Anthropic IPO背后：早期投资人如何看AI软件机会

Anthropic 递交 S1 文件的消息在投资圈引发的震动，远比一次普通 IPO 要大。Bessemer Venture Partners 的 Byron Theta 在访谈中直言，这是"所有人都在等待的那一个"。作为从 2024 年就首次下注 Claude 母公司、四轮累计投入 6.5 亿美元的早期投资人，Bessemer 的视角既有财务回报的兴奋，也有对 AI 软件层价值重估的判断。

为什么这家公司的 IPO 是一个分水岭

过去几年，公开市场投资者能参与的 AI 标的集中在硬件和基础设施层。英伟达之外，纯软件侧的头部 AI 公司几乎全部留在私募市场。Byron 把 Anthropic 形容为"软件侧的那个怪兽"——它的上市意味着公开市场第一次能直接买入前沿 AI 实验室的纯软件敞口。

这个判断的关键不在于 Anthropic 单家公司的估值，而在于它打开了什么。访谈中提到一个颇具讽刺意味的数据对比：今年 IPO 市场按金额算放大了三倍，但按发行数量算只有三分之一，且几乎没有向 LP 分配资金。换句话说，资产在升值，现金却没有回到出资人手里。

S1 文件是美国《1933 年证券法》下外国私人发行人（或依据 2012 年 JOBS Act 的新兴成长公司）在美股 IPO 前向 SEC 提交的注册声明，作用相当于美国本土公司的 S-1 表格。与 S-1 相比，S1 表格的披露要求略有简化，但同样包含业务概述、风险因素、管理层讨论与财务数据等核心内容。科技媒体常以“递交 S1”泛指 IPO 正式启动，因为该文件是外界第一次系统看到公司真实经营数据的公开窗口。

软件层敞口指投资者通过公开股票直接持有 AI 应用与模型公司的股权，而非通过英伟达等芯片厂商间接参与 AI 主题。2023 至 2025 年间，头部 AI 实验室基本停留在私募市场，公开市场缺乏纯软件 AI 标的，这是“分水岭”说法的事实基础。

LP 流动性堰塞湖与"闸门"效应

行业增长巨大，但 DPI（已分配资本回报率）处于历史低位——这是 Byron 反复强调的结构性矛盾。私募市场积压了大量高质量公司，他提前透露 Bessemer 即将发布的 AI 100 榜单上，每一家都是数十亿美元级别的实体，而公开市场投资者一直无法触及这些标的。

Anthropic 的时点选择也有讲究。访谈指出 Q4 窗口本就狭窄：中间夹着选举、感恩节假期，感恩节之后到圣诞前只有短短几周。没有公司愿意在这个窗口正面挑战 Anthropic 的发行。Byron 的判断是，真正的发行潮会在 2027 年打开，"我们希望也相信会有更多公司跟进"。

这里需要区分两件事：Anthropic 上市本身是一次流动性事件，而它对整个 LP 生态的"解锁"效应才是更长远的影响。访谈中把 SpaceX 视为第一个待释放的锁，OpenAI 可能紧随其后，形成一波递延的上市浪潮。

**DPI（Distributions to Paid-In Capital，已分配资本回报率）**是私募股权与风投基金的核心业绩指标，衡量基金已返还给 LP 的现金占 LP 已缴出资的比例。DPI 为 1.0 表示 LP 已收回全部本金，超过 1.0 才代表真正实现盈利。与之并列的还有 TVPI（总价值/实缴资本，含未退出部分）。

过去几年 AI 公司估值快速上升，TVPI 表现亮眼，但由于 IPO 和并购退出通道收窄，现金分配极少，DPI 被压在历史低位。LP（养老基金、大学捐赠基金、家族办公室等出资人）因此缺乏现金回流来履行自身支出承诺或配置新基金，这就是所谓“流动性堰塞湖”。Anthropic 这类大市值 IPO 的意义在于把账面 TVPI 转化为实际分配给 LP 的现金，从而恢复整个募资循环。

风险披露里藏着的行业地图

S1 的风险因素部分同样值得细读。Anthropic 提示了两类压力：开源模型可能压低价格，专用模型可能在特定工作负载上胜出。Byron 的特殊之处在于，Bessemer 的组合同时覆盖了这些方向，因此他的解读不是防御性的，而是分层式的。

他的框架大致是：前沿模型持续为行业定速，拥有最先进项目的最佳公司会长期依赖它们，这是多年维度的强劲需求；在此之上，客户可以叠加降级模型以获得更好的单位经济学，前沿实验室会主动提供这类替代品；开放权重模型在价值链中扮演重要角色；而针对物理 AI 等场景的专用模型——如自动驾驶、国防科技、医疗设备——往往基于前沿模型，但实际部署中会使用更小的模型。

这个分层观点实际上回应了"开源会杀死前沿实验室"的担忧：价格压力真实存在，但需求结构是分层的，不同层级的模型服务不同的成本约束和任务复杂度。对软件创业者而言，这意味着机会不只在前沿模型本身，也在模型之间的组合与编排层。

开源/开放权重模型指模型权重公开可下载、允许自由使用与微调的模型，如 Llama、Mistral 系列。它们对闭源前沿实验室构成价格压力：客户可以用低得多的成本完成大量常规任务，压缩 API 定价空间。专用模型则指针对单一任务或行业深度优化的模型，例如自动驾驶感知模型、医疗影像模型，规模更小、推理成本更低，在特定工作负载上可能优于通用大模型。

**降级模型（downgraded model）**并非行业标准术语，访谈语境下指同一供应商提供的较小、较便宜或稍旧版本的模型，用于在精度要求不高的任务上改善单位经济学。**模型路由（model routing）**是把不同请求按复杂度分派给不同规模模型的工程实践，在成本与质量之间取得平衡，是模型分层框架落地的关键技术手段。

对 AI 软件创业者的启示

把访谈内容放到创业语境下，有几个可操作的推论。其一，公开市场对纯软件 AI 敞口的饥渴程度被低估了，后续上市窗口打开时，具备清晰收入模型的公司会获得估值溢价。其二，模型分层意味着"只用最强模型"未必是最优工程决策，成本结构要求创业者学会在前沿模型、降级模型和小模型之间做路由。其三，物理 AI 与垂直场景（自动驾驶、国防、医疗）是前沿模型能力外溢的直接受益方，这类公司的估值逻辑会越来越靠近 AI 基础设施而非传统软件。

Byron 在访谈中没有给出任何具体的回报数字，但"major windfalls"这个措辞已经说明了一切。对早期投资人而言这是一次兑现；对更广大的市场参与者而言，这是一次重新定价 AI 软件层价值的起点。