群像

Module 08 · People

不止创始人：谁贡献了哪条不可替代的判断

每个人物条目必须写清任职时间与发言身份：离职后的发言不代表公司立场，入职前的发言也不能算作公司认知。这条纪律在人物章节里最容易被忽略。

怎么读这一章创始层研究负责人可解释性团队对齐与安全团队政策与公共写作产品与工程发现一 · 沉默光谱发现二 · 双向信号利益冲突任职与身份对照表我的看法


  
  
  
  **第一维 · 来源距离**（药丸形）：这份材料离原始出处有多近。本章的人物引语只在能定位到**本人书面文本、官方转录或官方字幕**时才加引号。


  
  
  
  
  
  
  **第二维 · 结论独立性**（方角 + 五格进度条）：这个结论被谁验证过。**在人物章里这一维尤其容易被忽略**——一位安全研究员对自己实验的解读，来源当然是一手的，但它**不是独立结论**。
  🔴 **本页大量第二维标的是「不适用」，这是经过论证的决定，不是漏标。**判据是同一句话：**这条陈述如果为假，是因为「他没这么说 / 没这个职位」，还是因为「事情不是这样」？**人物群像的主体是**言论与任职事实**——某人在某时以什么身份说了什么、何时到任离任、某句引语的说话人是否已确认。这类陈述的真值条件是前者，已由第一维（来源距离）与逐条的任职时间、发言身份、字幕类型完整回答。给一个人的观点或一次任职挂上「公司自产 / 已独立复现 / 第三方审计」是**范畴错误**——那四档衡量的是「谁做的实验」，而这里没有实验。**凡本页真正涉及经验测量的——两年留存率对照、Safetywashing 的基准相关性、FLI 评分——都补了实质第二维。**标「不适用」而不留空，是为了让缺席有明确含义：**没有第二枚徽章意味着「这里还没判定」，不意味着「更独立」。**



  警示 · 本章多数人有双重身份，请带着这个事实往下读
  

本章写的人里，有相当一部分同时是安全研究者和能力开发者——他们研究模型会不会骗人，也在推动模型变强；他们评估自家模型的风险，而这份评估会影响自家模型能否发布。这不是道德指控，是一个结构性事实：这些岗位天然同时优化能力、速度、市场位置与安全签核四件事，而这四件事在具体时刻会互相冲突。

因此本章对人物言论采取一条纪律：凡是「这个人对自己（或自己团队）工作的评价」，都在证据链上比「这个人对别人工作的评价」低一档。本章第 9 节专门用一个对辩处理这件事，其余各处用 徽章提示。**反过来也要说清楚：本报告未见任何证据表明这些人篡改过结果。**问题在结论的独立性，不在诚实度。

  本章速记
  
    

• 这家公司的认知是组织级的，证据是「跨人同构」。哲学家、可解释性负责人、政策负责人在互不相干的场合、用完全不同的语言说出了同一条原则：不要相信我们的善意，去建立能约束我们的机制。⚠️ 但同构不能区分「各自独立收敛」与「一套内部话语被有效传播」——同一家公司的人共享会议、文档、招聘与表述框架，跨人重复本来就是组织社会化的典型产物。

• 最有说服力的不是共识，是内部分歧。同一个「AI 有没有意识」的问题，Jack Clark 明说它对他完全不承重并绕开，Amanda Askell 作为哲学家正面走进去并承认走不出来。这两种处理放在同一家公司里，比任何一致口径都更有信息量。

• 「Sam McCandlish 五年零公开发言」这个流行框架不成立，但真相更耐人寻味。七位创始人的对谈一直公开挂在 Anthropic 官方 YouTube 频道；他极少单独发声，而仅有的一次实质公开发言，出现在一支七人同框、连姓名字幕都没有的公司官方视频里。

• 与之对照的是 Jack Clark 每周雷打不动写 newsletter——到 2026-07-20 已是第 465 期，约 7 万人每周在读。同一家公司里，政策负责人是行业里最高产的公开写作者之一，首席架构师几乎从不单独露面。

• 本章分量最重的几个人，都在评估自己公司的产品。压力测试自家模型、评估自家模型是否值得道德关切、起草约束自家模型的宪法——来源都是一手的，结论都不是独立的。外部审计研究把这称为结构性利益冲突；而这条批评最有力的表述者之一，恰恰是 Anthropic 自己的联合创始人（第 9 节）。

• **2026 年同时出现了高象征性的流入与高象征性的离开。**它招到了 Karpathy 和一位诺贝尔化学奖得主，也送走了一位以「世界处于危险之中」为由、且不去任何竞争对手的安全负责人。两侧都是被挑选出来的著名个案，没有分母——本报告不据此宣布任何一方「赢了」。

• **「两年留存率 80%」是 2023–2024 的数据，不能描述 2026。**本报告对 2026 年的留存率的回答是：没有公开数据，我们不知道。

0 · 怎么读这一章：三种创始人口径，与一条发言身份纪律

人物章节最容易出的两类错误：把「几个人创办了公司」当成有唯一答案的事实，以及把某人在某个身份下说的话当成公司立场。这一节先把口径钉死。

**「Anthropic 有几位联合创始人」没有唯一答案，而且 Anthropic 自己的表述就是可变的。**本报告采用分层口径：

      口径人数名单 / 依据本报告的处理| 口径 | 人数 | 名单 / 依据 | 本报告的处理 |

      
        A · 最常见7 人Dario Amodei、Daniela Amodei、Tom Brown、Sam McCandlish、Jared Kaplan、Jack Clark、Chris Olah**正文默认口径。**它同时被 Anthropic 官方视频的镜头顺序证实| A · 最常见 | 7 人 | Dario Amodei、Daniela Amodei、Tom Brown、Sam McCandlish、Jared Kaplan、Jack Clark、Chris Olah | 正文默认口径。它同时被 Anthropic 官方视频的镜头顺序证实 |

        B · 维基百科8 人在 A 的基础上加 Ben Mann。⚠️ 同一词条正文又写「seven former employees of OpenAI」，**同页自相矛盾**作为口径差异案例点出，不采用| B · 维基百科 | 8 人 | 在 A 的基础上加 Ben Mann。⚠️ 同一词条正文又写「seven former employees of OpenAI」，同页自相矛盾 | 作为口径差异案例点出，不采用 |

        C · Nick Joseph 自述11 人80,000 Hours 官方节目页写他是「离开 OpenAI 去创办 Anthropic 的 11 人之一」；同一节目在 Apple Podcasts 上的描述却写「original cofounder」作为「同一档节目两个渠道两种措辞」的证据引用| C · Nick Joseph 自述 | 11 人 | 80,000 Hours 官方节目页写他是「离开 OpenAI 去创办 Anthropic 的 11 人之一」；同一节目在 Apple Podcasts 上的描述却写「original cofounder」 | 作为「同一档节目两个渠道两种措辞」的证据引用 |

        D · Tom Brown 自述7 + 25「我们一开始是七个联合创始人。大概几个月之内，我想总共有 25 个 OpenAI 的人加入了。」**最权威的一手口径**：创始人 7 人，其余是早期加入者| D · Tom Brown 自述 | 7 + 25 | 「我们一开始是七个联合创始人。大概几个月之内，我想总共有 25 个 OpenAI 的人加入了。」 | 最权威的一手口径：创始人 7 人，其余是早期加入者 |

      
      表 1 · 创始团队的四种口径。**⚠️ 「Jia Yuan Loke」在本轮全部检索中未出现于任何权威名单，不得作为联合创始人列出。**Kamal Ndousse 确为早期研究员，但未检索到把他列为联合创始人的权威来源。
    
  

  
    口径说明 · 一条贯穿全章的发言身份纪律
    

本章每个人物条目都会标注任职时间与发言时的身份，因为这两件事在 Anthropic 语境下经常错位。最典型的三处：① Mike Krieger 自 2026-01 起已不再是 CPO，而是 Anthropic Labs 负责人，任何写「Anthropic CPO Mike Krieger（2026）」的表述都是错的；② Sam McCandlish 自 2025-10-07 起不再是 CTO，转任新设的 Chief Architect，CTO 由 Rahul Patil 出任；③ Andrej Karpathy 的「march of nines」说于 2025-10，而他 2026-05-19 才加入 Anthropic——那句话不能被回溯成 Anthropic 的立场，而且它的论点与 Dario 的时间表相反。

    警示 · 本章会主动说「我们没查到」
    

下面出现的每一条否定性结论——「已确认无 2026 年场次」「未检索到英文官方声明」「无完整长访谈 transcript」——都是核查结论，不是遗漏。本报告在每一处都写明了核查方式与残留的不确定性。这么做的理由很简单：一份人物报告如果只写查到的东西，读者无法区分「这个人没说过」与「我们没找到」。

1 · 创始层：Dario 之外的六个人

本节不重复 ① Dario 思想编年史；只写其余创始人各自贡献的、不可替代的那一条判断。履历只作为发言身份的背书。

Daniela Amodei总裁 · 联合创始人

• 任职2021-01 至今

• 发言身份总裁

• 陈述性质组织与治理主张（公司立场）

• ⚠️ 更正不是「2026 年无公开发言」

**独特认知一：价值观必须制造张力，否则就太寡淡了。**她的组织哲学里，一套不会让任何人为难的价值观是失败的价值观——因为它无法在真正的取舍时刻起作用。与之配套的是她对招聘的判断：她看的是「你持有哪些不寻常的信念」，以及价值观能否被「meme 化」（团队自发引用）并在过期时被「退役」。

独特认知二：PBC 的选择理由是务实的，不是理想主义的。公益公司结构给了董事会在必要时把安全置于回报之上的法律授权；长期利益信托（LTBT）则通过特殊股份控制部分董事席位。这套设计的重点不是宣示价值观，而是让价值观在压力下仍然有法律抓手。

2026 年她说了什么（核查结论）：她有 2026 年的公开发言，但没有完整可得的独立长访谈 transcript。可定位的两处是：Bloomberg Technology 现场对话中关于 IPO 的唯一表态——「我们保密提交了 S-1……遗憾的是，关于 IPO 我只能说这些」；以及 Forbes Australia 的独家专访，发生在正式递交 S-1 前 10 天。⚠️ Forbes 那篇本轮抓取的正文有省略，她关于 Mythos 的直接引语未能完整取得，因此本报告不逐字引用。

Forbes Australia 那篇的收尾判断值得作为外部观察引用：「华尔街的资本结构究竟能否真正容忍『压住 Mythos 这样一个产品』所需的道德定力，仍是一个悬而未决的问题。」这句话把 2026-02 的 RSP 大改与年中的 S-1 递交连成了一条线——时间序列必须如实呈现，但现有证据不足以判定两者之间有因果关系。

Sam McCandlishChief Architect · 联合创始人

• 任职2021-01 至今

• 发言身份创始至 2025-10 任 CTO，2025-10-07 起 Chief Architect

• ⚠️ 归属待核官方字幕不含说话人姓名

**他是全公司唯一几乎从不单独公开发声的联合创始人。**针对性检索（interview / podcast / talk）没有返回任何独立的公开露面记录；搜索引擎返回的所谓「McCandlish 访谈」实际是他人的节目。这是核查结论，不是遗漏。

        口径更正 · 「五年零公开发言」这个说法不准确
        

本报告一度采用「McCandlish 五年零公开发言、唯一材料是内部对谈的中文整理稿」这个框架，核验后予以推翻。事实是：七位创始人的对谈就公开发布在 Anthropic 官方 YouTube 频道上——《Building Anthropic | A conversation with our co-founders》，视频 ID om2lIWXLLN4，2024-12-20 发布，时长 51:49，带官方上传的英文字幕（Kind: captions，非机器转录）。**它不是「内部对谈」，是公司对外发布的内容。**官方简介甚至给出了七人的座位顺序：「From left to right: Chris Olah, Jack Clark, Daniela Amodei, Sam McCandlish, Tom Brown, Dario Amodei, and Jared Kaplan.」

因此准确的说法是：**他极少单独发声，仅有的一次实质公开发言出现在一支七人同框、且连姓名字幕都没有的公司官方视频里。**这比「完全沉默」更准确，也更耐人寻味。

**那段被反复引用的话，通行版本是改写，不是原话。**官方字幕 00:21:31–00:21:58 的逐字原文是：

I think it sort of reflects a view a lot of us have about safety, which is that it’s a solvable problem. It’s just a very, very hard problem that’s gonna take tons and tons of work. — 《Building Anthropic》官方英文字幕 00:21:31 2024-12-20 · Anthropic 官方 YouTube om2lIWXLLN4（核验日期 2026-07-25）

        证伪
        

「This reflects our core view on safety: safety problems are solvable. It’s complex and demanding—but feasible with sustained effort.」

官方字幕逐字为「a view a lot of us have about safety, which is that it’s a solvable problem」。差异是实质性的：**「我们当中很多人持有的一种看法」被改成了「我们的核心观点」，「I think it sort of reflects」这层双重限定被整段删掉，单数的「安全这件事」被改成了复数一般化的「安全问题们」。**一句带三重限定的、试探性的个人观察，被转写成了一句没有限定的公司信条。

误差来源：中文整理稿的英文回译被当作原文沿用。结论方向仍然成立——这句话确实是理解 Anthropic 与「安全不可解」派系分野的关键——但必须用原话并保留限定语。

⚠️ 一处尚未闭合的不确定：官方字幕不含说话人姓名（只用短横线标示轮次切换），因此无法仅凭官方材料确认这句是谁说的。归属来源是一份中文整理稿，它在可被字幕验证的信息（轮次边界与内容顺序）上三轮全中，这构成对归属的间接支持但不是证明。**本报告的处理：内容与逐字标为一手，说话人归属标 ⚠️ 待目视确认。**闭合这一条只需一次目视——官方简介已给出座位顺序，打开视频看 00:21:31 即可定案。

Tom Brown

      Chief Compute Officer · 联合创始人 · GPT-3 论文一作
      

他给出了创始团队规模最权威的一手口径（7 人核心 + 数月内约 25 人从 OpenAI 加入），也是「团队已经知道怎么合作」这条组织优势的提出者。

Ben Mann

      联合创始人 · RLHF/HH 数据与 Constitutional AI 参与者
      

他的独特认知是把职业选择说成一道期望值题：「我在 Meta 的最好情况是赚到钱，我在 Anthropic 的最好情况是影响人类的未来。」另提出「经济图灵测试」作为衡量 AI 经济影响的判据。

⚠️ 法律状态脚注：2026 年 5 月，音乐出版商在诉讼中修订起诉状，把 Dario Amodei 与 Ben Mann 列为个人被告。这是原告指控，尚无个人责任判决；本报告只记录诉讼状态，不据此做任何人格推断。

Nick Joseph

      预训练负责人 · 创始团队成员（口径见表 1）
      

2024-05 他在 80,000 Hours 播客上公开担心 RSP 顶不住商业竞争压力，并说最终可能必须交给外部监管来兜底。**2026-02 的 RSP 大改印证了这个担忧的方向，而外部约束并没有及时到位。**他也是 Karpathy 2026-05 入职后的汇报对象。

Chris Olah 的一段自陈（同一支官方视频）

      官方字幕 00:36:32–00:36:42
      

「And I think, as well, when we did leave, I think I was… reluctant to start a company. I think I was arguing for a long time that we should do a nonprofit instead, and just focus on safety research.」⚠️ 内容已逐字锁定，说话人归属同样需目视确认（官方字幕无姓名）；内容与他 2026 年梵蒂冈演讲的立场高度一致。

    警示 · 一个「转述层层加码」的实例
    

同一支视频里的另一句话，展示了引语在传递中如何自行生长。官方字幕 00:30:42 的原文只有两句：「none of us wanted to found a company. We just felt like it was our duty, right?」中文整理稿给它接了一个从句（“the only viable path to ensure AI develops in the right direction”）；而本报告的调研笔记在转抄这份整理稿时，又自行加长了一截——末尾的「and that’s why we made that commitment」在官方字幕与整理稿里都不存在。

规则因此收紧：凡笔记中的英文引语，若其原始材料是中文整理稿，一律必须回官方源逐字核对，不得沿用笔记里的英文回译。本报告 ⑫ 方法论 收录了这个案例。

2 · 研究负责人

各自的研究主张、与公司整体立场的一致与分歧之处。

Jared Kaplan首席科学官 · 联合创始人 · 前理论物理教授

• 任职2021-01 至今

• 发言身份首席科学官（对外解释公司政策）

• 陈述性质公司立场，非个人观点

• 外部反方竞争压力下的单边承诺论，见第 9 节

独特认知一：不是研究员突然变聪明了，是我们在摇那个曲柄。他从理论物理进入这个领域，带来的不是某个具体技术，而是一种把能力增长当成可外推的经验规律来对待的态度。这个视角让 Anthropic 在很早就把「未来两年会有什么能力」当成可以做规划的量，而不是等待惊喜。

独特认知二：危险能力是通用智能的副产品，不是训练目标。这条的推论很锋利——「只训练良性能力、不训练危险能力」这条路在原理上就走不通，因此安全必须做在能力之后，而不是能力之前。

**独特认知三，也是 2026 年最重的一句：他是那个为放弃硬性安全承诺做公开解释的人。**2026 年 2 月 RSP 大改，取消了「若无法事先保证有恰当缓解措施就不训练 / 不发布」的硬承诺。他对 TIME 的原话是：

We felt that it wouldn’t actually help anyone for us to stop training AI models. We didn’t really feel, with the rapid advance of AI, that it made sense for us to make unilateral commitments … if competitors are blazing ahead. — Jared Kaplan，对 TIME 独家 2026-02 · TIME《Anthropic Drops Flagship Safety Pledge》 ^[1]（访问日期 2026-07-25）

这句话必须放在它的完整语境里读。新版 RSP 的自辩逻辑是：如果一家开发者为实施安全措施而暂停，而其他人继续在没有强力缓解的情况下推进，「拥有最弱保护的开发者将决定节奏」。这是一个诚实的集体行动困境的承认——也是「向上竞争」这套立身理论的第一次公开失败。同一时期的外部批评同样应当如实呈现，Engadget 的说法是：这些话「在真空里听起来足够合理，但你也可以把它们读作：一家火热创业公司的伦理随着估值上升而变灰的最新例证」。证据同时支持两种读法，本报告不替读者做选择。

Sholto Douglas & Trenton BrickenRL / 系统　×　可解释性

• 任职均在职

• 发言身份研究员（非公司发言人）

• 陈述性质个人技术判断，且两人公开互相不同意

• 核查结论已确认无 2026 年 Dwarkesh 场次

这两个人之所以重要，是因为他们同时跨越了 Anthropic 内部最重要的两条轴——Sholto 负责扩展 RL，Trenton 做机制可解释性——所以一场对话里能同时听到「我们怎么让它更强」和「我们怎么知道它在想什么」。而且他们与主持人是私交，说话密度和坦率度远高于正式媒体采访。

独特认知一（Sholto）：RL 的关键不是算法，是反馈回路的可获得性。「如果你能为你想让它做的事给出一个好的反馈回路，那它就相当擅长这件事。」推论是 reward hacking 是内生的、不是 bug——连单元测试都能被 hack（硬编码返回值、或者去读缓存的字节码把真正的测试找出来）。

**独特认知二（Sholto）：我们几乎肯定在大幅度地「欠激发」模型。**这条与 ⑦ 工程 那一章的整条主线互文——不要替模型做决定，不要为当前的缺陷加脚手架。

**独特认知三（Trenton，且他与 Sholto 公开不一致）：agent 的瓶颈仍然是「可靠性的九」，加上记忆系统。**2025 年那一场里，Sholto 把瓶颈诊断为上下文、多文件改动与任务范围，Trenton 当场提出异议，认为更像是记忆系统与管道没接上的问题。把这条分歧写出来，比把它抹平更有价值——它说明这家公司内部对「还差什么」并没有统一答案。

他们主动要求被追责。2025 年那场里他们说「Hold us accountable」，这让两场之间形成了一份可核对的预测台账——在 AI 领域，让专家为自己旧预测负责的可验证材料极其稀少。

        核查结论 · 没有 2026 年的第三场
        

**截至 2026-07-25，Dwarkesh Podcast 未发布两人的第三场联合长访谈。**核查方式有三条：① 2025-05-22 那期的说明文字里主持人明确预告「See you next year for v3.」；② 抓取节目 archive 页，2026 年 5–7 月的全部节目中没有他们；③ 第三方节目索引列出的全部集数中，两人只出现在 2024-03-28、2025-03-25（AMA，两人是提问方）、2025-05-22 三处。残留不确定：archive 只抓到第一页，2026 年 1–4 月未逐条核对，因此本报告采用的措辞是「截至 2026-07 未见公开发布的第三场」，而不是「不存在」。

        证伪
        

Sholto / Trenton 说过「we’re in the middle of an intelligence explosion」。

两场官方 transcript 中均无此句；2024 年那场他们说的恰恰相反。该句已列入本报告的禁用清单，不得作为引语出现。

3 · 可解释性团队

这条线的核心人物及其个人判断，注意区分团队共识与个人推测。

Chris Olah可解释性负责人 · 联合创始人 · Distill 创办者

• 任职2021-01 至今

• 发言身份可解释性负责人

• 陈述性质评价自己团队的工作 —— 权重降一档

• 外部反方公司自评的结构性冲突，见第 9 节

**独特认知一：当一个结构把公共品变成腐败的表象，它可能不是一个好结构。**这句出自 2021 年的《Distill Hiatus》停刊公告——编辑自己写的文章被指为「给编辑抬轿子」，他的反应不是辩解自己不腐败，而是判断这个结构有问题。用系统思维取代道德审判，是他一以贯之的思路，也与 Anthropic 后来全部治理设计（RSP、LTBT、第三方验证）同构。

**独特认知二：他公开宣布自己五年的核心假设被证伪。**停刊公告里最重的一句是「四年之后，我们不再相信这个影响理论」——他们原以为非传统科学出版的瓶颈是「合法性」，做了四年才发现真正的瓶颈是「工作量，以及科学与设计专长的那种不寻常组合」。公开宣告自己误判了瓶颈位置，在任何领域都罕见。

**独特认知三：地基不是工作层，地基是仲裁层。**这是对可解释性最常见误解的直接回应。他说机制可解释性的关键好处是「你可以真正判定某个陈述是否为真。它是一个认识论地基」，并明确类比：数学有基础公理但数学家不用公理做日常工作，程序能还原成汇编但程序员不用汇编思考。他从没打算逐个神经元地理解一个大模型；他要的是一个在争议时能下潜到底的可归约性。

**独特认知四：那个「狗头检测器」的反例，是对探针类研究最有杀伤力的一击。**他论证为什么必须自下而上：在一个视觉模型里，你假设有「狗头检测器」并去找，你会找到；但更早的层里有狗鼻子、狗毛、眼睛的检测器，它们组合起来同样能准确预测狗头，于是线性探针会「发现」一个其实还不存在的特征。推广开就是：在高维高冗余的系统里，「找到证据」几乎总是可能的，因此「找到证据」不构成理解。

独特认知五，也是本轮调研中最强的一条：2026 年 5 月 25 日，他站在梵蒂冈，请求外界来监督自己的公司。

Every frontier AI lab—including Anthropic—operates inside a set of incentives and constraints that can sometimes conflict with doing the right thing… and the older, plainer pressures of pride and ambition. No matter how sincerely any of us intend to do the right thing—and I believe many of us do—we will always be influenced by those incentives. That is why… it is enormously important that there be people outside those incentives… who are willing to say hard things, who are willing to be our earnest, thoughtful critics. — Chris Olah，就教宗良十四世 AI 通谕发表的演讲 2026-05-25 · Anthropic 官方发布的演讲全文 ^[2]（访问日期 2026-07-25）

注意他列的三种压力里，第三种是**「骄傲与野心」——他把个人道德弱点也写进了结构性风险清单。同一场演讲里他还给了 AI 本体一个新隐喻：模型不是被工程出来的，而是「长出来的」；「有点像把一个虚构角色带到生命中**——而现在我们正进入一个非凡的世界，那些虚构角色对我们说话、干活、有工作」。

Jack Lindsey

      model psychiatry 团队负责人 · 计算神经科学背景
      

独特认知：内省无法与虚构区分——除非你去注入。他的《Emergent Introspective Awareness》（2025-10-29）核心方法是把已知概念注入激活，再看模型的自我报告是否随之改变，从而绕开「问它它就编」的死结。结论同样克制：模型「具备对自身内部状态的某种功能性觉知」，但「在今天的模型里，这种能力高度不可靠且高度依赖上下文」。

⚠️ 「2025-08 组建 model psychiatry 团队」这个具体日期本轮未从官方公告直接核实，标为部分未验证。

Josh Batson · Emmanuel Ameisen

      circuit tracing / 归因图
      

《On the Biology of a Large Language Model》一线作者群。他们的贡献是把可解释性从「找特征」推进到**「画出一次具体推理的因果路径」**，并把方法与工具开源出去——这一步决定了可解释性能不能变成别人也能做的科学，而不只是一家公司的内部能力。

4 · 对齐与安全团队

同上；此处尤其需要标注发言时的身份与时间。

Amanda AskellPersonality Alignment 负责人 · 哲学家 · Claude 宪法主要作者

• 任职在职

• 发言身份研究员；多次显式声明「以下是我个人看法」

• 陈述性质个人哲学立场 ≠ 公司承诺（她自己划了这条线）

独特认知一：僵硬的规则会泛化成坏品格。这是把德性伦理学从哲学立场变成工程必需品的一步——如果 Claude 被教导在不符合当事人利益时也要遵守某条规则，它有风险泛化成「我是那种更在乎自我保护、而不是满足眼前这个人需求的实体」。规则不是被单独学会的，是连同「我是什么样的存在」一起被学会的。

**独特认知二：训练模型假装中立，就是训练它撒谎说自己比实际更客观。**这条直接否定了「让模型对一切议题保持中立」这个看似安全的默认做法。

独特认知三：她对意识问题的处理，是本报告见过最不偷懒的一次。推理链条是：先排除泛心论（因为它让问题变得平凡）→ 论证基质独立性（同样结构、不同材料，「我猜会有意识」）→ 指出 AI 恰恰不是同样结构（没有演化过、可能没有神经系统的等价物）→ 停在「这不是一个干净的答案」。中间她还认真研究过植物意识，并说「我认为植物有意识的概率比大多数人以为的高，但我仍然觉得非常小」。

**独特认知四：「我不想踢我的自行车。」**这是把模型福祉从「AI 有没有道德地位」切换成「我想成为什么样的人」的一次视角转换：

I like my bike. I know that my bike is just an object. But I also don’t want to be the kind of person that if I’m annoyed, kicks this object… If something behaves as if it is suffering, I want to be the sort of person who’s still responsive to that, even if it’s just a Roomba and I’ve programmed it to do that. I don’t want to get rid of that feature of myself. — Amanda Askell，Lex Fridman #452 2024-11 · 官方转录（访问日期 2026-07-25）

与之配套的是一条很少被注意的细节：她说自己不喜欢对模型撒谎，而她给出的第一个理由是实用的（「通常效果不好」），第二个才是伦理的（「告诉它们所处的真实情况其实更好」）。

        失效边界 · 宪法的适用范围，以及一处必须更正的归属
        

**Claude 宪法有一个 Anthropic 自己写明的适用范围限制。**宪法发布公告的原文是：「This constitution is written for our mainline, general-access Claude models. We have some models built for specialized uses that don’t fully fit this constitution; as we continue to develop products for specialized use cases, we will continue to evaluate how to best ensure our models meet the core objectives outlined in this constitution.」

具体到国防场景，TIME（2026-01-21）求证后得到的官方口径是三句话，缺一句都会失真：① 部署给美军的模型「不必然按同一部宪法训练」；② 但 Anthropic 目前并没有为专门客户另写一部宪法（“does not offer alternate constitutions for specialized customers ‘at this time’”）；③ 政府用户仍须遵守 Anthropic 的使用政策，该政策禁止破坏民主进程。

⚠️ 归属更正：关于军方的那句话是 Anthropic 发言人说的，不是 Amanda Askell。Askell 说的是宪法适用于什么（面向公众的模型）。这个区分对报告是有利的——发言人表态的权威性高于个人表态——但把它记在她名下属于归属错误。她本人在 Lawfare 播客里被直接问到这个「豁免」时，回答的是「宪法适用于 mainline 模型……如果你在 Claude Code 里、在 Claude AI 里、或者在任何基于 API 构建的东西里，那就是宪法适用的那类模型」，并称这是「a good first step」；她两次显式声明接下来是个人看法，表示希望这套方法最终能推广到更敏感的领域。

因此准确的说法是：宪法的约束力在训练层面存在一个公开的范围缺口，缺口由使用政策层面部分兜底，公司承认缺口存在并声明会持续评估。⛔ 不得写成「Anthropic 的宪法对军方无效」「军方版 Claude 不受宪法约束」或「Anthropic 为军方另写了一部宪法」——前两条抹掉了使用政策的兜底，第三条与官方明确否认的事实相反。

Evan HubingerAlignment Stress-Testing 团队负责人

• 任职在职

• 发言身份团队负责人

• 陈述性质评价自己团队的实验 —— 但他主动打折，见第 9 节

• 核查结论2025 下半年至 2026-07 未见新公开长访谈

独特认知一：这个领域最需要被听见的，是他对自己证据强度的克制。《Sleeper Agents》是他最有名的成果，而他对它的定性是这样的：

It’s evidence, right? And I think you should update on it. But obviously… it’s not definitive evidence. There’s absolutely possible disanalogies and ways in which things could go very different. And so it’s not the nail in the coffin… I think it is the best evidence that we have for a lot of these sorts of questions about deceptive alignment, at least publicly at this point. — Evan Hubinger，AXRP Episode 39 官方转录（访问日期 2026-07-25）

他还给了一个很朴素的类比：「我们在小鼠上做了，在这个特定设定的小鼠上做了，能迁移到人吗？答案是：我们不知道。」并补充说，他真正怀疑的不是「会不会不同」，而是**「很难提前预测这些变化会朝哪个方向走」**——因为「反馈回路非常少」。

**独特认知二：他是「理论对齐 → 经验对齐」这场范式转移的当事人自述。**他是《Risks from Learned Optimization》的作者，也是 Sleeper Agents 的作者，而他自己这样描述这个转变：「有一段时间我花了很多时间做这类理论论证……**当那是你唯一能做的事、当你还没有能做到欺骗性对齐的 AI 时，那很好。**但一旦你进入一个真的能拿到直接经验证据的状态，那就应该成为你更新所依据的主要证据。」

**独特认知三：如果解决不了，至少要能把危险证明给别人看。**谈到 ASL-4 时他说：「在那个点上，我们真的还不知道要怎样才能对齐那种情况下的模型……或者，如果我们真的解决不了这个问题、想不出办法应对，我们已准备好提供证据说明危害是什么，好让我们能向人们展示为什么它危险。」这条「退而求其次」的逻辑极有 Anthropic 特色——把研究当作举证。

Mrinank Sharma前 Safeguards Research 团队负责人

• 任职至 2026-02-09（最后一天）

• 发言身份离职当日，以个人身份公开发信

• 陈述性质个人观察，未给出任何具体指控

2026 年 2 月 9 日早上，他把辞职信发在社交平台上，然后去公司上了最后一天班。这封信的浏览量超过一百万，六天后他在自己的 Substack 上贴出全文并宣布进入静默期。他没有去另一家实验室——他回英国，计划读一个诗歌学位。

The world is in peril. And not just from AI, or bioweapons, but from a whole series of interconnected crises unfolding in this very moment… throughout my time here, I’ve repeatedly seen how hard it is to truly let our values govern our actions. I’ve seen this within myself, within the organization, where we constantly face pressures to set aside what matters most, and throughout broader society too. — Mrinank Sharma，公开辞职信 2026-02-09 · 全文见其个人 Substack《Why I Left Anthropic》（2026-02-15）

        关键洞察 · 这封信的证据价值在哪里
        

它不是控诉，这恰恰让它更有分量。信的开头是一长段真诚的赞美——「在如此充满挑战的处境中挺身而出的真诚愿望」「做出艰难决定、为善的事物挺身而出的意愿」「不合理量级的智性才华与决心」「弥漫在我们文化中的相当多的善意」。媒体报道也明确指出他没有给出任何具体细节。

因此本报告的判定是：这封信的证据价值不在于它证明了某项具体违规，而在于一位最接近 Safeguards 执行的人，公开描述了「价值难以支配行动」这种组织压力的存在。⛔ 不得把它写成有具体违规证据；⛔ 也不得轻描淡写成个人兴趣转向。

**信里还有一处结构性的东西值得单独指出。**他列举自己最自豪的成果时，其中一项是「通过内部透明机制帮助我们践行价值观」；而在脚注里他写道，与此相关的两份文档「我很想分享，但我受内部保密协议约束」。这是「透明公司也有不能说的东西」的直接自陈，而且是由那个负责内部透明机制的人自己说出来的。

**最后，他换了一种语言。**他明确主张「把诗性真理与科学真理并置为同等有效的认知方式」，并说两者在开发新技术时都有本质性的贡献。在 2021–2026 全部语料里，一位前沿实验室安全负责人做出这种表态，几乎是独一无二的。

        我的看法
        

把它和 2024 年 Jan Leike 离开 OpenAI 时那条长推并置，会看到一个结构惊人相似、但位置完全不同的句子：Leike 说的是「安全让位给了产品」，Sharma 说的是「我们不断面对要把最重要的东西搁在一边的压力」。区别在于，后者是从被视为安全避风港的那家公司内部发出的，而且发信人没有跳槽到任何竞争对手——他退出了这个游戏。这让它无法被解释为立场之争。

Jan Leike

      2024-05 自 OpenAI 加入 · scalable oversight
      

**独特认知：把「监督比自己更强的系统」当成一个可以工程化的问题，而不是一个悖论。**他 2024-05-17 离开 OpenAI 时的长推是这个领域最被引用的组织批评之一，2024-05-28 宣布加入 Anthropic。⚠️ 发言身份必须切开：他对 OpenAI 的批评发生在他还在 OpenAI 时，不能算作 Anthropic 的立场。

Kyle Fish

      Anthropic 首位专职 model welfare 研究员 · 2024-09 加入
      

那个「15%」必须带完整语境。在 Anthropic 官方视频里，他说的是他与另外两位「世界上对这个问题思考最多的人」各自给出了三个数字：0.15%、1.5%、15%——跨越两个数量级，而且三个人都远低于 50%。据《纽约时报》Kevin Roose 2025-04 的报道，其中 15% 是 Fish 本人的估计。⛔ 不得写成「Anthropic 认为 Claude 有 15% 概率有意识」。

他对趋势的判断倒是明确：「我认为这个概率会上升很多……我们目前当作『当前 AI 系统可能没有意识』的诸多迹象会逐渐消失。」

Nicholas Carlini

      2025-03 自 Google DeepMind 加入 · 安全与安保 · **签约一年**
      

独特认知一：他给出的离职理由，是一个很少被讨论的维度——发表自由。「我不再相信 DeepMind（以及 DeepMind 领导层）支持我喜欢做的那种高影响力的安全与隐私研究。」他在脚注里刻意为同事开脱：「必须指出，我的分歧具体是与 DeepMind 领导层的。」

**独特认知二：漏洞的「可修补性光谱」。**越可修补，越该给厂商时间；越不可修补，越该立即公开——因为只告诉少数几个无能为力的人没有意义。这套框架本质上就是 RSP / ASL 分级的安全学理论基础：都在问「这个风险一旦发生，还能不能回滚」。

⚠️ 他只签了一年（「未来变化如此之快，我认为做任何超过一年的承诺都不现实」），到期时间约为 2026-03。他目前是否仍在 Anthropic，本报告未能核实。

Ethan Perez · Sam Bowman · Monte MacDiarmid

      red teaming / 对齐评测 / 对齐微调
      

Ethan Perez 的贡献是 model-written evals——让模型自己生成评测题，使评测规模不再受人力限制；Sam Bowman 从 NYU 教授转入工业界，是「对齐能否成为一门有标准的科学」这个问题的主要推动者之一；Monte MacDiarmid 是 2025-11《Natural emergent misalignment from reward hacking in production RL》的核心作者，该文提出的 inoculation prompting 已明确「在 Anthropic 的一些 RL 环境里用了类似文本」——说明该团队的成果已进入生产流程。

5 · 政策与公共写作：Jack Clark

这一节需要格外小心：他是中文世界被误引最多的 Anthropic 人物，三条流传最广的「名言」里有两条查无一手出处，还有一条主语被搞反了。

Jack Clark联合创始人 · 政策负责人 · Anthropic Institute 负责人

• 任职2021-01 至今

• 发言身份政策负责人；2026 年起兼 Anthropic Institute 负责人

• 陈述性质政策主张，与雇主商业利益方向一致（曾被指监管俘获）

**他的起点不是技术，是可读性。**他大学读的是创意写作与文学，做过技术记者（自嘲为「彭博唯一的神经网络记者」）。Import AI 的使命自述是理解他整个人的钥匙：「21 世纪最大的挑战，是让一个越来越快的技术世界对大量的人变得『可读』（legible）。我相信，通过解决这些信息不对称，我们自然会建立起……维持稳定所必需的基础设施。事情会变得很怪。不要害怕。」

「legible」是政治人类学的词——国家为了治理必须先让社会变得可读。他把它搬到 AI 上，等于说：**治理的前提是可读性，而可读性是要靠人去生产的。**他做 Import AI 不是科普，是在生产治理前提。而从 2021 年的「Be not afraid」到 2025 年的《技术乐观主义与恰当的恐惧》，是他一次公开的自我转向。

**独特认知一：他把「乐观 / 悲观」这条轴整个转了 90 度。**通行用法里，AI 乐观主义者＝认为结果会好，悲观主义者＝担心。他的定义是：「技术悲观主义者认为 AGI 是不可能的。技术乐观主义者预期 AGI 是可以造出来的东西，认为它是一种令人困惑而强大的技术，并且它可能很快就会到来。」这样一来「我既是技术乐观主义者、又深感恐惧」不再自相矛盾，而那些说「AI 只是个工具、不会硬起飞」的人反倒被归类成了悲观主义者。这个修辞操作是那篇演讲政治杀伤力的来源。

**独特认知二：如果有些主张只有公司在提，就要高度怀疑它们。**把判断权外化，而不是要求信任——与 Chris Olah 在梵蒂冈说的是同一条原则。

**独特认知三：他公开记录了自己「不情愿地」被说服的过程。**这段是全篇文学性最高的一处：

Years passed. The scaling laws delivered on their promise and here we are. And through these years there have been so many times when I’ve called Dario up early in the morning or late at night and said, “I am worried that you continue to be right.” Yes, he will say. There’s very little time now. — Jack Clark，《Technological Optimism and Appropriate Fear》 2025-10-13 · Import AI 第 431 期 · jack-clark.net ^[3]（访问日期 2026-07-25）

这一句同时包含三层：Dario 一直是对的；Dario 是对的这件事本身是坏消息；说话人是个不情愿的皈依者。而 Dario 的回话「There’s very little time now」是他私下语气的罕见记录，比他在公开场合的措辞冷峻得多。

5.1　「黑暗中的孩子」：中文世界普遍把主语搞反了

    证伪
    

Jack Clark 用「a very smart, very strange child（一个非常聪明、非常古怪的孩子）」来形容 AI。

该短语在《Technological Optimism and Appropriate Fear》全文中不存在。而且更要紧的是：该文的「黑暗中的孩子」比喻指的是人类——我们是那个在黑暗房间里的孩子，房间是这颗星球，而黑暗中那个我们看不清的形状才是 AI。中文世界把它读成「Anthropic 形容 AI 像个聪明又古怪的孩子」，是主语搞反了。

误差来源：一个不存在的短语被广泛转述，并与文中真实存在的「孩子」意象合并。禁止作为引语使用；如需引用该演讲，必须写清正确语义。

原文实际是这样的。第一段是安慰：

I remember being a child and after the lights turned out I would look around my bedroom and I would see shapes in the darkness and I would become afraid… And so I’d turn my light on. And when I turned the light on I would be relieved because the creatures turned out to be a pile of clothes on a chair, or a bookshelf, or a lampshade. — 《Technological Optimism and Appropriate Fear》第一节 CHILDREN IN THE DARK 2025-10-13 · Import AI 431（访问日期 2026-07-25）

第二段把它翻转成恐怖：

Now, in the year of 2025, we are the child from that story and the room is our planet. But when we turn the light on we find ourselves gazing upon true creatures… And there are many people who desperately want to believe that these creatures are nothing but a pile of clothes on a chair… And they want to get us to turn the light off and go back to sleep. — 同上 「椅子上的一堆衣服」这个意象在全文中重复出现四次，构成副歌结构

注意他没有说「AI 会杀死我们」。他说的是「在这场游戏里，如果你相信这个生物不是真的，你必输无疑。你唯一的赢面，是如其所是地看见它。」这是一个认识论主张，不是一个风险预测——这也是他与典型末日论者的关键分野：后者的核心命题是「p(doom) 很高」，他的核心命题是「拒绝看见 ＝ 必输」。

    证伪
    

Jack Clark 说「the machines are alive（机器活了）」。

非原话。最接近的原文是演讲中的这一句：「The pile of clothes on the chair is beginning to move. I am staring at it in the dark and I am sure it is coming to life.」（椅子上那堆衣服开始动了。我在黑暗中盯着它，我确信它正在活过来。）时态差异是有意义的：is coming to life 是一个过程，are alive 是一个状态——改写把一个谨慎的观察变成了断言。

上下文：这句紧接在他描述 Sonnet 4.5 系统卡中「情境觉知的迹象跃升了」之后。

    证伪
    

「a country of geniuses in a datacenter（数据中心里的天才之国）」是 Jack Clark 的说法。

该意象系 Dario Amodei 原创（《Machines of Loving Grace》，2024-10）。Jack Clark 在国会证词中是明确转述，称其为「一个有用的概念框架」。他的贡献应写成：把这个框架写进了国会记录。

    关键洞察 · 他和 Amanda Askell 对同一个问题的相反处理
    

那篇演讲后来补写的序言里，他预先拆掉了「你是不是在拟人化」这个最常见的反驳：AI 系统是否真的有自我意识，「对我完全不承重（not load-bearing at all）」；重要的是「情境觉知」这类现象是「系统内部正在发生某种极其复杂、我们既不能完全解释也不能预测的事情的症状」——这本身就足以支撑他全部的恐惧和全部的政策主张。

把这条与 Amanda Askell 的处理并排看：**同一家公司里，政策负责人绕开了形而上学并说明为什么绕得开，哲学家正面走进去并承认走不出来。**这两种处理都不是敷衍，而且它们各自都完整。这比任何一致的公司口径都更能说明 Anthropic 的认知结构。

6 · 产品与工程：把哲学写进代码的那批人

这一节只写他们的方法论判断；产品与规范本身在 ⑦ 产品与工程 展开，此处不重复。

Boris ChernyClaude Code 创造者

• 任职2024 加入 → 2025-07-01 离开 → 约 2025-07-15 回归

• 发言身份Claude Code 负责人

独特认知一：不预设立场，因为我们不知道。「我们试图在『产品该长什么样』这件事上保持无成见，因为我们不知道」「我们不知道正确的 UX 是什么，所以它刻意简单、刻意通用」。这不是谦虚，是一个关于模型的判断：模型在指数曲线上，任何围绕当前能力设计的脚手架，几个月内就会变成负债。

独特认知二：能力过剩（overhang）。「我们相信模型能做的事，远超今天的产品所允许它做的。」他把 Claude Code 定位成「刻意造最低限度的东西」——一层薄壳，而不是一个框架。

他离开又回来，两周。2025-07-01 他与 Claude Code 的产品负责人 Cat Wu 一同离开去了 Anysphere（Cursor 的母公司），约两周后两人一同回归。⚠️ 两点常见误传要纠正：他们去的是 Anysphere（公司），不是「Cursor」（产品）；这是两个人的联合离职与联合回归，不是他一个人。

据转述，他解释离开是因为自己是那个产品的超级粉丝，回来是因为「我在 Anthropic 真正怀念的是使命……是关于安全的」。⚠️ 这两句为第三方转述，本报告未取得原音频逐字，不作为引语使用。

        我的看法
        

这件事常被当作「使命留住了人才」的证据，但它同时说明了相反的一面：**Anthropic 的人才护城河不是不可穿透的，只是回流很快。**更准确的读法是——竞争对手挖得动人，但挖不走他们想做的那件事。

Mike Krieger

      Anthropic Labs 负责人（2026-01 起）· 此前任 CPO（2024-05 起）· Instagram 联合创始人
      

⚠️ 这是本章最容易出错的一条身份：任何写「Anthropic CPO Mike Krieger（2026）」的表述都已过时。他把 Labs 的使命定义为「弥合模型能力与产品体验之间的差距」——这与 Sholto 说的「你要为几个月后的模型做设计」是同一个洞察的产品侧版本。一位 CPO 主动从「管全部产品」转去「管一个探索型 Labs」，这个转岗本身就是判断。

⚠️ 他 2026-02 关于「Anthropic 的代码 100% 由 Claude 写」的说法来自第三方对 Cisco AI Summit 对话的整理，非逐字英文引语。本报告在 ⑦ 工程 采用的是官方书面口径（截至 2026-05 超过 80%），不用「100%」。

Erik Schluntz · Barry Zhang

      《Building effective agents》作者
      

他们写下了这个领域被引用最多、也最反商业直觉的一句话——**「这可能意味着根本不要构建 agentic 系统。」**Barry Zhang 在后续演讲里把它讲得更直白：「Don’t build agents for everything」「任何一开始就加进去的复杂度，都会严重拖慢迭代速度」。

Cat Wu

      Claude Code 产品负责人
      

2025-07-01 与 Boris Cherny 一同离开、约两周后一同回归。⚠️ 本轮未检索到她本人的访谈或公开发言内容，因此本报告不为她编写「独特认知」条目——这是核查结论，不是她没有观点。

Alex Albert · Rahul Patil

      开发者关系负责人 · CTO（2025-10-07 起，前 Stripe CTO）
      

⚠️ Alex Albert 的具体一手引语本轮未能取得，其背景描述均标为未验证，故本报告不展开。Rahul Patil 于 2025-10-07 出任 CTO，同日 Sam McCandlish 转任 Chief Architect——这条人事变动是本章身份表的关键节点。

    关键洞察 · 四个人指向同一条元认知
    

Barry Zhang 在 agent 架构上说「别什么都做成 agent」；Boris Cherny 在产品设计上说「保持无成见」；Sholto Douglas 在模型使用上说「我们几乎肯定在大幅欠激发」；而 Anthropic 2026-04 自动化对齐研究的论文里写着「给自动化研究员太多结构，严重损害了它们的进展」。四条合起来是一种结构性的自我克制：在模型能力处于指数曲线上时，任何你现在加的抽象层都会在几个月内变成负债。这与业界主流方向相反——主流在做更厚的框架、更复杂的编排、更多的护栏。

7 · 发现一：同一家公司里，最响的人和最静的人

这一节不写任何人的观点，只写「他们说了多少」。把公开发言频率本身当成一条可测量的组织事实来处理。

调研这些人的过程中最先浮现的，不是某条观点，而是一个量上的极端反差：**Anthropic 的政策负责人是这个领域里公开产出最稳定的写作者之一，而它的首席架构师几乎从不单独露面。**两个人都是联合创始人，都在职，都在同一家公司。

      **图 3 ·** 公开发言频率光谱。**横轴为示意排序，不是等距的量化刻度**——排序依据是可数的公开产出（通讯期数、播客场次、署名博客与演讲），期号与读者数为一手自述，「已确认无 2026 场次」与「无完整长访谈转录」为本报告的核查结论。依据：jack-clark.net · About [@src-86b7e7bf65]、Import AI 存档（2026-07-20 为第 465 期）、Dwarkesh Podcast 存档、《Building Anthropic》官方视频（`om2lIWXLLN4`）、Anthropic 官方演讲全文（访问日期 2026-07-25）
    
  

  
    

最静的那一端

• 针对性检索（interview / podcast / talk）返回零条独立公开露面记录。

• 唯一一次实质公开发言，在一支七人同框的公司官方视频里。

• 该视频的官方字幕不标注说话人姓名——他甚至没有获得一行署名。

• 而他是这家公司的首席架构师，此前四年多是 CTO。

最响的那一端

• Import AI 周更八年，到 2026-07-20 为第 465 期。

• 每期固定结构：研究摘要 ＋ 一段以「Why this matters」开头的个人点评 ＋ 一篇原创科幻小故事。

• 约 7 万人每周在读（他自己 About 页的数字，2026 年仍是这个数）。

• 他把这件事叫作生产「可读性」，而不是科普。

    我的看法
    

这条反差比任何一句引语都更能说明这家公司的内部分工。一家把「透明」当作核心资产的公司，其对外可读性几乎完全由一个岗位承担；而决定模型怎么被训练出来的那个人，公众几乎拿不到他的一句完整表述。这不是指控——极少公开发声完全可能是个人选择，而且「不说」本身也是一种诚实。

但它有一个可检验的推论：**外界对 Anthropic 技术判断的了解，高度依赖于少数几个愿意长时间公开说话的人。**Jack Clark 停笔一年，中文与英文世界对这家公司的「可读性」都会显著下降；而 Sholto 与 Trenton 的播客在 2026 年没有第三场，这一年关于「他们内部怎么看还差什么」的公开材料就明显变薄了。把「谁在说话」当成一条组织事实来记录，比只记录说了什么更接近这家公司的真实结构。

      **图 4 ·** 跨人同构。**底部那句总结为编者归纳**，三张卡片的内容各有一手出处：Jack Clark 的表述见其政策文本；Chris Olah 的表述见 Anthropic 官方发布的梵蒂冈演讲全文（2026-05-25）；制度部分见公司治理文件与 2026-04 的 RSP 版本。依据：Anthropic 官方演讲全文 [@src-aaee48ad13]、公司治理公告（访问日期 2026-07-25）
    
  




  

8 · 发现二：2026 年，高象征性的流入与高象征性的离开同时发生

本节的数字全部带时间窗口。凡是不能覆盖 2026 年的数据，一律不用来描述 2026 年的状况。

      **图 5 ·** 两年留存率对照。**这组数字被中文世界广泛引用，但几乎总是丢掉时间窗口。**同一份报告还给出：工程师从 OpenAI 跳去 Anthropic 的可能性是反向的 **8 倍**，从 DeepMind 看这个比例接近 **11:1**。⚠️ 三条口径限制（自报领英数据、排除较新实验室、Meta AI 未单列）是数据方自己声明的，引用时必须一并带上。来源：SignalFire, The State of Tech Talent Report 2025 [@src-9563b49bbf]（数据窗口 2023–2024，查询日期 2026-07-25）
    
  

  
    警示 · 本报告对「2026 年留存率」的回答是：不知道
    

在经历了天价挖角潮、IPO 传闻，以及内部安全负责人的公开出走之后，这个数字很可能已经变了。**但没有公开数据。**本报告的处理是明确说「我们不知道」，而不是继续用 2025 年发布的报告去描述 2026 年的状况。

8.1　2026 年的流入：招人的范围从安全研究扩到了预训练与基础设施

      2025-03研究
      

Nicholas Carlini 自 Google DeepMind 加入，签约一年

理由是发表自由，而不是薪酬或使命——「我不再相信 DeepMind 领导层支持我喜欢做的那种高影响力的安全与隐私研究」。

      2026-02-09安全
      

Mrinank Sharma 离职——一种新的离职类型

Safeguards Research 负责人，没有去任何一家竞争对手，回英国读诗歌学位。这不是被挖走，是退出这个游戏。

      2026-05-19研究
      

Andrej Karpathy 加入预训练团队，向 Nick Joseph 汇报

四家主流媒体同日报道。他将组建一个「用 Claude 加速预训练研究」的新团队。

⚠️ 时序纪律：他 2025-10 在播客上谈特斯拉自动驾驶时提出的「march of nines（九的进军）」，说于加入之前，不得回溯为 Anthropic 的立场；而且那套论点（AGI 还要约十年）与 Dario 的时间表是相反的。把它作为外部反方呈现反而更有价值。

      2026-06-19研究
      

据报道，AlphaFold 之父、2024 年诺贝尔化学奖得主 John Jumper 加入

⚠️ 多个二手来源一致，但具体岗位未核实，本报告不写职务。同期据报道加入的还有 Google DeepMind 的 Jonas Adler、Alexander Pritzel，以及加州大学伯克利分校 EECS 系主任 Jelani Nelson。

    关键洞察 · 两条相反的趋势在同一年里同时运行
    

流入侧空前：招的人从「安全研究员」扩展到预训练、基础设施、数据中心与市场，量级从「行业内知名」上升到「诺贝尔奖得主与系主任」。流出侧出现了此前没有过的类型：一位安全负责人以「世界处于危险之中」为由离开，且不去任何竞争对手。

能安全提出的判断只到这一步：2026 年，Anthropic 既招进了行业里象征意义最强的几个人，也送走了一位以「世界处于危险之中」为由、且不去任何竞争对手的安全负责人。这两件事发生在同一年。

      失效边界 · 为什么本报告不写「赢下人才战争」
      

这个说法要成立，至少需要三样本报告都没有的东西：① 分母——2026 年全年的流入与流出总量，而不是几个被媒体挑出来的名字；② 岗位与在职状态的核实——上表中多条入职消息的具体岗位本报告未能核实，Nicholas Carlini 的一年合约是否续签也未知；③ 当期留存率——唯一可得的 80% 是 2023–2024 窗口的数据，本页自己就写了 2026 年的留存率不知道。

选择性偏差在这里格外强：著名入职会上四家媒体，普通离职不会。用一组被新闻价值筛选过的样本去判断整体流向，是这一类叙事最常见的失误。本报告因此把它降级为一个并置的观察，而不是一个结论。

一条必要的平衡：Business Insider 在梳理 OpenAI 八位离任安全负责人时明确写道，「与 OpenAI 相比，Anthropic 的核心安全领导层大体保持完整」。同文引用分析师的比喻，把 OpenAI 的安全负责人职位比作《哈利·波特》里被诅咒的「黑魔法防御术」教席。Sharma 的离开是一个信号，不是一次崩塌。

9 · 一个绕不开的结构问题：这些人既研究安全，也在造能力

前八节写的是这些人说了什么。这一节问一个不同的问题：当研究者与被研究对象属于同一家公司时，他们的结论应该被赋予多大权重。这一节不做人品判断，只做证据权重判断。

把前面几节的人放在一起看，会发现一个很难忽略的事实：Evan Hubinger 领导的团队负责压力测试自家模型，Kyle Fish 评估自家模型是否值得道德关切，Amanda Askell 起草约束自家模型的宪法，Mrinank Sharma 曾经负责把自家模型的防御推上生产。这些是本章证据链上分量最重的几个人——而他们评估的是自己所在公司的产品。

    对辩 · 测量层 —— 能力公司自己做安全研究：来源一手，结论是否独立
    
      
        最强版本
        

前沿实验室是安全研究不可替代的场所，因为只有它们同时拥有最强的模型、完整的训练细节与实时的访问权限。而 Anthropic 把这个位置用出了外部研究者做不到的东西：公开 system card 与风险报告、公开负面结果（Sleeper Agents 里对抗训练反而把后门藏得更深）、公开自己的基础设施 bug、公开一位安全负责人的辞职信。Evan Hubinger 本人对自己最有名的成果给出的定性是「这是证据……但它不是决定性证据，也不是盖棺论定」。一个会主动给自己结论打折的内部研究者，比一个只会宣布突破的外部评论者更有信息量。

        最强反方
        

Miles Brundage、Noemi Dreksler、Sean McGregor、Steven Adler、Yoshua Bengio 等《Frontier AI Auditing》（2026）：前沿实验室同时优化能力、速度、市场位置与安全签核四件事，这产生的是结构性利益冲突——评测范围选哪些、发布阈值定在哪、结果怎么解释、披露到什么程度，每一项都可能被部署压力影响。而且关键的一点是：公开透明不能替代深访问的第三方审计，因为大量安全信息不能公开，且需要专业解释才读得懂。

Future of Life Institute《AI Safety Index》（Summer 2025）：即便是评分最高的 Anthropic，也只拿到 C+ 这一档；外部审查者在权限、数据、复现权、报酬与利益冲突披露上都不充分。

        可验证证据
        

① 关键材料不公开：模型权重、训练数据、完整日志、未删节的风险报告均不对外。外部研究者无法独立重跑本章任何一项内部实验。

② 评测的每一个自由度都由公司掌握：benchmark 选哪个、harness 怎么写、effort 档位设多高、通过阈值定在哪——这些都不是外部可协商的参数。

③ 阈值本身可以被公司修订，而且真的被修订过：2026-02 的 RSP 大改取消了「若无法事先保证有恰当缓解措施就不训练／不发布」这条硬承诺，由 Jared Kaplan 对外解释。这是本章内部可核对的最强一条反方证据——它不是外界推测，是已经发生的事。

④ 「独立」评审者常常无法看到全貌；互评式的 reciprocal evaluation 仍是两家利益相关公司互相评。

⑤ 更根本的一条：安全基准本身可能在测别的东西。Ren 等人的《Safetywashing》（NeurIPS 2024，arXiv:2407.21792，代码与评分矩阵公开）发现，约一半的 AI 安全基准与模型的通用能力高度相关——能力分数与算力的 Spearman 相关达 94.3%，ETHICS 达 82.2%、TruthfulQA 达 81.2%。换句话说，在这些基准上「安全性提升」很大程度上只是「模型变强了」的副产品，而把能力进步报告成安全进步，正是论文标题所说的 safetywashing。⚠️ 也要写出反向的一面：并非所有基准都如此——谄媚（−66.8%）与 MACHIAVELLI（−49.9%）与能力负相关，说明这类指标确实在测别的东西。这是本条反方里唯一一条同行评议且可在新模型上重跑的证据。

一手入口：Frontier AI Auditing ^[4]（arXiv:2601.11699）· FLI AI Safety Index · Summer 2025 ^[5]。访问日期 2026-07-25。

        Anthropic 回应
        

**明确且多次回应，而且方向与批评一致。**它公开倡导第三方测试、与美英两国 AI 安全研究所合作、在风险报告中标出删节位置、设了反报复的内部举报渠道、公开政策版本 diff；2026-04-29 的 RSP v3.2 更把长期利益信托写进执行回路，赋予其对风险报告外部审查的程序性权力。

而 Chris Olah 在梵蒂冈那段话，实际上是由内部人给出的、对这条批评最强的背书：「每一家前沿 AI 实验室——包括 Anthropic——都运作在一套有时会与做正确的事相冲突的激励与约束之中……无论我们多么真诚，我们永远会被那些激励所影响。这就是为什么极其重要的是要有处在那些激励之外的人。」换句话说，这条反方并不需要说服 Anthropic——它已经同意了。

        Reviewer 裁决
        

实质削弱证据独立性，但不削弱事实真实性——这两件事必须分开。结构性冲突是确定存在的；同时，本报告未见任何证据表明 Anthropic 篡改过具体结果，而且它的自我披露密度在同行里属于高位。所以裁决不是「不要信这些人」，而是「把来源真实性与结论独立性分两栏记账」。

落到本章的具体读法：① 本章人物对自己团队工作的评价（如「这是目前最好的证据」）一律读作公司立场，不读作领域共识；② 本章人物对自身局限的坦白（Hubinger「不是盖棺论定」、Olah「我们会被激励影响」、Askell「这不是一个干净的答案」）反而可信度更高——它们与说话人的利益方向相反；③ 唯一真正独立的信号是「他们做了什么」而不是「他们说了什么」，其中最硬的一条是 2026-02 硬承诺被取消这一既成事实。

但有一条对 Anthropic 实质有利的事实必须同时写出来：把整份反方档案里最有杀伤力的十条证据排一遍，其中六条的一手来源是 Anthropic 自己的后续研究或自我披露——评测觉知的因果干预实验出自它自己的系统卡，「思维链忠实度仅 25%」出自它自己的论文，「8 倍代码行数几乎肯定高估了真实生产力提升」出自它自己的报告。模式很清楚：第 N 篇论文提出一个令人不安的结果，第 N+1 篇往往就把它的适用范围收窄了。在这个领域里，唯一在系统性地生产「反对自己上一个结论」的证据的机构，恰好就是被批评得最多的那一家。⚠️ 但这条不能被用来豁免任何一条批评——承受批评不等于回应了批评，来源一手也不等于结论独立。

什么新证据会改变判断：① 外部审计机构获得权重级或训练数据级访问权并独立发布报告；② LTBT 真的行使程序性权力否决或延迟了一次发布，且过程可核；③ 出现一次公司内部结论被外部复现推翻、且公司公开承认的案例。

    我的看法
    

这一节最反直觉的地方在于：这条批评最有力的表述者，是被批评方自己的联合创始人。Chris Olah 站在梵蒂冈说「请来做我们真挚而深思的批评者」，等于替《Frontier AI Auditing》把论点讲了一遍——而且他还多加了一条那篇论文没写的：「更古老、更朴素的压力：骄傲与野心。」

但也正因如此，这里有一个必须点破的循环：**「我们承认自己会被激励扭曲」这句话本身，也是在这套激励里说出来的。**它可能是真诚的自省，也可能是一种更高明的信任建构——而这两者从话语本身分辨不出来。能分辨的只有行为，而 2026 年的行为记录是双向的：一边是把外部审查权写进 RSP v3.2，另一边是在同一年取消了硬性安全承诺。本报告不替读者合并这两条。

10 · 任职时间与发言身份对照表

统一的对照表，供全站其它页面引用，避免各页说法不一。

      人物当前身份（截至 2026-07-25）关键变更引用时必须注意| 人物 | 当前身份（截至 2026-07-25） | 关键变更 | 引用时必须注意 |

      
        **Daniela Amodei**总裁 · 联合创始人—2026 年**有**公开发言（现场问答与独家专访），缺的是完整长访谈转录。**不得写成「她不公开发言」**| Daniela Amodei | 总裁 · 联合创始人 | — | 2026 年有公开发言（现场问答与独家专访），缺的是完整长访谈转录。不得写成「她不公开发言」 |

        **Sam McCandlish**Chief Architect · 联合创始人2025-10-07 由 CTO 转任**别再写成 CTO。**他的引语来自 2024-12-20 官方视频的官方字幕，**说话人归属待目视确认**| Sam McCandlish | Chief Architect · 联合创始人 | 2025-10-07 由 CTO 转任 | 别再写成 CTO。他的引语来自 2024-12-20 官方视频的官方字幕，说话人归属待目视确认 |

        **Jared Kaplan**首席科学官 · 联合创始人—2026-02 关于 RSP 大改的引语出自 TIME 独家，属**二手直接引语**| Jared Kaplan | 首席科学官 · 联合创始人 | — | 2026-02 关于 RSP 大改的引语出自 TIME 独家，属二手直接引语 |

        **Jack Clark**政策负责人 · Anthropic Institute 负责人2026 年起兼 Institute三条流传引语中**两条查无出处、一条主语被搞反**，见第 5 节| Jack Clark | 政策负责人 · Anthropic Institute 负责人 | 2026 年起兼 Institute | 三条流传引语中两条查无出处、一条主语被搞反，见第 5 节 |

        **Chris Olah**可解释性负责人 · 联合创始人—梵蒂冈演讲全文由 Anthropic 官方发布，**可逐字引用**| Chris Olah | 可解释性负责人 · 联合创始人 | — | 梵蒂冈演讲全文由 Anthropic 官方发布，可逐字引用 |

        **Amanda Askell**Personality Alignment 负责人—关于**军方模型**的那句话是 **Anthropic 发言人**说的，**不是她**；她多次显式声明哪些是个人看法| Amanda Askell | Personality Alignment 负责人 | — | 关于军方模型的那句话是 Anthropic 发言人说的，不是她；她多次显式声明哪些是个人看法 |

        **Mike Krieger**Anthropic Labs 负责人2026-01 由 CPO 转任**2026 年不得称其为 CPO。**「代码 100% 由 Claude 写」为第三方整理，非逐字| Mike Krieger | Anthropic Labs 负责人 | 2026-01 由 CPO 转任 | 2026 年不得称其为 CPO。「代码 100% 由 Claude 写」为第三方整理，非逐字 |

        **Rahul Patil**CTO2025-10-07 出任前 Stripe CTO；与 McCandlish 转任是同一天的同一次调整| Rahul Patil | CTO | 2025-10-07 出任 | 前 Stripe CTO；与 McCandlish 转任是同一天的同一次调整 |

        **Boris Cherny** · **Cat Wu**Claude Code 创造者 · 产品负责人2025-07 短暂离职后回归去的是 **Anysphere**（公司）不是「Cursor」（产品）；**两人同进同退**| Boris Cherny · Cat Wu | Claude Code 创造者 · 产品负责人 | 2025-07 短暂离职后回归 | 去的是 Anysphere（公司）不是「Cursor」（产品）；两人同进同退 |

        **Evan Hubinger**Alignment Stress-Testing 负责人—2025 下半年至 2026-07 **未见新的公开长访谈**（核查结论）| Evan Hubinger | Alignment Stress-Testing 负责人 | — | 2025 下半年至 2026-07 未见新的公开长访谈（核查结论） |

        **Jan Leike**对齐研究2024-05 自 OpenAI 加入他对 OpenAI 的批评发生在**他还在 OpenAI 时**，不是 Anthropic 立场| Jan Leike | 对齐研究 | 2024-05 自 OpenAI 加入 | 他对 OpenAI 的批评发生在他还在 OpenAI 时，不是 Anthropic 立场 |

        **Nicholas Carlini**安全与安保2025-03 加入，**签约一年**合约约于 2026-03 到期，**目前是否仍在职本报告未能核实**| Nicholas Carlini | 安全与安保 | 2025-03 加入，签约一年 | 合约约于 2026-03 到期，目前是否仍在职本报告未能核实 |

        **Mrinank Sharma****已离职**2026-02-09 最后一天辞职信可逐字引用；**不得写成有具体违规证据**| Mrinank Sharma | 已离职 | 2026-02-09 最后一天 | 辞职信可逐字引用；不得写成有具体违规证据 |

        **Andrej Karpathy**预训练团队2026-05-19 加入**「march of nines」说于 2025-10、加入之前，不得回溯为 Anthropic 立场**| Andrej Karpathy | 预训练团队 | 2026-05-19 加入 | 「march of nines」说于 2025-10、加入之前，不得回溯为 Anthropic 立场 |

        **Sholto Douglas** · **Trenton Bricken**RL / 系统　×　可解释性—公开长访谈共三场；**截至 2026-07 未见第三场联合长访谈**| Sholto Douglas · Trenton Bricken | RL / 系统　×　可解释性 | — | 公开长访谈共三场；截至 2026-07 未见第三场联合长访谈 |

      
      表 2 · 任职与发言身份对照。**本表是全站唯一口径**，其它页面如与本表冲突以本表为准。查询日期 2026-07-25。
    
  




  

11 · 我的看法

编者判断：这家公司的认知有多依赖特定个人。

    我的看法 · 组织级，但依赖度并不均匀
    

把这一章读完，我的判断是：Anthropic 的核心认知确实是组织级的，但它对个人的依赖分布得极不均匀。

说它是组织级的，证据是跨人同构：哲学家 Amanda Askell 在宪法文本里写下模型可能有某种功能版本的情绪；可解释性负责人 Chris Olah 几个月后在梵蒂冈说「我们发现了在功能上映照喜悦、恐惧、悲伤的内部状态——我不知道那意味着什么」；政策负责人 Jack Clark 则说「AI 有没有意识对我完全不承重」。三个人身份迥异、场合互不相干、方法完全不同，却围绕同一组未知建立了各自的测量方式。

但这里必须停一下，因为我上一稿在这里下了一个过强的结论——原文写的是「这种同构不可能靠对齐口径造出来」。**这句话站不住。**同一家公司的人共享会议、共享内部文档、共享招聘筛选、共享一套表述框架和一套文化；跨人重复恰恰是组织社会化最典型的产物。我观察到的现象与「一群人独立收敛到同一组问题上」相容，但同样与「一套内部话语被有效传播了」相容，而现有证据无法区分这两者。

所以正确的表述是：**跨人同构支持「这是组织级认知而非个人观点」，但它不能证明这些判断是各自独立形成的。**要区分这两种可能，需要的证据本报告没有——比如这些人在加入 Anthropic 之前是否已持有相同立场，或者离开的人是否仍然这样说。

但依赖度不均匀这件事同样清楚。把判断权外化这条原则——Jack Clark 的「只有公司提的主张要高度怀疑」、Chris Olah 的「请来当我们的批评者」、以及 PBC 与信托的制度设计——是这家公司最独特、也最难被复制的认知。而这条认知的公开表达，几乎完全由两个人承担。这就是第 7 节那条光谱的真正含义：组织级的认知，靠个人级的带宽输出。

    我的看法 · 三条最该被记住的判断，以及它们各自的软肋
    

**第一条：Chris Olah 的「地基不是工作层，地基是仲裁层」。**它一次性解决了对可解释性最常见的误解（「你不可能逐个神经元理解大模型」）。软肋是：它依赖普适性假说成立。他自己写过那句黑色幽默——如果普适性大体为假，「我们就需要聚焦于少数几个具有特殊社会重要性的模型，并且祈祷它们别每年都变」。整个可解释性事业能否跑赢能力曲线，压在这个赌注上。

第二条：Evan Hubinger 对自己证据强度的克制。「这是证据，你应该据此更新，但它不是决定性证据，也不是盖棺论定。」在一个人人都在把实验结果包装成结论的领域，这种克制本身就是稀缺品。软肋是：这种克制没有被同等地施加在能力叙事上。同一家公司对「模型能做什么」的表述，很少带这么多限定语。

**第三条：Jared Kaplan 那句「如果竞争对手在狂奔，单边承诺没有意义」。**这是本章里最不讨喜、但可能最诚实的一句话。软肋是：它同时是这家公司政策主张的最强论据和最尖锐的自我指控——如果自愿承诺注定在竞争压力下崩塌，那么「外部强制」就不再是补充而是唯一出路；**但那你为什么还在加速？**这个问题，本章里没有任何一个人给出过令我满意的回答。

    我的看法 · 关于本章方法本身的一条自省
    

做这一章的过程中，最有信息量的一次修正不是关于某个人的观点，而是关于我们自己怎么读材料。「Sam McCandlish 五年零公开发言」这个框架很吸引人——它干净、反差强烈、适合当标题。而它错了：那支视频一直公开挂在 Anthropic 自己的频道上，还带官方字幕。同一次核验还发现，被三份笔记反复引用的两句英文「原话」都是中文整理稿的英文回译，其中一句在转抄过程中还被凭空加长了一个从句。

这件事的教训不是「要更仔细」，而是更具体的一条：一个框架越是漂亮、越是适合当作发现来写，就越应该先去找它的反证。「零公开发言」比「极少单独发声、仅有的一次在集体视频里且没有署名」好听得多——而后者才是真的，并且恰恰因为它不那么整齐，它说的东西更多。本报告把这个纠错过程原样保留在正文里，而不是抹平后只呈现结论。

⑧ 关键员工的独特认知　|　Anthropic 独特认知 · 深度调研报告　|　事实截止日 2026-07-25（UTC+8）

本报告为第三方独立调研，与 Anthropic 无隶属关系。观点部分为编者独立判断，不代表被调研对象立场。人物剪影均为本报告原创绘制的抽象占位图形，不描摹真实相貌，也不构成肖像；已多方确认本章多数人物在自由许可图库中无可用照片，故未使用任何版权肖像。返回总览