生成式人工智能发展日新月异，投资者如何穿透表象识别真正具有影响力的企业？Baillie Gifford基金经理 Kyle McEnery分享其接触未来科技创业者的方法论——包括与Anthropic、英伟达等的深度对话，该对话时间是2026年1月。
本篇文章仅涉及Anthropic。
相关文章：Baillie Gifford基金经理详解坚守NVIDIA的三大理由
LK：那么让我们具体谈谈这些公司，首先是Anthropic。本播客的常听众应该听过私营企业团队的同事罗伯特·纳茨勒介绍过，在我们确信其编码工具蕴含巨大机遇后，2025年8月我们旗下多家投资组合公司对该公司进行了投资。
KM（Kyle McEnery）：是的。
LK：但对于那些对公司了解较少的听众，能否请您概述一下它的长期潜力？毕竟这不仅仅是提升开发者的编程能力，对吧？
KM：当然。我们先从基础说起吧？目前在西方领域，大约有四家公司能开发出我们所说的尖端模型，分别是Anthropic、OpenAI、谷歌和xAI。这些被称为基础模型[可适应多种任务的超大规模AI模型]。目前可视其为经济领域的新型智能层。但必须强调：我们尚不清楚未来走向，不过现阶段这些公司提供的智能已具备多元应用场景——其智能水平可媲美甚至超越人类，同时拥有机器特有的可扩展性。
但具体回到Anthropic，每家公司都有其独特的发展方向，对吧？我认为Anthropic的突出之处在于其聚焦企业市场。
LK：企业市场，是指企业客户吗？
KM：没错。值得注意的是，Anthropic的创立宗旨高度聚焦人工智能安全。他们强烈主张开发可理解、可信赖的人工智能。该公司是OpenAI早期分拆项目，因对长期发展方向存在分歧而独立。但如今他们重新回归这一理念，这恰恰印证了其与企业需求的高度契合。所以你的理解是正确的。编程可能是人工智能时代的第一个杀手级应用。我相信未来还会有更多。但确实，其应用远不止于此。它超越了智能在企业、经济领域中所有可能的应用方式。几周前我在旧金山与Anthropic交流时，他们向我们介绍了正在赢得的客户群体。这些客户遍布整个经济领域。金融银行领域有，医疗企业有，网络安全领域也有。
最令人震撼的是，他们提及的应用场景并非适用于所有企业的通用方案，而是针对各行业深度定制的解决方案。他们正全力探索如何运用这种智能解决真正具有挑战性的专业知识难题。
LK：能否举例说明？
KM：好的，以银行领域为例，美国国际集团（AIG）正推进“了解你的客户”（银行用于核验客户身份与风险的金融核查流程）。这是极其重要且复杂的流程，对该公司而言蕴含巨大机遇。
LK：这有时被描述为不同实验室乃至不同国家（尤其是中美）之间的竞赛。您如何看待这种观点：若某方能用模型在所有能力维度上追平甚至超越人类，便可能垄断整个市场——某种意义上形成赢家通吃的局面？
KM：我不确定这种模式是否成立，但让我们探讨人们为何如此认为。本质上，这是对潜在临界点的信念——当人工智能达到足够成熟时，就能实现自我加速进化。硅谷许多人对这种自我进化的人工智能概念深感兴趣。若仔细审视各类技术文档，你会发现他们衡量AI能力的核心指标并非编程本身，而是编写提升AI能力的代码。假设某公司比其他企业提前三个月达到某个阈值，就会引发某种失控效应。本质上，这三个月优势将转化为巨大领先——因为人工智能发展极快，其增长模式近乎指数级。这种情况或许会发生，但目前尚未出现。
当前我们看到的是：少数公司已具备创建此类模型的能力。这不仅需要专业知识，还需强大的计算能力（训练和运行AI模型所需的处理能力）以及构建基础设施的能力。但尚未出现任何企业大幅领先的情况。我想对听众说的是：关键在于保持开放心态。因为我注意到当前关于AI的讨论中，人们往往过度关注即时信号。
我认为当人们看到各公司彼此间差距相对较小时，会解读为或许没有哪家能脱颖而出——这种判断或许正确。但正如我描述的临界点理论，情况未必如此。这本质上是人们无法应对非线性变化的思维定式。既然事物一直如此，它们始终并驾齐驱，人们便认定未来也必将如此。但事实未必如此。我仍持观望态度，无法断言。当前某家企业实现突围的可能性确实降低，但且让我们拭目以待。
LK：您提到信号识别。我知道Baillie Gifford在评估企业可持续性时，会重点考察其领导层素质。您曾与Anthropic首席执行官达里奥·阿莫代以及其他AI实验室的领导者深入交流，能否分享这些会谈的核心洞见？
KM：当然。能与这些人物交流实属荣幸。正因我们代表客户管理资金，才获得了对话机会。需要强调的是，我们必须保持长期视角，促成这些深度对话——我确信这对各方都大有裨益。至于具体收获，达里奥对未来发展路径的思考极为深刻：他是scaling laws的坚定信徒。
LK：请解释一下scaling laws的概念。
KM：当然。这个理论认为，人工智能只需扩大模型规模就能提升智能水平——所谓扩大模型规模，实质上是投入更多计算机进行训练，并注入海量数据。这点至关重要，对吧？因为我们正通过已知且可预测的配方实现技术进步。我认为这在很大程度上刺激了大量投资——毕竟人们确实掌握了相当充分的证据（当然世上没有绝对的确定性），证明只要投入更多计算资源、收集更多数据，就能获得更智能的模型，甚至可能催生出真正有趣的新兴能力。这点至关重要，与“只要设计出突破性新架构或实现未知科学突破，AI就会变聪明”的观点截然不同。即便在OpenAI早期阶段，他始终坚信这一理念，至今仍持此观点。能听到他对这些问题的见解实在令人着迷。
免责声明：本号对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，且不构成任何投资建议，对于使用该信息而引发或可能引发的损失将由投资者自行承担。投资者不应以该等信息取代其独立判断或仅根据该等信息做出决策。同时，我们尊重原创。文字图表等素材，版权属于原作者或其代理人。若涉及版权问题，敬请联系我们，立即做删除处理。 @爱发红包的虎妞
精彩评论