一、一场版权官司，“晒出”五年前的最高机密

最近，一起版权官司意外带出了一份尘封五年的文件——Anthropic在2021年7月写就的内部研究路线图《Concise Research Roadmap》。这份PDF正文仅两三页的文件，当时被标注为“最高机密”。该文件由联合创始人Jared Kaplan执笔，成文时公司成立仅约半年，融资金额只有1.24亿美元，距离ChatGPT发布还有16个月，距离首款产品Claude 1发布还有20个月。2021年5月，Skype联合创始人扬·塔林（Jaan Tallinn）、谷歌前CEO埃里克·施密特（Eric Schmidt）等向这家新公司投出了1.24亿美元的A轮融资。

彼时的Anthropic刚刚从OpenAI独立出来几个月，全员只有十几个人。但把这份文件从头读到尾，今天的Claude Code、工具调用（Tool Use）、AI自我评判（Self-Judging）、测试时计算（Test-time compute），甚至上万亿参数与超长上下文，都已被白纸黑字写在里面。目前，这份路线图的原始PDF文件已可在网络上公开查阅。

二、路线图写了什么：从“软件工程师同事”到万亿参数

原型定位：一个“软件工程师同事”。在路线图开头，Anthropic为终极目标“安全且有益的AGI”立下了一个非常具体的原型：做一个能通过自然语言与人类交互、创建、编辑和解释软件的通用AI助手——能回答通用问题、写函数、找Bug、设计API、讨论代码风格与最佳实践，并且“要展现出一个软件工程师同事的全部能力”。在GPT-3刚刚走红、业内还在惊叹AI能写藏头诗的2021年，Anthropic直接跳过了简单的代码自动补全逻辑，瞄准了完整的软件工程代理。“对话式软件工程师助手”，也就是今天Claude Code的雏形。

AGI路径与规模化雄心。路线图给出的技术路径是：做能长期记住信息的大型生成式模型，结合自动化奖励与人类反馈的强化学习完成微调。文件还要求为万亿（1T）参数规模的模型做准备，研究极高的GPU利用率、TPU与Trainium芯片适配、块稀疏注意力封装与权重安全防护。在那个175B参数还是“庞然大物”的年代，这家十几人的公司已经把万亿参数与海量信息承载能力当成了“标配基建”。

数据战略。训练数据采用“语言+代码”双料基座，并覆盖Diff、PR（Pull Request）、调试记录、运行评估结果等软件开发全流程数据。

工具使用与强化学习。路线图明确规划了“用强化学习训练工具使用”（RL for Tool Use），应用场景包括信息检索、printf调试等，用于验证模型能否从“生成答案”走向“借助工具完成复杂任务”。

长上下文与信息承载。文件提出探索超长上下文（Very large contexts），以及其他能容纳海量信息与经验的机制。

对齐与自我评判。在人类反馈与对齐部分，文件写明要让“模型自我评判”——研究如何让模型评估自身行为与输出质量，并把模型自己的判断作为反馈信号，这正是今天AI Feedback与推理模型自我纠错的核心思想。如今大模型研究中极其重要的“测试时计算”（Test-time compute）概念也出现在文件中，当时这项研究被放在对齐与判别器研究的语境下。

可解释性。路线图规划由可解释性研究的代表人物Christopher Olah主导，拆解模型内部的神经元、注意力头与功能回路。

Agent安全。文档用了相当长的篇幅讨论安全。联合创始人Sam McCandlish在批注中发问：“怎么安全地部署没有沙箱隔离的工具？”CEO达里奥·阿莫迪（Dario Amodei）紧接着跟帖：“具体来说，就是在部署时执行代码的Tool！”今天全网讨论的Agent提权、环境逃逸、数据污染，这家公司2021年就在讨论沙箱边界了。

三、内部争论：先演示工具，还是先做编程助手

路线图批注中记录了一场路线之争。研究员Andy Jones在批注里抛出核心分歧：到底该先做真正好用的编程助手，还是先证明工具调用的可行性？当时摆在团队面前的有“实用路线”——代码仓库检索（Repo Search），让AI去翻项目的类型定义。

GPT-3论文一作、联创Tom Brown认为仓库浏览是简单、高价值的切入点；系统与可解释性科学家Nelson Elhage预判“自动查找项目里的类型定义”会极具用户价值；Dario最终定调：短期先演示工具使用，长期打造最强编程助手，他还提出做类似Google Docs的自然语言编辑器。

另一条重要批注来自对齐科学家Amanda Askell。她严肃警告：如果在自然语言上做对齐研究，却主要在代码上推进模型能力，那么这两种研究必须时刻保持紧密联系；如果不在能力提升的领域做对齐研究，就会限制对齐测试的有效性，甚至可能让对齐研究变成“一座孤岛”。

四、五年兑现：路线图与产品线一一对应

2022年，ChatGPT发布约半个月后，Anthropic发表“宪法AI”论文，用一组原则加模型互评替代部分人工标注——与路线图中“自动化奖励加人类反馈”的思路一脉相承。2023年3月，Claude 1发布；5月，上下文窗口从9K token扩至100K，而当时GPT-4仅支持32K；9月，公司出台首版“负责任缩放政策”（RSP）；这一年，谷歌先后投资3亿美元与20亿美元，亚马逊也宣布了40亿美元的投资，融资节奏显著加快。

2024年，Claude 3系列发布，Opus在长文本上首次超越GPT-4；5月，团队用稀疏自编码器（SAE）从模型中提取3400万个特征，定位并操控“金门大桥”“程序漏洞”等概念对应的内部回路——这正是路线图中可解释性方向的落地；6月，3.5 Sonnet追平GPT-4o，10月在SWE-bench Verified基准上超越所有闭源对手；10月发布Computer Use（计算机操作）能力；11月开源MCP协议，2025年初OpenAI、谷歌相继跟进；到2024年底，公司年化营收突破10亿美元。

2025年2月24日，Claude 3.7与Claude Code同日亮相——五年前“软件工程师同事”的构想正式成为产品；5月，Claude 4系列可连续编程数小时；9月，Claude Sonnet 4.5被评估达到初级工程师水平。资本市场的认可同步到来：2025年3月，公司完成35亿美元融资，估值达到615亿美元；9月，又完成130亿美元F轮融资，估值升至1830亿美元。进入2026年，Anthropic在5至10月密集更新5.5全系列，MCP成为行业事实标准，与OpenAI、谷歌形成三强领跑格局；2月完成300亿美元G轮融资，投后估值3800亿美元；5月再完成650亿美元H轮融资，投后估值达9650亿美元，成为全球身价最高的大模型初创公司，IPO进程也已提上日程。

【图表：Anthropic估值跃迁（2021—2026）】

从2021年创立初期仅6.23亿美元的估值，到2026年5月H轮融资后的9650亿美元，Anthropic的估值在五年间放大了超过1500倍，且每一次跃升都与路线图方向的兑现节点高度重合。

【图表：《Concise Research Roadmap》关键方向五年兑现时间线】

从2021年7月路线图成文，到2025年2月Claude Code发布，编程助手、工具使用、长上下文、可解释性、安全治理等方向在四年间逐一落地，与文件规划的节奏高度吻合。

五、成绩单：路线图承诺的“兑现度”

从公开数据看，这份路线图的兑现程度相当可观：

- 截至2026年5月，Anthropic代码库中超过80%的合并代码由Claude撰写，而在2025年2月Claude Code发布之前，这一比例还只是个位数；

- 2026年第二季度，工程师人均合并代码量达到2024年的8倍；

- Claude可独立完成的任务时长，从2024年的约4分钟提升至Mythos Preview的至少16小时，开放式编程任务成功率在六个月内提高50个百分点至76%；

- 在优化小模型训练代码的内部测试中，Claude的提速幅度从2025年5月Opus 4的约3倍，升至2026年4月Mythos Preview的约52倍，而一名熟练的人类研究员需要4至8小时才能达到4倍；

- 在一项开放式研究课题中，Claude驱动的智能体用约800小时、1.8万美元的算力，弥补了97%的目标性能差距，而两名人类研究员一周仅弥补约23%；

- 商业层面，Claude Code自2025年5月全面开放后年化收入已超25亿美元，2026年初以来年化收入翻了一番还多，企业订阅用户增长了四倍；

- 安全层面，“宪法”行为准则与负责任缩放政策构成治理框架；2025年10月披露的安全评测显示，Claude Haiku 4.5在调整系统与工具提示后，对恶意请求的拒绝率从69.39%提升至99.17%。

六、远见，还是运气？

路线图曝光后，“穿越”“早有预谋”成为网络热议的关键词。但复盘Anthropic的历史，这个“剧本”的执行并非一帆风顺。Anthropic选准coding方向“一半是远见，一半是运气”：公司早期融资一度很不顺利，没有那么多钱，就必须用更高效的方式向AGI迈进，当时内部认真研究过“如果只能选一个方向，coding可能是最好的选择”；融到钱之后，coding这条线反而一度被搁置，先去做了更通用的模型底座；直到ChatGPT爆火、C端被OpenAI抢先，Anthropic才转向toB战场，并在训练Claude 3时有意识地强化coding能力，直到Sonnet 3.5拿到很好的市场反馈后，才坚定地沿这条路押注。

值得注意的是，Anthropic有4位联创是scaling laws论文的核心作者，它也是头部实验室中最相信scaling定律、把预训练和数据做得最扎实的公司。这意味着，2021年那份路线图更像是把“确定性趋势”提前写下的作业计划——剩下的，只是用五年时间把它一项项做完。

这些方向如今已成行业共识，但真正能把这些研究路线做出来、不跑偏，才是真的了不起。对整个行业而言，这份意外曝光的文件留下的最大悬念或许是：当下各大实验室的机密路线图里，又写着怎样的五年？