近期，Anthropic 发布了一篇名为《Which economic tasks are performed with AI? Evidence from millions Claude conversation》—— 从数百万条 Claude 对话中探索 AI 能更为擅长的工作任务。这份报告给我们带来了一些启发，尤其是关于如何量化模型带来的经济价值，以及大家最为关心的，它们能取代哪些人类工作任务？更准确地说，应该是人们如何跟 AI 协作的问题，当然这期内容不止报告本身，我们也聊聊这份报告制作方 Anthropic 这家公司本身。

孟醒：五源资本合伙人，滴滴前自动驾驶 COO

大奎：Looki.AI 品牌负责人

1:28 Anthropic 是一家什么样的公司？

Star Gate

ADEPT

3:23 Sonnet 3.7 的发布备受关注

5:07 Sonnet 3.7 高达 70% 的准确率意味着什么？

imageNET

AlexNet

7:30 什么是 SWE Bench？

8:16 报告如何展开研究？

Clio：www.anthropic.com

9:16 报告第一个结论：AI 的使用广度大于深度

10:53 为什么大部分人使用 AI 浅尝辄止？

12:42 AI 的垂直化是应该基于工种而不是行业

MCP

Cursor

Augment Code

Context window

RAG

Retrival

17:10 toB 和 toC 的 coding 产品，哪一个想象空间更大？

MarsCode

19:35 toB 行业负反馈大于正反馈

20:40 Anthropic 是在一开始就考虑好做 toB 生意吗？

21:30 什么是 federation learning 联邦学习？

25:13 Sonnet3.7 为什么不是一个推理模型？

27:05 Sonnet 从 3.5 升级到 3.7 对应用公司意味着什么？

deep research

30:07 第二个核心结论：极高端职业使用 AI 频率极低

Parallel legal

32:23 对精准度要求极高的行业如何克服模型幻觉问题？

Harvey AI

34:19 toB 模型服务公司对 RAG 有极高要求

35:39 医疗行业和大模型的结合点

Co-pilot

Auto-pilot

41:12 报告第三个核心结论：增强型任务使用率 57% 高于自动化任务 43%

43:40 重新认知人的需求变化

46:29 用 “杨贵妃吃荔枝” 类比人的需求变化

49:52 co-pilot 和 auto-pilot 产品市场的发展趋势

55:26 当 AI 过剩，生产力会如何重新分配?

57:32 报告背景的补充