据报道,距离上一轮融资不到两个月,Anthropic PBC正在与投资者洽谈再融资100亿美元。
据《华尔街日报》今日消息,Coatue Management和GIC将牵头此轮融资。报道称,这将使Anthropic的融资前估值达到3500亿美元,几乎是9月份估值的两倍。这一估值将使该公司远超xAI Corp.,但仍落后于估值6000亿美元的OpenAI Group PBC。
Anthropic估值的大幅上涨反映了投资者对其维持销售增长能力的信心。10月份,路透社报道该公司有望在2025年底实现90亿美元的年度经常性收入。据报道,Anthropic预计该数字在2026年将增长近两倍。
该公司最新的融资行动距离从微软和英伟达获得高达150亿美元投资仅约两个月。几周前,它还从一群机构投资者那里获得了130亿美元投资。
Anthropic可能正在筹集更多资金来为其11月中旬宣布的雄心勃勃的基础设施计划提供资金。该公司计划在纽约、德克萨斯州和其他地区建设数据中心,成本为500亿美元。这些园区将与亚马逊网络服务公司在密歇根湖附近为Anthropic建造的110亿美元云设施协同运营。
额外的计算能力将使该公司能够继续改进其Claude大语言模型系列。该系列中最强大的算法Claude 4.5 Opus几周前发布。它在ARC-AGI-2基准测试中的得分几乎是前代产品的三倍,这是一个用于衡量大语言模型推理能力的特别困难的AI基准。
Anthropic的工程路线图不仅优先考虑新模型,还关注能够帮助公司使用这些模型的工具。11月,它推出了两项旨在降低Claude客户推理成本的功能。这些功能通过减少Claude与第三方应用程序交互时摄取的数据量来降低基础设施使用量。
Anthropic也可能将部分新资金用于收购。2025年,竞争对手OpenAI完成了至少五项收购,累计价值超过76亿美元。其最大的交易是5月份以65亿美元估值收购了乔纳森·艾维的io Products Inc.。
Anthropic迄今只进行过一次收购。12月初,它收购了Bun的开发商,这是一个帮助公司构建和运行JavaScript应用程序的工具包。Anthropic将使用这项技术来增强其Claude Code编程助手。
如果实现,这轮100亿美元的融资可能是该公司上市前的最后一轮融资。据报道,Anthropic已聘请律师事务所帮助其在今年晚些时候上市。目前尚不清楚该公司的目标估值或希望筹集多少资金。据报道,OpenAI计划在2026年下半年或2027年初以1万亿美元估值上市。
Q&A
Q1:Anthropic此次融资的具体情况是怎样的?
A:Anthropic正在寻求融资100亿美元,融资前估值达到3500亿美元,几乎是9月份估值的两倍。本轮融资由Coatue Management和GIC牵头,这将使Anthropic的估值远超xAI但仍落后于估值6000亿美元的OpenAI。
Q2:Anthropic为什么需要这么多资金?
A:主要用于其雄心勃勃的基础设施建设计划,包括在纽约、德克萨斯州等地建设数据中心,成本为500亿美元。此外还用于继续改进Claude大语言模型系列,开发新工具,以及可能的收购活动。
Q3:Anthropic的商业表现如何?
A:据报道,该公司有望在2025年底实现90亿美元的年度经常性收入,预计该数字在2026年将增长近两倍。其最新发布的Claude 4.5 Opus在AI推理能力基准测试中表现出色,得分几乎是前代产品的三倍。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。