Anthropic 成立 AI 社會影響研究所

Anthropic 又開了一個新單位，名字叫 The Anthropic Institute。講白了，就是把公司內部原本分散的社會影響、安全研究、經濟分析整合起來，專門研究人工智慧會怎麼改變工作、法律、治理和風險管理。

這件事之所以值得看，不是因為名字很大。是因為 Anthropic 自己說，過去 5 年的 AI 進展，把原本像是 10 年的節奏壓縮成更短時間。公司成立 5 年，前 2 年做出第一個商用模型，後 3 年把模型推到能找出嚴重資安漏洞、處理真實工作、甚至幫忙加速 AI 研究。

如果這個判斷沒太離譜，那重點就不是「模型又更強了」。而是社會制度跟不跟得上。法院、勞動市場、監管機構、企業內控流程，這些東西更新速度通常比軟體慢很多。你今天把 Claude API 接進公司流程，明天可能就碰到責任歸屬、資料保存、錯誤判斷、審計紀錄一堆問題。

為什麼 Anthropic 現在要切出研究所

Anthropic 這次不是單純成立一個政策部門。它把這個研究所定位成內部單位，但對外發佈研究結果。目標很直接，就是整理公司內部掌握到的模型證據，再把資料和分析公開給研究者、政策制定者、勞工和一般大眾。

時間點也很明顯。Anthropic 在公告裡直接說，未來 2 年 AI 可能還會出現更劇烈的進展。這個說法其實和 CEO Dario Amodei 近來的公開論述一致。他一直在強調，高能力 AI 可能比很多機構預期更早出現。

我覺得這裡最有意思的，不是「又一家 AI 公司談社會責任」。而是 Anthropic 很清楚知道，單靠模型評測和 safety case 不夠。當模型開始進入法律、行政、企業決策流程，問題就不只是 hallucination。還包含誰負責、誰審核、出了錯怎麼追溯、怎麼保留證據。

這個研究所會由 Anthropic 共同創辦人 Jack Clark 領導，新職稱是 Head of Public Benefit。初期成員包含機器學習工程師、經濟學者和社會科學研究者。它也整合了公司原本幾個團隊，像是 Frontier Red Team、Societal Impacts 和 Economic Research。

• Anthropic 成立約 5 年
• 前 2 年推出第一個商用模型
• 後 3 年持續強化真實世界能力
• 公司預測未來 2 年還會有更快進展

這種組織設計有一個現實意義。研究人員可以直接接觸第一手模型資料，不用只看公開 benchmark 猜來猜去。外部學者常常拿不到 frontier model 的實際部署資訊，研究自然會卡住。

但另一面也很現實。當一家公司既賣模型，又研究模型對社會的影響，你最好保持一點懷疑。它的研究可能有價值，但不能照單全收。說真的，科技公司自己寫自己的社會影響報告，永遠都需要外部驗證。

它想研究什麼，範圍其實很大

The Anthropic Institute 公布的研究方向很廣，但不是那種空話式清單。它點名幾個主題：AI 對勞動市場和經濟產出的影響、新型風險、模型表達出的社會價值，以及如果遞迴式自我改進真的開始出現，治理要怎麼設計。

你可能會想問，這些題目是不是太大了。答案是，對，很大。但也很實際。因為現在很多企業導入 LLM，不是拿來聊天而已，而是拿來寫程式、整理文件、做客服、做內部知識查詢。當這些工具從輔助變成流程核心，勞動分工和責任分配一定會改。

Anthropic 也說，研究所已經有幾個具名專案在跑。包括預測 AI 進展速度，以及研究進階 AI 系統會怎麼和法律系統互動。後者特別值得看，因為法律場景不是單純答題。它牽涉證據、程序正義、責任分配、專家證詞和大量文書工作。

“AI progress won’t just be about making systems more powerful. It will also be about understanding how those systems will affect the economy, law, and society.”

— Jack Clark，Anthropic 共同創辦人

這句話其實講得很白。模型能力提升只是表層。真正麻煩的是，制度要怎麼接住這些能力。法院不可能像部署 API 一樣，每週更新一次。政府採購、司法程序、企業法遵，全都慢很多。

Anthropic 也同步公布幾位早期成員。Matt Botvinick 會負責 AI 與法治相關研究，他曾在 Google DeepMind、Princeton，也在 Yale Law School 擔任 Resident Fellow。經濟學者 Anton Korinek 目前自 University of Virginia 暫離，將研究具高度變革性的 AI 如何重塑經濟活動。Zoë Hitzig 則曾在 OpenAI 研究 AI 的社會與經濟影響，現在負責把經濟研究和模型開發接起來。

法律這條線我特別想多講一點。過去兩年，AI 公司最常談的是 benchmark、紅隊測試、模型對齊、危害分類。現在 Anthropic 把焦點拉到法律系統本身，代表它看到的問題已經不是模型會不會答錯，而是模型進入法律流程後，整個制度會怎麼變形。

例如，AI 生成的法律摘要出錯，律師、事務所、軟體供應商誰負責。法官如果參考 AI 輔助分析，紀錄要不要保存。行政機關若用 AI 篩案件，人民能不能要求解釋。這些都不是技術團隊自己訂個 policy 就能解決的事。

• 研究主題包含勞動市場與經濟產出
• 也包含法律、治理與模型價值表達
• 已啟動 AI 進展預測專案
• 已啟動 AI 與法律系統互動研究

和其他 AI 實驗室相比，有什麼不同

現在幾乎每家大型 AI 公司都有政策、安全或社會影響團隊。OpenAI 有治理和政策工作。Google DeepMind 也有 safety、policy、responsibility 相關研究。Meta 則長期在開源、政策與風險治理之間找平衡。Anthropic 這次的差異，在於它把幾個既有團隊包成一個研究所，並給它一個很明確的公共利益定位。

另一個差異是，它把研究和政策遊說分開來說。Anthropic 表示，研究所負責產出分析和證據。獨立擴編的 Public Policy 團隊，則會推動公司在模型安全、透明度、出口管制、基礎設施投資、能源費率保護和民主治理上的立場。

這個切分很重要。因為只要研究和 lobbying 混在一起，可信度就會掉很快。你今天說自己在做社會影響研究，明天又拿同一份分析去推對自己有利的監管方案，外界一定會皺眉。分開不代表完全沒利益衝突，但至少比全部塞在同一個部門乾淨。

Anthropic 也提到，Sarah Heck 領導的 Public Policy 團隊正在擴編。她之前待過 Stripe，也在白宮國安會工作過。公司預計在 2026 年春季開設第一個華盛頓特區辦公室，同時擴大全球政策佈局。

• Anthropic 將 Frontier Red Team、Societal Impacts、Economic Research 整合進研究所
• Public Policy 團隊另外擴編
• 政策議題涵蓋透明度、出口管制、能源與基礎設施
• 預計 2026 年春季設立首個 DC 辦公室

跟競品相比，Anthropic 這步有點像把「安全研究」往「制度研究」再推一層。OpenAI 近年較常從產品部署、治理框架和 public policy 發聲。Google DeepMind 有很強的研究傳統，但企業體量更大，訊號有時會被其他業務稀釋。Anthropic 則一直把自己包裝成比較重視 safety 的公司，現在乾脆把社會影響研究品牌化。

不過品牌化也有風險。你把單位命名成 Institute，大家自然會用更高標準檢查。報告如果只是把大家早就知道的風險重新排版，外界不會買單。你總不能每次都說「AI 會影響工作與社會」，然後沒有新資料、沒有方法、沒有可驗證預測。

我覺得外界最該盯的，是它能不能提供只有 frontier model 公司才拿得到的證據。像是真實部署後的工作流程變化、不同職務的生產力差異、法律文件處理的錯誤率、模型在高風險場景的失誤案例。這些東西如果公開得夠細，價值就很高。

真正的看點，在資料品質和可驗證性

AI 產業現在很愛談風險，也很愛談責任。但很多內容講到最後都很抽象。問題不是大家沒意識到風險，而是缺少可操作的證據。立法者要的是數字，法院要的是記錄，企業要的是流程建議，研究者要的是能重現的資料。

Anthropic 自己也承認，研究所能接觸到外部研究者通常拿不到的資訊。這確實是優勢。因為 frontier model 的訓練、評測、部署和客戶使用資料，很多都不公開。外部學界很難靠猜測做出高品質的社會影響分析。

但這也是最容易出問題的地方。公司掌握資料，就能決定公開多少、怎麼切分、怎麼定義指標。假設某個部署案例讓工作效率提升 25%，那是平均值還是特定部門。錯誤率有沒有一起上升。人工複核成本算進去了沒。這些細節少一個，結論就可能差很多。

所以研究所第一批產出如果要有說服力，我覺得至少要做到幾件事。第一，方法要清楚。第二，資料來源要交代。第三，預測要能回頭驗證。第四，最好能讓外部學者或機構做交叉檢查。

以勞動市場為例，外界現在最缺的不是「AI 可能影響白領工作」這種句子。大家早就知道。真正有用的是哪些職務在 6 個月內產能增加 15%，哪些職務反而因為審核成本上升而只增加 3%，哪些職務的 junior 人力需求開始下降。這種資料才會讓企業和學校調整培訓方向。

法律場景也是一樣。不是只說 AI 會影響法院和律師，而是要拿出案例：哪些文件類型最適合自動摘要，哪類案件最容易出現錯誤引用，人工複核要花多少時間，導入後每件案子的處理成本降了多少。講白了，沒有數字就很難討論。

• 研究若要有用，方法必須公開
• 資料來源和限制要寫清楚
• 預測要能回頭檢驗
• 最好接受外部研究者交叉比對

這背後也反映 AI 產業的焦慮

Anthropic 成立這個研究所，某種程度上也反映整個產業的焦慮正在轉向。前幾年大家焦點放在模型能不能做更多事。現在問題變成，當模型真的能做更多事，社會要怎麼承接。這不是單一公司的問題，而是整個產業都撞上的牆。

你可以把它看成兩條線同時前進。一條線是能力線，模型越來越會寫、越來越會看、越來越會推理。另一條線是制度線，企業法遵、政府治理、法院程序、教育訓練都得慢慢調整。麻煩在於，兩條線的速度差太多。

台灣開發者其實也很有感。很多公司現在已經把 GPT、Claude 或其他 LLM 接進客服、內部搜尋、文件整理、程式輔助。技術上幾週就能上線。可是一碰到個資、資安、稽核、責任分工，流程就開始卡。這也是為什麼「社會影響研究」聽起來很遠，實際上離產品部署很近。

更現實的是，政府和企業高層常常想要一個簡單答案：能不能用，風險大不大。偏偏 AI 不是這種題目。它比較像一套會持續演化的基礎工具。每次模型升級，既有評估都可能要重做一次。這也是為什麼產業現在開始需要更持續、制度化的研究機制。

接下來該看什麼

接下來 12 個月，我會看三件事。第一，The Anthropic Institute 會不會真的定期公開研究，而不是只有 launch 文和漂亮簡報。第二，它的報告有沒有具體數據，還是停留在風險宣示。第三，外部學界、政策圈和法律界願不願意引用它的成果。

如果它能拿出勞動市場的實測資料、法律場景的失誤案例、可驗證的 AI 進展預測，那這個研究所就會有份量。反過來說，如果內容只是把大家已知的焦慮重新包裝，那很快就會被淹沒在一堆企業白皮書裡。

對開發者來說，最實際的做法很簡單。別只看模型分數，也別只看 demo。你在評估 GPT、Claude 或其他 LLM 時，順手把法遵、審計、責任分工和人工複核成本一起算進去。很多專案不是卡在模型不夠強，而是卡在組織根本沒準備好。

我自己的預測是，2026 年前後，AI 公司的競爭不只比模型能力，也會比誰能拿出更完整的部署證據和社會影響分析。模型越強，外界越不會接受一句「相信我們有在管」就算了。你得拿資料出來。