Anthropic 近日发布 Claude Mythos Preview，可以算得上一个让整个行业既兴奋又困惑的时刻。
兴奋的是技术本身——它在多项基准测试中刷新了纪录；困惑的是配套策略：用户需签署两份同意书才能访问完整功能，且 API 价格是 GPT-4o 的 10 倍。与此同时，Anthropic 同步披露年度经常性收入（ARR）已突破 300 亿美元，成为全球商业化最快的 AI 公司。
这组矛盾的信号，让 Anthropic 成为当下 AI 行业最值得解剖的样本：它一边创造收入神话，一边主动筑起高墙。它在怕什么？
Mythos 到底有多强？
要看懂这场争议，先得弄明白 Mythos 在技术底层到底展现了什么。
根据泄露的内部测试文档和 Anthropic 官方博客，Mythos 已经不再是一个简单的 " 代码补全工具 "，而是一个具备长逻辑链规划与自动化漏洞挖掘能力的智能体系统。
在内部测试中，Mythos 发现并利用了 FreeBSD NFS 服务中一项潜伏了 17 年的漏洞。它甚至能自主制定策略，绕过基础编译保护，获取系统的最高 Root 权限。该模型还在被公认极度安全的 OpenBSD 系统中挖出了陈年漏洞，在视频编码软件 FFmpeg 中，它捕获了一个被自动化测试工具反复扫描都未能发现的缺陷。
最让安全圈关注的是成本效率。完成一次针对 Linux 系统的提权攻击流水线，耗时不到一天，消耗的 API 算力成本据称不足 2000 美元。
这种技术能力迅速引发了监管层面的关注。据多家媒体报道，美国财政部与美联储近期召集了一场闭门会议，讨论 AI 模型对金融系统潜在的网络攻击风险。
作为回应，Anthropic 启动了一个名为 "Project Glasswing" 的防御联盟。该计划汇集了 NVIDIA、AWS、Google、Microsoft、Apple 等 12 家科技巨头，以及摩根大通和 Linux 基金会等机构。Anthropic 将为参与成员提供价值 1 亿美元的 Mythos Preview 使用额度，并向开源安全组织直接捐赠 400 万美元，协助其加固基础软件。
但业界买账吗？
显然，Anthropic 以安全为名的限流策略，在行业内引发分歧。
Meta 前首席 AI 科学家杨立昆（Yann LeCun）在社交平台上直接开火，将这场安全恐慌斥为 " 自我欺骗的废话 "。
知名 AI 学者加里 · 马库斯（Gary Marcus）也直言不讳，认为 Mythos 只是在代码能力上的 " 渐进式改进 "，并没有带来范式突破。他写道：" 在某种程度上，我们被当成了公关的棋子。"
这些批评指向的并非漏洞本身——而是 Anthropic 以安全为名行垄断之实的商业叙事：高墙究竟是保护用户，还是保护定价权？
300 亿背后：Anthropic 如何跑通商业闭环
要理解这份 " 封禁 " 逻辑，先看数字。
敢于把最强模型限制访问，Anthropic 的底气来自其在 B 端企业市场的财务表现。截至 2026 年 4 月，Anthropic 的 ARR 从 2025 年底的约 90 亿美元增长至 300 亿美元，增幅超过 3 倍。而 OpenAI 同期 ARR 据估计在 240 亿至 250 亿美元之间——双方体量正在快速拉近。
增量市场的争夺更为激烈。据企业支出管理平台 Ramp 的监测数据，2026 年 3 月，在企业首次购买 AI 服务的新增资金中，高达 73% 流向了 Anthropic，OpenAI 的份额降至 27%。仅仅 10 周前，双方还是 50/50 的均势；更早的 2025 年 12 月，OpenAI 还以 60:40 领先。在企业智能体市场，Anthropic 握有约 40% 的份额，领先于 OpenAI 的 27%。目前，每年在 Claude 上支出超 100 万美元的企业客户已突破 1000 家。
这一增长让外界重新评估它的商业价值—— Setter Capital 数据显示，在二级市场，Anthropic 股份已超越 SpaceX，成为最受追捧的私募股权标的。
财务文件揭示了两种截然不同的资本效率。OpenAI 走的是 C 端大众流量路线。据华尔街流传的财务预测，预计到 2028 年，其单年算力支出将达 1210 亿美元，当年净亏损恐超 850 亿美元。而 Anthropic 同期的模型训练支出预计约为 300 亿美元，不足对手的四分之一。
为了支撑推理规模并控制成本，Anthropic 正在重构算力底座。据知情人士透露，公司已与谷歌、博通达成协议，预计从 2027 年起获得高达 3.5 吉瓦的下一代 TPU 算力专供，同时评估自研定制 AI 芯片的可行性，试图降低对单一供应商的依赖。
这也解释了，为什么 Anthropic 敢于在 Mythos Preview 上设置访问门槛——它的商业逻辑不是 " 做大用户基数 "，而是 " 服务好愿意付高价的头部客户 "。
API 定价策略印证了这一判断。Mythos Preview 的每百万 Token 输入价格约为 25 美元，是 GPT-4o 的 10 倍，每百万输出 Token 则高达 125 美元。Anthropic 没有打算让所有人都用得起，它要筛选的是真正有支付意愿和能力的企业级用户。
这把钥匙，在商业上合乎逻辑，却让开源生态和中小开发者感到寒意。
饭碗保卫战：Claude 正在吃掉谁的生意
Claude 的高速商业化，正在产业链上下游引发连锁反应。
第一层冲击：下游开发者的生死洗牌
大厂正在从提供基础设施，转变为垄断高价值业务的 " 围墙花园 "。
数据显示，Claude Code 智能体中高达 79% 的对话，是模型直接执行任务的 " 自动化 "，而非辅助人类的 " 增强。这种能力的跃升直接引发了资本市场的担忧。今年 2 月，随着 Claude 展现出自动化工作流的能力，华尔街爆发了导致软件和数据板块市值大幅下跌的抛售。拥有 Westlaw 的汤森路透单日跌幅达 15.8%，RELX 重挫 14%。投资者意识到：一旦高级模型掌握了工作流的编排权，传统 SaaS 巨头面临着沦为底层模型 " 语料供应商 " 的风险。
第二层冲击：资本回报率的残酷真相
2025 年，全球 AI 相关领域的风险投资总额占全球 VC 资金的比例已超过六成。但在资本密集的投入下，单纯的技术信仰已经无法说服华尔街，资本效率成了关键指标。
OpenAI 依靠约 9 亿周活用户，每周单客贡献的商业价值约为 25 美元；而 Anthropic 仅凭约 1890 万月活，就从企业级客户身上获得了高达 211 美元的单客月均收入。这场较量的终局，是谁能以更低的资本折旧率，在金融、法律等高净值领域实现对人类员工预算的替代。
第三层冲击：限制访问与中国 AI 的博弈
Mythos 引发的闭源趋势，不可避免地将大模型路线之争推向了地缘政治的焦点。
近期，AI 社区出现一种推测：被 Anthropic 限制访问的 Mythos，其底层可能借鉴了字节跳动 Seed 团队的 " 循环语言模型 "（LoopLM）架构。
线索来自测试数据——在复杂的图搜索测试中，Mythos 的表现远超主流模型，而这种对同一组信息在潜空间反复迭代计算的能力，正是 LoopLM 论文中所论证的核心特性。Anthropic 对此未予置评，但测试数据的异常表现让社区议论纷纷。
硬币的另一面是尖锐的商业指控。今年 2 月，Anthropic 在官方博客发文，指控包括 DeepSeek、月之暗面、MiniMax 在内的中国 AI 公司，通过建立约 2.4 万个虚假账户与 Claude 进行了超 1600 万次交互，实施 " 工业规模 " 的知识蒸馏。这一指控将合同违约重新定义为 " 攻击 "，并将其上升到国家安全高度。值得注意的是，文章发布的时间点恰好在 Anthropic CEO 与五角大楼关系紧张、国防合同谈判陷入僵局之际。
更深层的博弈在于，当 Claude 选择收紧 API 访问时，中国大模型厂商面临的压力不仅是技术追赶，还包括 " 知识蒸馏 " 路径的收窄。
但讽刺的是，美国商务部试图用限制高端芯片来影响中国 AI 算力的物理上限，这恰恰推动中国企业走上软件突围的路径——在物理算力受限时，利用 API 进行自动化语料合成与知识蒸馏，成为弥补技术差距的策略之一。对于中国 AI 产业而言，闭源共识的形成意味着 " 追赶 " 不再只是缩短技术差距，还需要在国内安全框架、数据主权和商业可持续性上构建独立能力——这是一道必须自己回答的命题。
高墙之内：Anthropic 的逻辑与代价
Anthropic 的策略，用一句话概括就是：把技术能力转化为稀缺性，把稀缺性转化为定价权，把定价权转化为 300 亿美元的收入。
但这条路径并非没有代价。
限流策略短期可以保护商业利益，但长期可能削弱生态活力。当开发者发现无法稳定使用 API 来构建产品时，他们会转向更开放的替代方案——无论是开源模型还是竞争对手的闭源产品。历史上，Oracle 和 SAP 都曾凭借高壁垒赚取超额利润，但也为后来者的替代创造了空间。
另一个潜在的脆弱点在于 " 头部客户集中度 "。如果某几个大客户调整 AI 策略，转向自研或竞争对手，Anthropic 的 ARR 会面临急剧收缩的压力。这种收入结构，比任何技术风险都更值得警惕。
Anthropic 借 Mythos 发布传递了一个清晰信号。那个由极客主导的、浪漫且自由的 " 开源 AI 时代 " 正在收拢。通过建立安全护城河、在 B2B 市场跑通资本运作效率，大模型主赛道的准入门槛，已经被拉高到了需要巨额资本才能入局的深度。
谁掌握了这一数字经济基础设施的关键能力，谁就真正掌握了未来的竞争优势。（本文首发钛媒体 APP，作者 | 硅谷 Tech_news，编辑 | 林深）
