一家。但 CFO 给出的第一个关键词不是"模型有多强"，而是——算力是公司的生命线。
第二个时间点：同一时期，机器人公司 Figure 在加州举办了一场分拣挑战赛。代号 Aime 的人类实习生，把左小臂拼到几乎骨折，10 小时内分了 12924 件包裹。对面那台 Figure 03 机器人分了 12732 件。192 件之差。Figure 的创始人 Brett Adcock 当场宣布——"这是人类最后一次赢机器"。第二天，华尔街最大对冲基金 Citadel 的创始人 Ken Griffin 在斯坦福讲坛上说他抑郁了：原来要博士干几个月的活，AI 几小时就干完。
两件事乍看毫无关系：一家 AI 公司怎么烧算力，跟人和机器人比赛打包谁更快——你不会立刻看出关联。
但它们是同一个时代的两面。两条新闻在说同一件事：单挑的时代结束了，调度的时代开始了。
这篇文章把这两条线索一起捋一遍，因为它们各自看都不完整。
一、Anthropic 的故事：在三种芯片之间走钢丝
CFO 把 Anthropic 的处境形容为"蒙着眼睛走钢丝"——这不是修辞，是字面意思。
算力既是这家公司最大的成本项，也是它的命门。训练模型要算力，服务客户要算力，公司内部工作要算力。问题是算力不像办公室椅子，下单一周后就送到——大规模算力采购需要提前很久做规划，规划范围以年为单位。
这意味着 CFO 每签一笔大单，都在赌未来 18 个月的市场会长成什么样：
- 买多了：收入跟不上、现金流断、公司倒闭
- 买少了：失去客户、模型掉出前沿、公司倒闭
两条路都是死。
那怎么办？CFO 给的答案只有两个字——灵活。这种灵活分三层。
第一层：合同要灵活。签算力采购合同时，把未来业务可能的变化提前写进条款，让自己有调整空间。
第二层（最关键的一层）：算力使用方式要灵活。CFO 说，Anthropic 应该是当今唯一一家可以同时灵活使用三种芯片平台的 AI 公司——英伟达的 GPU、谷歌的 TPU、亚马逊的 Trainium。他用了一个英文词："We use these chips fungibly."
fungibly 是金融词，意思是"可互相替代"。比如美元钞票之间是 fungible 的——一张五十美元可以代替另一张五十美元，没人会在意你给的是哪一张。CFO 说算力 fungibly，意思是 Anthropic 可以让同一个模型在英伟达 GPU、谷歌 TPU、亚马逊 Trainium 之间灵活迁移、动态调度，不绑死在任何一家芯片厂商的车上。
这件事的难度比想象大得多。绝大多数 AI 公司买了 GPU 就只能用 GPU——因为模型代码、训练框架、推理优化都是为 GPU 写的，搬到 TPU 上得几乎从头来过。Anthropic 早年大规模押注 TPU 时，整个行业都觉得这家公司疯了：英伟达生态成熟、TPU 起步阶段难用。但 Anthropic 顶着主流意见做了多年底层工程投入，才形成了"同一个模型，三种芯片随便跑"的能力。
第三层：底层工程的深度优化。Anthropic 不只是接入了三种芯片，而是会跟亚马逊的芯片团队密切合作，去影响下一代芯片的设计路线。算力优势从"我买得多"升级到"我用得透、还能反过来塑造供应商"。
把三层合起来看，Anthropic 实际拥有的不是"一堆 GPU"，而是一个跨厂家、跨代际、跨工作负载的统一资源池——可以根据当下需要灵活调度、动态分配、深度优化。
这就是这家公司在算力侧最大的护城河。不是钱多。是调度能力。
二、把算力花在哪：前沿战略 vs 跟随战略
算力到手之后，还要决定花在哪。CFO 说 Anthropic 内部把算力分成三类用途——训练新模型、服务客户、团队内部使用——三者之间的比例不是固定的，要根据当下情况动态调配。
但有一条铁律：用于模型研发的算力有个最低限。无论客户需求多旺、短期收入多诱人，Anthropic 都不会把研发算力压到这条线之下。
为什么？因为他们选了一条特定的战略路径。要理解这条路径，先看它的反面。
经营一个 AI 大模型公司，CFO 说战略上有两条路：
| 路径 | 怎么打 | 优势 | 风险 |
|---|---|---|---|
| 跟随战略 | 让别家先花钱去探索前沿，看明白了再跟进，把省下来的研发成本拿去打价格战 | 现金流稳、容错率高、看起来"务实" | 永远落后半步，挣的是越来越薄的存量 |
| 前沿战略 | 大量算力 + 大量研发，持续开拓 AI 能力的边界 | 每次突破都能创造新市场 | 烧钱速度极快，容错率低 |
如果给你三秒钟，让你选——大多数人会选第一条，因为它更像"教科书里的好生意"。但 Anthropic 选了第二条。
CFO 给的理由有两层。
第一层是使命驱动：公司的目标是 AGI（通用人工智能），不开拓前沿就违背使命。这层是价值观层。
第二层在商业上反而更重要——前沿战略其实更赚。CFO 的原话是：每次发布一个新前沿模型，都会"以一种独特的方式解锁新的 TAM"。
TAM 是 Total Adjustable Market 的缩写，中文叫"总体可服务市场"。这个词在 AI 时代有特殊意义：
- 跟随战略做的是存量市场——抢别家已经做出来的那块蛋糕的份额
- 前沿战略做的是增量市场——每个新模型解锁出"过去做不了、现在能做了"的新用例，等于自己烤出一块全新的蛋糕
举个具体的例子：GPT-3.5 时代，AI 写代码只能给你一两段补全；Claude 3 / GPT-4 时代，AI 已经能独立完成需求拆解、调试、部署一条龙——这不是从老用户身上多挣钱，是把"找承包商做小型软件项目"这个原本只有人能干的市场，第一次塞进了 AI 能干的范围。
做过生意的人都知道，增量市场比存量市场好做，但最难的是怎么找到增量。Anthropic 的前沿战略，本质就是用算力 + 研发不停地自己造出增量。
这就是为什么这家成立五年的公司能跑到 400 亿美元年化收入，而且年增速 80 倍。这不是市场"奖励聪明"，是市场在用真金白银告诉整个行业：时代变了。
过去的时代里，"大力投入研发"被认为是不务实甚至不聪明的——擅长模仿、擅长营销的公司更容易当赢家。很多人以为这就是商业的永恒真理。它不是。它只是上一个时代的局部现象，因为上一个时代科技进步太慢了。
AI 时代不同。科技进步速度被压缩到了月度甚至周度迭代，能力天花板被持续抬高。在这种节奏下，长期投入研发不仅不傻，反而是唯一能跟得上节奏的玩法。
三、Figure 03 的胜利之后：医院里的另一个剧本
镜头切到加州的分拣场。
Aime 把左小臂拼到了快骨折，10 小时分了 12924 件，对面 Figure 03 分了 12732 件——人类赢机器 192 件。每件包裹的平均处理时间：人 2.79 秒、机器 2.83 秒。0.04 秒的差距。
Brett Adcock 当场放出口号："this will be the last time humans win"——"这是人类最后一次赢"。马斯克随手转了一下，配了一句"一年两年三年之后，AI 在哪？"
整个 2026 年的舆论场，几乎都默认了这个剧本：人类工位正在被一行行代码刷下来。Ken Griffin 在斯坦福台上的抑郁感发言，强化了同一个画面——博士干几个月的活，AI 几小时干完。
但仔细看上面这场比赛会发现一件事：这是一场被人为搭起来的、人对机器单挑的舞台。
现实中没人这么过日子。
医生不会一个人和 AI 比谁看片快——医生本来就不是和 AI 比赛的角色。工人不会一个人和机器人比体力。真正在工作里发生的，从来都不是单挑，而是某种形式的组合。
那真正该问的问题就变了：人和 AI 一起干活，到底怎么组合才是最稳的？
这个问题不是 2026 年才有人开始问。过去两年已经有人做过实验。
弗吉尼亚大学的 76.3%：一组反直觉的数据
2024 年，弗吉尼亚大学医学院请了 50 个临床医生做了一组实验，对照三种工作流：
| 工作流 | 准确率 |
|---|---|
| 纯医生（靠传统资料） | 73.7% |
| 纯 AI | 92.0% |
| 医生 + AI 协作 | 76.3% |
第二行让人意外——纯 AI 反而是最高的。第三行让人傻眼——把人类专家塞进 AI 的工作流，反而把 AI 拖低了将近 16 个百分点。
这是个反直觉的结论。为什么？
研究者复盘后发现，问题出在**"协作"两个字写得太轻松了**。实验里医生用 AI 时，AI 只给一个结论，看不到推理过程：
- AI 一输出答案，医生分不出哪个真哪个假
- AI 想对了，医生靠老经验直接否掉
- AI 想错了，医生没法诊断错在哪一步，只能整段接受或整段拒绝
这不是协作，是一个黑箱被塞到了人手里。写"协作"两个字也救不回来。
马普所的 PNAS 论文：误差互补
2025 年，德国马克斯·普朗克研究所在美国国家科学院院刊（PNAS）上发了一篇分量很重的论文，重新设计了"医生 + AI"的协作流程。
数据规模：40762 次诊断、2133 个复杂病例、5 个不同的 LLM 模型。
这次的设计有几个关键不同：
- AI 不只是"集体作战"——多模型组合给出诊断，而不是单一模型背锅
- AI 必须输出推理过程——医生看到的不是"这是阑尾炎"，而是"基于以下三项指标和两项排除诊断，最可能是阑尾炎，置信度 X"
- 医生和 AI 之间的接口被重新设计，确保医生能在 AI 推理链的任何一步介入
结果有两条。
第一条相对意料之中——AI 集体作战的准确率已经追平甚至超过 93% 的单个医生。
第二条才是论文真正出彩的地方：人 + AI 的组合，赢过所有纯人医生，也赢过所有纯 AI 模型。
论文给这个机制起了名字——Error Complementarity，误差互补。
道理很简单：
- 人会累、会漏看、会被惯性骗
- AI 会胡编、会脑补、缺乏常识
两边的盲区不重合。错的地方不一样。所以放在一起，反而互相把窟窿堵上了——人发现的漏洞 AI 漏掉了，AI 发现的细节人忽略了。
但这套机制有个硬前提：AI 必须能把"我为什么这么想"一步一步写出来。
没有这个前提，回到 2024 年弗吉尼亚的剧本——黑箱塞给人，76.3%。
有这个前提，进入 2025 年马普所的剧本——误差互补，92% 以上的天花板。
几万条命的差距
值得算一笔账。
美国每年有79.5 万人因为误诊而永久残疾或直接死亡。
从 73.7%（纯医生）到误差互补的天花板（92%+），差的不是几个百分点的小数。如果你把这些百分比落到 79.5 万这个分母上——差的是几万条命。
医院只是一个最容易量化的场景。把这个差值放大到金融、法律、研发、咨询——每个行业都在以自己的速度走到同一个十字路口。
四、把两条线对到一起
回到开头那两个时间点：Anthropic 的 CFO 在讲算力，Figure 的 Adcock 在讲"人类最后一次赢"。
如果只听这两句，结论会是不同的——一个在讲商业战略，一个在讲人类被取代。
但如果把这两条线索都听完，会发现它们在用不同的语言说同一件事：
| Anthropic 的故事 | 医院里的故事 |
|---|---|
| 算力买多了破产，买少了破产，单押一种芯片也破产 | 单挑机器赢不了，但简单叠加 AI 反而把准确率拖低 |
| 解药是"fungibly"——三种芯片可互替、可调度 | 解药是"误差互补"——人和 AI 的盲区不重合 |
| 前提：跨厂家、跨代际、跨工作负载的统一调度能力 | 前提：AI 必须能写出"我为什么这么想" |
| 奖励的是有调度能力的公司 | 奖励的是会设计协作流程的人 |
两条线的共同主语都不是"更强"，是"更会组合"。
更直接一点：
AI 时代奖励的不是更聪明的人，是更会调度的人。
Anthropic 不和英伟达谈感情。它用 fungibly 这个词把自己从任何单一供应商的命运里摘出去，让所有三家芯片厂商都成为它的可选项。
医生不和 AI 比聪明。马普所那篇 PNAS 论文里设计的协作流程，让 AI 必须把推理过程吐出来——把 AI 从"神谕"变成"可挑刺的同事"，让医生有挑刺的接口。
普华永道今年 5 月一口气宣布要培训 3 万员工，全部把 Claude 当日常工作搭子——这不是"裁人换 AI"，是把人重新组装一遍，让 3 万咨询顾问每个人变成一个"会调度 AI 的人"。
Ken Griffin 自己也是同样的逻辑。台上他在斯坦福讲坛上喊"博士的活被 AI 干完了"。台下，他没有裁博士——他在重组团队，把博士从干活的人重新定义成指挥 AI 的人。台上喊取代，台下连夜重新装配。
五、结尾的几句话
2026 年默认的剧本是"AI 取代人"。这个剧本不算错——它确实在发生，体力的、重复的、可被流程化的工作正在一行行被代码刷下来。
但这个剧本只看了一半。它只看了 Aime 输那 192 件，没看到 76.3% 与 92% 之间那 16 个百分点；只看了"博士干几个月的活 AI 几小时搞定"，没看到 Griffin 没有真的裁博士。
完整剧本是这样的——
钱可以堆，算力可以买，命令可以查。
唯独"知道该往哪走、和谁组合、用什么方式调度"这件事，没人能替你做。
Anthropic 不在和英伟达单挑。
医生不在和 AI 单挑。
Anthropic 的 CFO 焦虑的不是"够不够聪明"，是"够不够灵活"。
医院里活下来的不是"看得最准的医生"，是"会跟 AI 用误差互补的医生"。
单挑机器的时代结束了，组合机器的时代刚开始。
Brett Adcock 那句"这是人类最后一次赢"——讲对了一半。
人类单挑机器的时代确实是结束了，但那不是终点，那是人和机器开始组合的起点。
谁先把组合学会，谁就先拿到下半场的入场券。
不学的人，会留在 Aime 那条线上，靠左臂快骨折去赢 192 件。