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。

• 主播

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

• 时间轴&关键概念

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？

https://assets.anthropic.com/m/2e23255f1e84ca97/original/Economic_Tasks_AI_Paper.pdf

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