Anthropic准备IPO，却喊全世界AI踩刹车

6 月 1 日，Anthropic 向美国 SEC 提交了保密版 S-1 草案，启动 IPO 流程。

3 天后，Anthropic Institute 又发布了一篇长文，标题是《When AI builds itself》。这篇文章谈的是另一件更大的事：AI 正在参与构建下一代 AI。

一边是资本市场，意味着更高估值、更强融资能力、更大的商业压力。另一边是安全警告，Anthropic 说，如果 AI 继续加速参与自身研发，未来可能需要让社会保留一种选择：在必要时，协调放缓甚至暂停最前沿 AI 的开发。

一个正在加速上市的 AI 公司，同时提醒世界：加速度本身值得警惕。

有人会说，这是安全意识。有人会说，这是 IPO 前的叙事包装。也有人会怀疑，这会不会变成大公司用“安全”限制后来者的理由。

乍看起来这些争议都合理。

但如果只停在“它到底真诚不真诚”，就容易错过更重要的变化。

《When AI builds itself》真正值得普通人和工程师关注的地方，不在它喊了什么口号，而在它公开了一组内部数据。

这些数据说明一件事：AI 正在先吞掉执行。

01 AI 正在先吞掉执行

Anthropic 在文章里说，截至 2026 年 5 月，Anthropic 合并到代码库里的代码，超过 80% 由 Claude 编写。

在 Claude Code 于 2025 年 2 月进入 research preview 之前，这个比例还只是个位数。

它还提到，2026 年第二季度，典型工程师每天合并的代码量，已经是 2024 年的 8 倍。

这里要先加一句提醒：这些数据来自 Anthropic 自己的统计，不等于第三方审计结论。代码行数也不等于真实生产力，Anthropic 原文里也承认这一点。

但即便把水分扣掉，趋势依然清楚。

AI 已经不再只是帮工程师补几行代码、解释一个报错、生成一个函数。

它开始进入更完整的工作链路：读上下文、改文件、跑代码、看结果、继续修。

原来人和 AI 的关系更像“我问一句，你答一句”。

现在更像“我给目标，你去推进一段任务”。

差别很大。

前一种关系里，AI 是一个更快的搜索框。

后一种关系里，AI 开始像一个可以接任务的执行单元。

02 时间跨度变长，岗位边界会先松动

Anthropic 文章里还有一个更关键的判断：AI 能够独立完成任务的时间跨度，正在变长。

它引用的趋势是，AI 系统可靠完成任务的时长，大约从 7 个月翻倍一次，缩短到 4 个月翻倍一次。

2024 年 3 月，Claude Opus 3 大约能处理人类 4 分钟的软件任务。一年后，Claude Sonnet 3.7 能处理约 1.5 小时的任务。再往后，Claude Opus 4.6 已经能处理 12 小时级别的任务。

如果这个趋势继续，2027 年，AI 可能开始覆盖一些人类需要数周才能完成的工作。

这就是 Anthropic 所说的 recursive self-improvement，递归自我改进。

意思是，当 AI 能够越来越多地参与 AI 自身的研发，写训练代码、跑实验、分析结果、优化流程，未来就可能出现一个更强的闭环：AI 帮助做出下一代更强的 AI。

Anthropic 很谨慎地说，现在还没有真正进入完整的递归自我改进，它也不认为这件事必然发生。

但它认为，这个可能性来得比多数机构准备得更早。

这句话听起来像安全警告。

放到普通人的工作里，它其实还有另一层含义：很多岗位的变化，可能会先从“AI 接管大量执行环节”开始，直接替代反而未必是最早出现的形态。

03 人还剩下什么

执行被自动化以后，人的位置会发生变化。

过去，一个工程师的大量时间花在写代码、修 Bug、查日志、补测试、改文档上。

现在，越来越多这类任务可以交给 AI 先跑一轮。

过去，一个内容创作者的大量时间花在找资料、列提纲、写初稿、改排版上。

现在，AI 也能把这些环节先铺出来。

很多人看到这里，会自然想到一个问题：那人还剩什么？

我觉得答案可以落到三件很具体的事上。

第一，定义问题。

AI 可以帮你写很多代码，但它不知道这个需求该不该做，也不知道这个需求做到什么程度就够了。

AI 可以帮你写一篇文章，但它不知道这篇文章该不该发，也不知道它和你长期想建立的内容系统有什么关系。

第二，验收结果。

执行变快以后，垃圾结果也会变多。

以前一个人一天只能写几百行代码，问题暴露得慢。现在 AI 一下午可以改几十个文件，如果没有验收标准，错误也会被放大。

内容也是一样。AI 可以快速给你 10 个标题、3 个开头、1 篇初稿，但真正决定质量的，是你能不能看出哪些地方是假大空，哪些地方事实不稳，哪些地方偏离主线。

第三，沉淀资产。

一次性让 AI 帮你写一段东西，只是消费。

把这次写作过程里的判断标准、资料来源、结构模板、审校清单留下来，下一次还能复用，这才开始接近生产系统。

这也是 Human3.0 里最重要的一条线：人不能只做 AI 输出的消费者，要逐步拥有自己的数字生产资料。

04 工程师的价值，会从亲手做转向驾驭系统

我更关心的，其实是 Anthropic 这组数据背后的分工变化。

当 Claude 写了超过 80% 的合并代码，人的价值并没有自动消失。

但人的价值会从“我亲手写了多少”转向“我能不能驾驭更大的工作面”。

这对工程师尤其明显。

以前，熟练度很重要。你会不会写某种框架，会不会调某个库，会不会把一个报错快速查出来，这些都能直接决定效率。

现在，这些能力仍然重要，但它们开始变成基础条件。

更高一层的问题变成：

这个需求边界是否清楚？

这个改动会不会影响现有接口？

这个测试能不能证明关键路径真的跑通？

这个方案是临时补丁，还是值得沉淀成一套流程？

这些问题，AI 可以辅助回答，但最后不能替人负责。

内容创作也是同样的逻辑。

AI 能写一篇很顺的文章，但它很容易写成“正确废话”。

它会给出完整结构，也会给出流畅结论，但不一定知道你真正要建设的是哪条主线。

如果你没有自己的判断框架，AI 越强，你越容易被它带着跑。

它给你十个方向，你觉得每个都不错。

它给你一篇初稿，你觉得好像能发。

它给你一堆素材，你觉得都值得保留。

结果就是，产量上来了，系统没有变强。

05 普通人可以先建立三张清单

所以，普通人现在更应该做的，是少追一点新模型的热闹，多建立一点自己的工作秩序。

更有用的是，给自己的工作建立三张清单。

第一张，问题定义清单。

每次使用 AI 前，先写清楚：我要解决什么问题，为什么值得解决，什么结果算完成，哪些边界不能碰。

这张清单决定你有没有方向盘。

第二张，验收清单。

AI 给出结果以后，不要只看它像不像、顺不顺、完整不完整。

要看事实是否可靠，逻辑是否闭合，关键路径是否验证，输出是否符合你的长期目标。

工程里是测试、日志、接口合同、回归路径。

内容里是来源、主线、读者获得感、可沉淀价值。

第三张，资产沉淀清单。

每次完成一个任务，都问一句：这次有没有东西值得留下来？

比如一个 Prompt、一个模板、一个检查表、一个资料索引、一段可复用观点、一个案例卡片、一套发布流程。

如果没有沉淀，每一次 AI 协作都只是更快地完成了一次消费。

如果有沉淀，AI 才开始变成你的结构杠杆。

06 别等别人踩刹车，先拿回方向盘

Anthropic 一边推进 IPO，一边提醒世界 AI 可能需要踩刹车，这件事当然有它的商业意味。

但商业意味并不会抵消技术变化本身。

最值得看的，是它把一个正在发生的事实摊开了：执行正在变得越来越便宜，甚至会便宜到让原来的岗位边界失效。

当执行越来越便宜，真正稀缺的东西会变成判断。

什么值得做。

做到哪里停。

哪些结果可信。

哪些东西应该沉淀。

哪些自动化会伤害人的主体性。

这些问题不会因为 AI 更强而消失，反而会变得更重要。

所以，我不太愿意把这件事只理解成“AI 要不要暂停”的争论。

对更多普通人来说，更现实的问题是：当 AI 能替你完成越来越多执行，你有没有能力决定它该执行什么？

这就是人的位置。

人更好的位置，是把事实、记忆、重复性交给 AI，把方向、责任、审美和长期判断留在自己手里。

如果 Claude 已经能写 Anthropic 80% 的合并代码，那么下一个问题就很直接了：

当你的工作里也有 80% 的执行可以交给 AI，你准备用省下来的时间做什么？

答案会决定你是在消费 AI，还是在建设自己的系统。

参考资料：

1. Anthropic：《When AI builds itself》
2. Anthropic：《Anthropic confidentially submits draft S-1 to the SEC》
3. Axios：《Anthropic files for its IPO》