Anthropic为何如此反华

news2026/5/24 9:11:37
美国政客对中国进行科技封锁本不是什么新闻。但一个商业公司宁可损失上亿美元的收入也要禁止中国人访问他们的AI就有点魔症了。我们不禁要问为什么我们现在看到Anthropic的CEO Dario Amodei在所有场合都持强硬的反华立场不免感觉有些奇怪。他天生与中国人有仇其实还真不是。2014年~2015年底Dario还在百度的硅谷AI实验室SVAIL工作过。他的同事也大多是中国人或者华裔就是一个正常的科技工作者而他离职也没有表现出与政治立场有关的迹象。2020年Dario离开OpenAI创立Anthropic一直到2023年都没有发表过与中国有关的言论。2023年7月26日他在美国参议院司法委员会听证会时第一次在公开场合将 AI 与中国地缘政治竞争挂钩。他在证词中暗示 AI 是国家安全问题需要防止专制国家获得前沿 AI 能力。虽然措辞相对克制但方向已经明确。2024年10月他发表《Machines of Loving Grace》直接提出了对中国AI进行技术封锁。这时其反华意识形态基本成型。2025年1月在DeepSeek发布后他发表了《On DeepSeek and Export Controls》这是他j最极端的公开言论。随后一直小动作不断他不光为美国反华政客出谋划策也极力封禁中国企业和个人访问Claude模型。看他的行为你会发现他既不符合一个程序员的思维模式也不符合一个商人的思维模式甚至都不符合一个政客的思维模式。我真怀疑他是真正相信自己说的那一套东西是正确的。一个有认知偏差的高智商理想主义者对社会对人类是危险的。好好一个人在OpenAI里干了几年怎么就长偏了呢我们得从一个理想主义运动说起EAEffective Altruism是什么Effective Altruism直译就是“有效利他主义”。我们从头开始源起一切的起点可以追溯到 1972 年。澳大利亚哲学家 Peter Singer 发表了一篇改变伦理学走向的论文——《饥荒、富足与道德》Famine, Affluence, and Morality。他提出了一个著名类比如果你走路时看到一个小孩在池塘里溺水你完全可以跳下去救他——代价只是弄脏你的衣服。如果你不救那你就是不道德的。同理地球上每天都有儿童死于贫困而你花在奢侈品上的钱本来可以救他们。这个论证的逻辑结论极其激进你有道德义务把收入中超出基本需求的部分捐给最有效的慈善机构。也许你会说这也没有什么特别的啊就是让人捐款而已1972年之前有人劝捐1972年之后也有人劝捐这个Singer有什么特别的吗其实还真有点不一样。Singer 做的事情本质上不是劝你捐款而是用一个逻辑论证强迫你承认不捐款是不道德的。这是关键区别。传统慈善的逻辑是如果你愿意捐款那是好事你是一个善良的人。做了值得表扬不做也不该被批评Singer 把这个逻辑翻过来了如果你不捐款你就是在杀人。不是比喻是字面意义上的杀人。这就是EA的起点不是劝捐而是把捐款变成了一个严格的道德义务。发展2000年~2012年牛津大学成为 EA 运动的真正孵化器。众多学者和社会活动家在“强制捐款”的基础上为EA运动增加一些附加条件成立了多个社会组织和机构形成了多种流派。总结一下有以下几个特点第一用带有功利主义的“成本效益”决定捐款方向普通人行善是基于同情心但EA的逻辑不同它认为同情心是不理性的它可能会让钱浪费在低效的慈善上。比如说一种传染病来了你可以用1万元去抢救一个重症患者也可以用这个1万元给1千个健康人打疫苗保证他们的安全。看到重症病人的痛苦人们往往基于同情心会用这钱去抢救患者但EA要求你选择后者。看到这里你是不是想到了著名的电车难题对就是这个。让普通人为难的选择对EA来说不是问题。如果被绑的那一个人是“天才”比如是Dario那么肯定去压另外5个人。如果都是普通人那就让那一个倒霉鬼去死吧。你肯定说凭什么啊别急EA会用各种论文来证明他们才是对的他们会提出一系列量化的算法证明让你死是对的。这就又引入了下一个特点第二用“长期主义”重新定义谁值得帮助“长期主义”通俗地说就是EA要求慈善不能“短视”。比如说我有一个亿买粮给饥荒中的非洲人能救活几千万人但是如果捐给农业研究所研究出一种高产粮食能在随后多养活几十亿人那就可以牺牲当前的几千万人。正式成型2011年最有名的两个组织决定合并。他们投票选了一个名字Centre for Effective Altruism有效利他主义中心。从此EA成为一个正式的身份标签。2013年起EA Global大会每年举办。进化从上面的两个原则我们能看出EA占据了道德至高点。但是大家也不是傻子你说自己的圣母大家就信你于是2012年EA组织进化了一个新的原则第三 “行善”可以是一种身份和职业普通慈善是你生活的一部分——你赚你的钱偶尔捐一些出去。现在EA提出了Earning to Give赚钱为了捐理念。不是你赚了钱捐款而是为了捐款而设法赚钱。行善不再是你在生活中做的事而是你存在的全部理由。其实说人话就是只要是行善的目的你可以不择手段地赚钱。异化一个MIT的本科生Sam Bankman-FriedSBF实践了此理论他先是做量化交易然后在2019年创立了加密货币交易所 FTX。然后SBF成为EA社区的超级金主。2022年FTX暴雷SBF的捐款其实是挪用客户存款的结果。SBF被捕最终被判25年监禁。EA和Dario有什么关系上面谈了很大篇幅EA你也许奇怪这和我们的主题不相干啊。其实关系还是有的。根据上面EA的理念你很容易明白他们会大量投资于AI产业因为这非常符合EA的长期主义和功利主义原则。EA是OpenAI的早期最大捐赠方之一Dario加入OpenAI时就与他们有接触。而2017年开始Dario的姐姐嫁给了EA的核心成员之一并且与Dario合住可以说是深度参与EA社区了。2021年创立Anthropic后SBF在2022年向其投资了约5亿美元。你看对于一个程序员直男来说EA的理念通过亲情、友情围绕着他生活工作中都被影响。而且最终还收到5亿美元的真金白银。怎么可能不被潜移默化呢更何况EA运动还占据了道德至高点。Dario成为EA运动的核心人物一点也不奇怪。这和反华有什么关系我们模拟AI的思维链来捋一捋这里的逻辑关系大前提基于EA长期主义的理念推理过程无懈可击问题在于前提1过于极端前提2是价值观而非事实前提3未免简化而夸大前提4逻辑未免过于跳跃。但Dario的智商毋庸置疑——普林斯顿生物物理学博士GPT-2和GPT-3的核心负责人Scaling Law缩放定律的联合作者。但他身上存在一种高智商者的典型缺陷他的推理能力太强了强到他能为自己做的一切事情都构建出无懈可击的论证。加上EA那种为目的不择手段的风格用一句中国的古话来说就是 “智足以拒谏言足以饰非”。他的智力越高就越擅长为有偏差的结论构建完美论证从而让自己更加坚信——而周围的人也越难提出反驳。这是一种高智商版本的确认偏误。一旦Dario开始了这个起点自然一切都会走向一个自我强化的正反馈之中。他的生活圈子和工作圈子里全是反华人士。要知道Anthropic 是唯一一个将政策团队深度嵌入华盛顿的主要 AI 公司。在华盛顿的圈子里反华才是政治正确。在这种环境里中国是威胁不是一种需要论证的立场而是一种空气般的存在前提。你当然不会质疑空气的存在。凭什么Anthropic凭什么这么狂妄凭他手头的Claude模型是“最强的AI”这是他自己说的现在排名得分也是如此。你看任何一个当前的大模型榜单Anthropic的产品Claudet系列都名列前茅。你肯定会奇怪2019年Dario从OpenAI出走时OpenAI的ChatGPT已经如日中天。但在短短的时间内Claude异军突起一下子超越了ChatGPT在各种榜单出力压老东家的产品。他是如何让Claude后来居上的首先我的看法是Claude只是在特定领域占据了显著优势。比如说编程方面和agent自主调度方法。而在多模态和产品生态上其实是非常落后的。但他的确建立了自己独特的优势。原因一Anthropic 的创始团队本就是 GPT 的核心缔造者他不是从头开始而是带了一批核心成员离开的。很明显就不必从零开始。而是站在OpenAI的肩上OpenAI走的弯路不必再走踩的坑不必再踩。而且硬件的特点就是折旧率高后买的显卡性能更强价格更低所以他能拿更少的钱买更多的算力。先行者的资产反而成了累赘。所以Anthropic的后发而先至也是可以理解的。原因二Constitutional AI 是真实的技术优势这是 Anthropic 的核心创新。Constitutional AI直译为“AI宪法”你可以理解为阿西莫夫的“机器人三定律”。传统的AI训练方法是让人类标注员来对模型进行判断打分而Constitutional AI来对模型进行判断打分。相当于高考的人工阅卷改成了机器阅卷。这不是简单的换了个训练方法而是从根本上改变了模型对齐的范式。它让 Anthropic 在对齐训练上比传统大模型更高效。原因三专而精这就是我一开始说的Anthropic把几乎所有的资源都集中在文本理解和生成、编程能力、长上下文推理、指令安全上。尤其是在编程方面赢得了广大程序员的喜爱。而对图像、声音、视频等多模态涉猎甚少。做精一个领域是一种商业策略其实也是一种方法论上的无奈。因为编程是 LLM 能力中最可验证的领域而且代码也是最规范的文本不规范的代码根本跑不起来。这就使得Constitutional AI变成可行。在其它领域Constitutional AI既难写又难以验证。原因四scaling 策略Dario Amodei 是 scaling law缩放定律的联合作者。他比任何人都清楚模型性能不是简单地堆算力就能赢。所以他能在相同的算力下用丰富的经验合理地分配参数量和数据量之间的资源。Claude真的遥遥领先吗Anthropic将自己包装为最安全的AI、编程最强的模型。但如果看实际数据图景远没有这么乐观。他最强的是编程领域但即使在这个领域你如果查SWE-bench Verified得分的话各个模型之间也咬的很紧而且在某些细项上各家模型也各有胜负。Anthropic并没有建立绝对优势。对他而言更糟的是中国大模型以另外一种方式追上来了。2025年1月DeepSeek让美国AI行业引发了斯普特尼克时刻级别的震动。不是因为模型能力而是DeepSeek训练模型中的创新。怎么办反华的公司很多反华的人也很多。我们本不必在意。但是一个有强大力量的疯子总是危险的。尤其是这个疯子不是一个人的疯狂而是一类思潮的反动。我在以前的文章里提到过“科技右翼”的黑暗启蒙。如今又来一个占据道德高点的EA。美国社会如今真是妖魔鬼怪盛行啊。这两派在理念上其实是相反的但是殊途同归在对人类造成的风险其实都是一样的。他们的本质相同都是“傲慢”基于自身认知的傲慢基于自身种族的傲慢。能改变历史的人几乎都具有同一个特征有能力 绝对自信 崇高使命感。Dario就是样种人。他坚信自己在保护人类的未来——而当你认为自己的事业是人类最重要的道德项目时你就为自己的一切行为开了一张无限额的道德支票。封杀研究者、游说出口管制、深度嵌入军事体系——在拯救数十亿未来人的天平上这些不过是无足轻重的筹码。真正危险的从来不是明知自己在作恶的人而是真诚地相信自己在行善的人。因为后者没有刹车——他不会被良心阻止因为他确信自己就是良心本身。讽刺的是一个以安全为使命的人最终成了全球AI安全格局的破坏者。把安全定义为美国的安全而非全人类的安全制造了更多不信任。对于这种人愤怒和抗议都是无力的。他们是偏执的疯子解药是用实力打他们的脸。就像胡屠夫治范进一样用大耳瓜才能让他们从癔症中清醒。面对这类人唯一有效的办法是在技术上彻底打败他。他的整个世界观建立在只有美国才能安全地掌握AI这个前提上。这个前提越看起来像真理他就越偏执。而打破它的唯一方式就是让中国的大模型一次又一次地证明——我们不但能做出来而且能做得更好。每一次中国模型在基准测试中超越Claude都是对Dario世界观的一次冲击。每一次中国团队用创新架构实现更高训练效率都是对芯片是唯一优势论断的一次反驳。尽管中国的大模型现在可以说是百花齐放但我仍是只看好DeepSeek。哪怕DeepSeek某些能力不一定强过GLM和Kimi。但他是唯一从架构上有可能从追赶者变成领跑者的。不是说GLM和Kimi不优秀而是在现在模式下开源与闭源相比其实是天然占劣势的。你发布了一个新模型发表了论文说明了其创新之处闭源模型很快就把这些创新抄了过去然后又通过算力在硬件上的优势将自己模型的性能大大提升一个档次。而DeepSeek不一样。他开启了自己的生态和模式而在这些新生态上的任何创新就有了自己的护城河。比如说DeepSeek V4在FP4量化上的创新对于Nvidia显卡可能用处就不大。而后续更多基于CANN生态的特点更是会让那些美国公司陷入一种两难处境。在这种情况下开源的优势才能真正转化为生态的优势。在AI技术领域才可能真正超车。一个偏执狂的叫嚣不可怕可怕的是你真的不如他强。当你真的比他强了他的叫嚣就只是噪音。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2640383.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…