Anthropic融资300亿美元，缔造2万亿级AI独角兽新纪录

北京时间2月13日，OpenAI的强劲竞争对手Anthropic宣布完成G轮融资，成功筹集300亿美元资金，投后估值飙升至3800亿美元（约合人民币2.6万亿元）。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这笔融资成为大模型领域史上第二大规模的融资案例，仅次于OpenAI去年创纪录的400亿美元交易。通过此次融资，Anthropic正式跻身全球第二家估值突破2万亿美元的AI独角兽企业——目前OpenAI的最新估值约为5000亿美元。

回顾去年9月，Anthropic刚刚完成130亿美元的F轮融资，当时估值为1830亿美元。令人瞩目的是，在短短数月内其估值就实现了翻倍增长。若按此估值计算，Anthropic在全球上市公司中已能稳居前30强。

本轮融资吸引了众多知名投资机构参与。最新公告显示，此轮融资由新加坡政府投资公司（GIC）和Coatue领投，联合投资方包括DE Shaw Ventures、Dragoneer、Founders Fund、ICONIQ和MGX等重量级机构。

值得关注的是，重要投资者名单中还包括黑石集团、高盛另类投资增长股权基金、摩根大通、摩根士丹利投资管理公司、卡塔尔投资局（QIA）、红杉资本、淡马锡等知名机构。此轮融资还包含此前已披露的部分战略投资，微软计划投入最高50亿美元，英伟达则承诺最高100亿美元。

支撑Anthropic高额估值的是其旗下大模型Claude及其带动的高速业务增长。该公司在2024年3月推出Claude模型后，一直在编程、数学等领域保持性能领先。最新披露数据显示，自成立至今不到三年时间，Anthropic就已实现140亿美元（约合人民币967亿元）的年化营收。更令人惊讶的是，过去三年间这一数字每年都保持着超过10倍的增长势头。

最新数据显示，财富十强企业中有八家已成为Claude的客户。过去一年间，年消费超过10万美元（按年化收入计算）的Claude客户数量增长了7倍。最初仅将Claude用于单一用例（API、Claude Code或Claude for Work）的企业，正在逐步扩展其在整个组织内的集成程度。两年前，年消费超过100万美元的客户仅有十几家，而如今，这一数字已突破500家。

Claude模型的突出特点在于其卓越的编程能力，成为Cursor等编程工具平台最受欢迎的接入模型。2025年2月，Anthropic推出了自家AI编程工具Claude Code，并在2025年5月宣布全面开放，从研究预览版正式转为商业化产品。在实际应用中，不少开发者反馈，在代码场景里Claude Code是体验效果最佳的编程工具。

Anthropic的博客中提到，Claude Code的年化收入已突破25亿美元。自2026年初以来，这一数字更是翻了一番还多。从1月1日至今，Claude Code的每周活跃用户数量也实现翻倍增长。自2026年初以来，Claude Code的企业订阅用户数量增长了四倍，企业用户收入已占Claude Code总收入的半数以上。

作为对比，Anthropic的竞争对手OpenAI此前透露，2025年其年化营收突破了200亿美元。从这一增长趋势来看，Anthropic已经追赶得越来越近。

一直以来，Anthropic都被视为OpenAI最具实力的竞争对手之一。该公司的核心团队来自OpenAI，创始人曾是OpenAI的研究副总裁。此前就有行业人士表示，Anthropic的胜算不容小觑。一方面，其团队在算法上与OpenAI几乎没有差距，且背后有亚马逊、谷歌这样的靠山，在算力方面也毫不逊色。

面对竞争压力，OpenAI也在加速推进自身产品与融资计划，积极布局AI编程工具Codex。上周发布了新版模型GPT 5.3-Codex，就在今天，Cerebras与OpenAI宣布推出最新的GPT-5.3-Codex-Spark模型，被定位为前述模型的"精简版"，主打极致的推理速度。

同时，也有消息称OpenAI正计划在2026年进行新一轮融资，目标高达1000亿美元。公司估值将从2025年10月的5000亿美元推高至8300亿美元。

尽管收入在高速增长，但大模型独角兽仍然需要高额融资来维持AI模型的研发与训练成本。

算力投入以及与谷歌等科技巨头的竞争正在抬升资本开支门槛。根据最新财报，亚马逊、谷歌、微软和Meta四家科技巨头，在2026年拟用于数据中心与芯片领域的资本支出合计将高达6600亿美元（约合4.6万亿元人民币）。

Anthropic表示，本轮融资将助力公司的基础设施扩展，使Claude能够覆盖客户所在的所有地区。博客还提到，Claude模型使用多种硬件来训练和运行，包括亚马逊Trainium、谷歌TPU和英伟达GPU，这意味着团队可以根据工作负载选择最合适的芯片。