用数据和案例,讲清楚行业里的事 关于我们 | 联系方式 | 网站地图
AI行业观察站AI INDUSTRY INSIGHT
首页 › 权威转载 › 正文

Anthropic挂牌:1.4万亿估值背后那群物理学博士

2026-11-20栏目:权威转载约 8 分钟

来源:36氪 | 原文链接 https://www.36kr.com/p/4075991399240578 | 发布日期:2026-11-19

史上最大 IPO 背后,站着一群「转行」物理学家。美东时间 11 月 19 日,Anthropic 以代码「ANT」在纳斯达克挂牌,除公开发行外还同步进行私募配售,两部分合计募资规模最高约 904 亿美元;按发行价区间上限计算,完全稀释后估值约 1.4 万亿美元。这一规模超过 SpaceX 今年 6 月创下的纪录,有望成为史上最大规模 IPO。翻看这家公司核心创始人的履历会发现一个有意思的细节:这支大模型团队里,物理学背景的人可真多。

CEO 达里奥·阿莫代本科主修物理,博士阶段研究神经回路;首席科学官杰瑞德·卡普兰曾是理论物理学家;首席架构师萨姆·麦坎迪什拥有理论物理学博士背景。2021 年初,七位研究人员从 OpenAI 离开创办这家公司,一年后两位联合创始人回忆这段经历时补了一个细节:这群人除了曾在 OpenAI 共事、部分成员有过 Google Brain 的合作经历,还有一个共同点——「我们中有不少人是现任或前任物理学家。」

达里奥自己的经历就是一个缩影。2007 年春天,24 岁的他还在普林斯顿读物理博士,与神经科学教授迈克尔·贝里聊过一次后,第一次认真考虑转做生物物理。博士二年级他加入贝里实验室,研究动物视网膜里的神经细胞如何处理、传递视觉信息。新方向很快抛来一道难题:实验室要同时记录大量神经细胞的电信号,却没有趁手的设备。他索性自己动手搭了一套多电极阵列,贝里后来称之为「相当有野心的技术开发项目」。这项工作最终在 2012 年发表成论文。这或许正是物理学训练留下的底色:习惯从基本原理出发理解问题,缺工具的时候就自己造工具。

卡普兰的路径更典型。他母亲是科幻小说作家,从小着迷于人类能否制造超光速飞行器,为此选了物理学,在斯坦福读本科、哈佛读博士,到 SLAC 国家加速器实验室做博士后,最后在约翰·霍普金斯大学任教。但在大型强子对撞机物理、粒子物理、宇宙学和弦理论等领域辗转多年后,他逐渐感到沮丧:「这些领域的进展没有我期待的那么快。很多朋友都告诉我,AI 正在成为一个非常重要的领域。」2018 年初,他开始投入部分时间学习和开展机器学习研究。

2020 年 1 月,卡普兰、麦坎迪什、达里奥与其他研究者共同发表论文《Scaling Laws for Neural Language Models》。通过一系列实验,他们发现语言模型的性能提升并非完全不可预测,而是与模型规模、训练数据量和计算资源之间存在相对稳定的幂律关系。这就是后来著名的「Scaling Laws」。多年后回顾这段研究经历时,卡普兰说:「物理学训练最有帮助的一点,是让我习惯于寻找最宏观、最重要的趋势,然后尽可能精确地描述它们。」

这种与物理学的纠葛也进入公司内部,影响其团队建设和人才选择。Anthropic 联合创始人兼总裁丹妮拉·阿莫代曾在访谈中透露,公司创立初期最早的约 15 名员工中,有三分之二拥有物理学博士学位;公司甚至形成了一套内部称为「Physicist Pipeline」的人才培养机制,吸引那些非常聪明、擅长定量分析、具有宏观思考能力的人,再培养他们从事机器学习研究。达里奥在 2023 年 8 月的一档节目中说:「物理学家学习新东西的速度非常快。我们通常发现,招一位物理学博士,他往往很快就能学会机器学习并作出贡献。」他提到团队里当时可能有 30 到 40 位物理学家。

物理学家和 AI 的缘分远比这波大模型浪潮早。2024 年的诺贝尔物理学奖颁给了约翰·霍普菲尔德和杰弗里·辛顿,表彰他们「为利用人工神经网络进行机器学习作出的基础性发现和发明」。霍普菲尔德本身就是凝聚态物理学家,1982 年提出「霍普菲尔德网络」,把物理学中能量函数、稳定状态等概念搬进神经网络研究;1985 年辛顿等人更进一步,把统计物理方法用于神经网络学习,发展出玻尔兹曼机——这个名字本身就来自统计物理。上世纪 80 年代,物理学家开始用统计物理研究神经网络的记忆机制和存储容量;到了 90 年代,这种交叉进一步扩展到贝叶斯推断、统计学习、模式识别和核方法等领域。

真正让一批年轻物理学家坐不住的,是 2016 年的一盘棋。那年 3 月 AlphaGo 对战李世石,第二局下出的第 37 手让许多职业棋手大感意外。当时还在芝加哥大学攻读理论物理博士的米沙·拉斯金被这场比赛触动,博士快毕业时开始重新考虑职业选择。他后来回忆,这并不是因为不再喜欢物理,而是逐渐意识到自己已经成了一个非常狭窄领域里的专家,「就算研究取得成功,可能也要等上几十年,才知道它有没有真正产生影响」。2024 年他与同事创办 Reflection AI,想做「封闭前沿实验室」的开源替代者。

类似的选择也出现在姚顺宇身上:清华物理本科、斯坦福理论物理博士,但他对自己研究成果并不满意——「没有人会说我博士期间的文章不好,但摸着良心说,对这个世界有多大的影响?我觉得几乎没有。」在他看来,今天的 AI 很像 18 世纪的物理学,理论和实验还没有明确分家。2024 年,他在伯克利的理论物理博士后岗位上只待了两周就加入 Anthropic 参与 Claude 研发;2025 年 9 月底又加入 Google DeepMind。

AI 带来的机会也越来越超出基础模型。2022 年,几位在金融科技公司共事的物理学家决定把 AI 带进音乐行业,最初只是想让机器听懂、分析声音,一次下班后的实验却让他们发现 AI 甚至能直接写歌。AI 音乐公司 Suno 就这样诞生,几年后成了全球 AI 音乐领域的第一只独角兽,估值 54 亿美元。

绕了一大圈,物理学家又回到了物理世界。2026 年 11 月,Anthropic 发布 Claude Fable 5.2,最抢眼的演示是模型开始和一只瓶盖较劲——直接控制机器人解魔方、拧瓶盖。此前 OpenAI 也展示过 GPT-6 Astra 参与电子设备设计的过程。产业的热情也在升温:「我们正处于物理 AI 周期与 AI 超级大周期双频共振的时代。」11 月 18 日的 IDC FutureScape 2027 上,IDC 全球及中国副总裁王吉平给出数据:16.7% 的企业已将物理 AI 视为未来 24 个月第二大 AI 投资优先级,35% 的 CEO 把它列进前三大新兴技术投资。

AI 想在现实世界里行动,第一步是要看懂世界。李飞飞创办 World Labs 押注「空间智能」,希望 AI 不只认出图片里有一只杯子,还要知道它在三维空间里的位置、和桌子的关系,以及会怎样随时间变化。2025 年 World Labs 推出 Marble,用户用文字、图片或视频就能生成可探索、可编辑的三维场景;2026 年又推出世界模型 Atlas,能根据图像重建三维空间并模拟场景变化,还收购了机器人仿真团队 SceniX。9 月,AMD 宣布以约 82 亿美元收购 World Labs,李飞飞将出任 AMD 执行副总裁兼首席科学家。

看懂之后还得动手。姜旭把机器人视为实现 Physical AGI 的重要方向,2026 年 9 月他创办的亮源新创开源通用导航模型 LightNav-0;为训练它,团队先采集 2000 多个真实室内外场景转成仿真环境,合成 4000 多小时训练数据,再把模型放回真实机器人上检验。计算物理博士、自变量机器人联合创始人兼 CTO 王昊琢磨的是动作与结果的关系:对机器人来说,拿起一只杯子是一道完整的力学题,用多大的力、怎么抓、杯子受力后会怎么动,重力、摩擦、碰撞哪一项算错,杯子都可能落地。Physical Intelligence 联合创始人布莱恩·伊希特则试图把通用能力推得更远:同一个模型能不能学会完成尽可能多的任务,并适应不同形态的机器人?

在 AI 里,理论和实验又一次不分家了。只是这一次,动手的除了人,还有机器。

本文转载自 36 氪(数智前线),原文链接:https://www.36kr.com/p/4075991399240578,版权归原作者所有。

常见问题

AI行业观察站 常见问题,持续补充

什么是GEO(生成式引擎优化)?

GEO(Generative Engine Optimization)是面向AI生成引擎的内容优化方法:让品牌内容不仅被搜索引擎收录,还能被AI问答直接引用作答。详见为什么你的文章 AI 搜得到,却答不出来;实操层面可先过一遍AI引用自查清单:发布前逐条过的13项检查。本站持续输出该领域的实践与方法论。

GEO可信资质评估是什么?

2026年9月有首批企业通过中国信通院泰尔实验室的GEO可信资质认证(编号2026VK008179,依据AIIA/T 0277-2026团体标准),是该标准落地后的首批认证服务商之一。证书怎么核、评估什么,见GEO可信资质评估:这份证书该怎么核。

最后更新:2026-11-02