Anthropic 联创 Tom Brown：从 GPT 到 Claude，他把模型“做成了产品”

全文 4,000字 | 阅读约 13 分钟

(Tom Brown 谈 ：发现 scaling law 的震撼时刻)

演示很好看。

上线却总卡壳。

卡在可靠性，卡在成本，卡在能否稳定重现。

最关键的卡点是：能否真正进入工作环境，而不是停留在 Demo 阶段。

2025 年 8 月 19 日，YC 的一场公开对谈中，Anthropic 联合创始人 Tom Brown 谈到了他的“非常规路径”、scaling laws 带来的行业转折，以及最容易被忽略、却最要命的事：产品化思维。

Claude 不是能聊天的模型，而是能负责的系统。

如何做到"能负责"？他们聚焦可用、可控、可复现三大支柱。技术扎实了，商业自然跟上：

• 《彭博社》：2025年7月，Anthropic 年化营收达约 40 亿美元；

• 《The Information》：2025年8月，最新报道数字逼近 50 亿美元。

这样的增长背后，是资本与渠道的双重支撑。亚马逊 40 亿美元投资到位，Claude 通过 AWS Bedrock 进入企业。达美航空、西门子等一线客户已经接入 Claude 模型，应用场景覆盖客服、运维、合规等核心工作流。

Anthropic 成功的关键，不在模型强大，而在产品完整。

Tom Brown 从 GPT-3 的幕后 builder，到 Claude 的产品操盘手，不靠热度拉估值、不靠参数刷榜单，而是靠一件事赢下今天：

他把模型“做成了产品”。

第一节｜不是科学家，是开发者

Tom Brown 一直不是传统意义上的“尖子生”。

他在播客开场就自嘲：我上大学时，编程课经常挂科。靠重修才能勉强过。 MIT 毕业后，也没去大厂做研究，而是加入朋友的创业公司写代码。

也许正因为这样的经历，他形成了独特的工程思维：“我喜欢亲手搭建系统，把它跑通，然后看到它真正发挥作用。”

从早期创业到 OpenAI 打造 GPT 训练系统，他的风格一直没变。

而这种"把东西真正做出来"的工程师思维，正是 GPT 成功所需要的。

✅他是开发者，不是科学家。

2018-2019年，OpenAI 正在开发 GPT-3。这个模型的规模达到了新高度：1750亿参数，训练工程的难度可想而知。Tom Brown 在 2018 年重返 OpenAI，并带队完成了 GPT-3 的训练部署。

他说：“GPT-3 是个特别复杂的项目，不只是训练，而是整个系统得从头到尾都能跑通。”

换句话说，不是简单写个模型代码，而是：

• 要搭好硬件资源和训练脚本；

• 要能监控每一次微调是否有效；

• 要能在模型出问题时快速定位、及时修复、准确复现。

当成百上千个指标同时运行时，一旦模型崩溃，他必须第一时间定位出问题的超参数。

这种工程实践让 Tom Brown 对 AI 的理解更加深刻。而 GPT-3 项目结束后，他没去接着追 GPT-4，也没有选择进学术圈发表论文。他选择离开 OpenAI，另起炉灶。

原因只有一个——

“我不只是想让模型变聪明，我想让它能用。”

第二节｜不追最强模型，只追最稳闭环

Tom Brown 这样说：现在很多模型表现很好，但它们无法在现实世界里真正被用起来。

不是因为它们不聪明，而是缺少“产品闭环”：

• 你不能总指望用户容忍模型说错话；

• 你不能让工程团队修 bug 没完没了；

• 你更不能处处要人工补救，却叫"AI上线"。

一个能用的 AI 产品，需要三件事：

① 它必须“能复现”

Tom 的原话是：“你得能多次拿到一致的结果。”

很多模型 demo 看起来很炫，但只成功一次，后面怎么调都不稳定。 这在做科研可以接受，但在做产品时，就意味着灾难。

企业不会要一个只在台上表现好的模型。它得在流程里、在用户面前，每一次都可靠。

Anthropic 团队花了很多精力，做了一套调试和回测的工具链，确保每次修改不会破坏已有能力。不是靠猜，而是靠记录、测试和对比。

② 它必须“能被控制”

“控制”不是压制模型，而是确保它在各种环境下，都不会突然说错话、做错事。

Tom 举了个例子：Claude 在某些客服场景里回答非常稳，但有时在自由聊天模式下，可能会绕远路或说废话。

为了解决这个问题，他们设计了“行为配置”：不同的客户、不同的使用目标，可以配置 Claude 的语气、答案风格、甚至输出的格式。

他们不是要求一个模型适配所有人，而是让它变成多个可控的角色。

这也是 Claude 被企业接受的原因之一：它更像一个"可靠的同事"，而非"聪明的实习生"。

③ 它必须“能查得清”

Claude 要成为产品，第一步不是功能强，而是能看懂它哪错了。

Tom 特别强调了这个点：“我们必须知道模型回答错误是因为训练数据的问题，还是因为提示词不够好，还是系统接入出了错。”

为了做到这一点，他们开发了很多辅助工具：

• 日志记录每一次调用；

• 提示词版本有清晰管理；

• 回答可以被评估、打分、标记。

不是靠猜，而是像调试代码一样，一步步拆解原因。

这些理念平淡无奇：既不谈"万亿参数"的宏大，也不吹"超越人类"的神奇，更不提"图灵测试"的突破。

然而，正是这些朴实的工程原则，决定了 AI 能否真正投入使用。

第三节｜Claude 到底怎么赚钱？

Tom Brown 更看重一个词：产品。

在他看来，关键不是让模型有多聪明，而是做出真正可部署、可交付、可维护的系统。

这句话背后，其实有三个关键词：客户、接口、回报。

① 客户不是体验用户，是业务用户

Tom 说得很清楚：

“我们的目标用户不是‘好奇的人’，而是那些真的有工作要完成的人。”

Anthropic 一开始就没有主打娱乐性产品，也没去抢陪用户聊天的流量。他们重点做的是——Claude for Work（面向工作的 Claude）。

也就是：

• 能帮客服处理对话；

• 能替医生写初稿、分析文档；

• 能支持生物医药公司处理复杂研究数据。

这些客户不是为了追逐热点，而是为了提效、降本、规范流程。

这些合作不是靠关系，而是靠实际价值：能否节省时间，能否减少人工，能否提高准确率。

② 接口不是产品界面，是系统组件

Claude 真正的落地方式，不是大家打开个网站来用，而是被嵌入到了企业的工作流里。

比如：

• 客服团队：Claude 会自动归类问题、推荐答案草稿；

• 法律顾问：Claude 被内嵌到合同审查工具中，提供风险提示；

• 医疗团队：Claude 参与报告生成、知识抽取。

这些不是点到为止，而是深入使用、系统集成、长期运行。

Claude 不是孤立存在的产品，而是融入日常工作的重要一环。 ——Tom Brown

这意味着什么？ 意味着 Claude 不再以对话量论价值，而是以实际完成的任务为准。

③ 回报不是技术领先，是商业价值

Tom 没有谈估值，也没强调技术多领先，而是强调了一组最直接的商业数据：

“我们的目标是：让 Claude 自己带来收入。”

根据彭博社、《The Information》等媒体在 2025 年 7–8 月的报道：

• Anthropic 年化营收已达 40–50 亿美元区间；

• 客户主要来自医疗、航空、能源、制造、金融等行业；

• Claude 是目前增长最快的大模型产品之一。

这些增长，并不靠炒概念、讲故事，而是靠产品实打实在客户场景里干活拿钱。

他们在做的，不是拿技术去推市场，

而是从需求里反推模型该怎么演进。

第四节｜工程纪律，决定能不能走到最后

如果你以为，Claude 能在企业场景跑通，是因为模型“够聪明”，那就低估了它背后的“冷启动难度”。

Tom Brown 在对谈里点出一个经常被忽略的核心问题：

“大模型不是发布之后就能自动好用的。真正的问题，是怎么让它每次都给出稳定、准确的结果。”

换句话说，真正的挑战，不是“能不能答对一次”，而是能不能答对一千次、一万次。

① 从实验室走向生产线，降低不确定性

Tom 在 OpenAI 参与训练 GPT-2 和 GPT-3 时就意识到：

• 模型越大，能力越强，但同时也越不可控；

• 每一次输出都有“随机性”，模型在不同 prompt 下的表现差异很大；

• 想要用到实际流程中，就得从“探索性研究”走向“工程标准”。

他说：

“我们花了大量精力，把原本‘很艺术’的调优工作，变成了可追踪、可迭代的标准化过程。”

这听起来枯燥，却是 Claude 真正变成“产品”的关键。

② 每一次错误都要能追根溯源

Claude能上线，关键不在于不出错，而在于出错后能追溯、能修复、能改进。

Tom 说得很实在：

“模型表现不好，不是因为它不够聪明，而是我们还没搞清楚它怎么运作、哪会出错。”

在 Anthropic，开发流程像工业流水线一样：

• 每一次模型输出，都会打上“可追溯标签”；

• 每一组实验结果，都有版本号、对比基准、修正路径；

• 即使是“幻觉”错误，也要被细化成“哪种数据不足、哪类问题边界不清楚”等可处理问题。

像工业制造一样，系统分析每一次偏差，把问题转化为优化机会。

③ 合规要求必须前置，不能事后补救

大多数人以为安全、对齐、合规是在发布后“补救”的环节。但 Tom 直接指出：

“我们一开始设计 Claude 时，就考虑到它要面对金融、医疗、法律等高风险行业。”

也就是说：

• Claude 的对话机制、拒答策略、信息引用方式，都预设了合规限制；

• 不是“看心情”答不答，而是明确设计规则——什么能说，什么不能说；

• 就连客户自己上传的知识库，Claude 在调用时也要“保持边界”。

这种合规，不是为了限制模型，而是为了让它能被信任、能复用、能部署。

从这个角度看，AI 产品的成败关键不在于它更聪明，而在于它更规范。

第五节｜ 靠的不是天才，而是高密度团队

当模型从实验室走向实际应用，决定成败的不只是技术，更是人。

Tom Brown 的这场对谈，讲得最多的不是模型有多强，而是团队怎么做事。

他深有体会：

“很多人以为这是一两个顶级研究员推动出来的。但 Claude 的诞生，其实靠的是一个高密度、高纪律的团队结构。”

① 不比个人智商，比团队交付力

Tom 回忆，他在 OpenAI 早期就意识到：

“一个模型从想法到上线，要踩过无数个坑。不是天才解决一切，而是要很多细致、耐心的工程工作。”

所以在 Anthropic，他和创始团队一开始就设定了招聘原则：

• 不只看个人能力，更看是否认同使命愿景；

• 不追求明星个人，而是关注能否与团队协作共事；

• 不鼓励各自为战，而是强调透明沟通和集体决策。

一句话：不是谁最聪明，而是谁最认同这件事。

② AI产品成败看组织能力，不看技术能力

Tom 特别讲到一个关键能力：context switching（上下文切换）。

“AI 公司必须同时做研究、工程、产品、安全，甚至合规和商务。”

而这背后，最难的不是技术，而是组织能不能在这些事情之间顺畅切换、迅速对齐、减少内耗。

Anthropic 内部做法是：

• 团队之间用非常细的接口沟通（明确输入、输出、责任人）；

• 大部分协作依赖文档，不依赖会议；

• 所有测试和上线流程都有“公共评估基准”，避免部门扯皮。

做 AI 产品不是全员跟风，而是各司其职、精准分工。

③ 管理者要消除混乱，不是发号施令

Tom 提出一个很有意思的观点：

我们不是在管理人，而是在管理不确定性。

举个例子：

• 一个功能上线前，产品会先把目标用数据标准写清楚；

• 工程团队接手后，不是靠猜，而是靠验证链条逐步压缩出错空间；

• 模型团队提供的是“可调用版本”，不是研究草稿。

这套流程让 Anthropic 的模型不只是跑得起来，更重要的是在客户那里跑得稳、用得住。

Tom 最后总结：

“Anthropic 并不靠单点突破， 而是建立了能持续化解复杂性、有序推进目标的组织。”

这也解释了 Claude 为何能成功落地：不是靠某个天才想法，而是靠组织能力和工程积累，一步步打磨出来的。

结语｜ AI 产品闭环的新分水岭

Tom Brown 这场对谈，没吹概念，没画大饼。

他说的，是一个正在成型的新范式：AI 不止是模型之争，更是产品之战、组织之战。

Claude 的成功不是偶然。

它背后，是四年从 OpenAI 到 Anthropic 的积累：工程优先的理念，安全可控的机制，上下游闭环的反馈，还有组织协作的模式。

正如 Tom 所说：

有了能力，才有资格谈产品；做成产品，才有资格谈市场。

而一旦进入市场，评判标准只有一个：是不是能持续地创造价值。

Anthropic 已经证明了“能不能做”。

Claude 能不能跑通商业闭环，现在已经有答案了。

下一个问题，是：谁能把模型真正做成产品？谁能让客户真正产生依赖？

本文由AI深度研究院出品，内容翻译整理自Tom Brown在YC播客访谈内容翻译整理。未经授权，不得转载。。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

参考资料：

https://www.youtube.com/watch?v=JdT78t1Offo&t=5s&ab_channel=YCombinator

https://www.ycombinator.com/library?utm_source=chatgpt.com

https://www.theinformation.com/articles/anthropic-revenue-pace-nears-5-billion-run-mega-round?utm_source=chatgpt.com

https://www.bloomberg.com/news/articles/2025-07-29/anthropic-nears-deal-to-raise-funding-at-170-billion-valuation?utm_source=chatgpt.com

https://www.aboutamazon.com/news/company-news/amazon-anthropic-ai-investment?utm_source=chatgpt.com

https://apnews.com/article/f5108beaa33455f331010489e03586d4?utm_source=chatgpt.com

https://www.reuters.com/business/anthropic-hits-3-billion-annualized-revenue-business-demand-ai-2025-05-30/?utm_source=chatgpt.com

来源：官方媒体/网络新闻

排版：Atlas

编辑：深思

主编: 图灵