Anthropic 与 Google 的关联让银行站在 AI 突围的两端

Anthropic 已将先进网络能力引入银行业，而其与 Google 的关系也在扩展支撑这些能力的基础设施。这种冲突使银行一面防御 AI，一面为其增长提供融资。

因此，Anthropic 与 Google 的联系不只是又一项云合作关系。Google 提供定制处理器，并参与 Anthropic 的安全计划。银行使用 Anthropic 模型，防范类似系统，同时帮助资助运行这些系统的数据中心。

这种安排改变了金融机构内部围绕 AI 的讨论。眼下的问题不再是是否应向员工提供聊天机器人。银行必须决定如何治理能够发现漏洞、执行受监管工作并形成集中式依赖的模型。

Anthropic 的网络模型改变了银行业的讨论

Claude Mythos 将渐进式的安全担忧，变成了对银行能否以机器速度响应的即时考验。

Anthropic 于 4 月 7 日通过 Project Glasswing 推出了 Claude Mythos Preview。该计划最初汇集了 Anthropic、Google、JPMorgan Chase、Amazon Web Services、Apple、Microsoft 以及多家安全公司。

Mythos 是一款受限模型，旨在识别和分析软件漏洞。Anthropic 并未向公众普遍开放该预览版，而是向部分防御方和关键软件运营方提供访问权限。

这种受控发布本身也是事件的一部分。一个模型无需拥有公开界面，也能改变整个行业的风险评估。其已展示的能力可以揭示限制较少的系统可能很快具备的能力。

Anthropic 表示，Mythos Preview 在早期部署期间扫描了超过 1,000 个开源项目。该公司的 Glasswing 初步更新 称，该模型识别出估计 23,019 个漏洞。

Anthropic 将其中 6,202 项发现归类为高危或严重级别。这些数字仍是公司估算，而不是对每一个已报告漏洞进行的全面独立审计。

该模型的价值同样取决于验证。自动化系统可能会标记看似危险的代码模式，却无法证明攻击者能够在生产环境中加以利用。安全团队必须复现发现结果、评估暴露面并协调修补。

即使存在这些限制，其规模仍会改变常规漏洞管理方式。过去，银行可能会通过由研究人员、供应商和既定补丁周期共同塑造的队列来处理发现结果。专用模型则能够以快得多的速度生成发现结果。

速度带来双向问题。防御方能够检查更多代码，并更早确定修复优先级。使用类似能力的攻击者也能在庞大的软件资产中搜索被忽视的弱点。

银行面临的问题尤为棘手。它们的基础设施通常结合了现代云服务、采购应用、内部代码和较老的核心系统。每一处连接都增加了漏洞扩散的可能位置。

风险并不局限于银行自行编写的应用程序。金融机构依赖操作系统、浏览器、身份服务、支付软件以及众多第三方。一家供应商的弱点可能同时影响许多机构。

这种可能性解释了政府为何关注 Mythos。官员们面对的并非一项普通模型基准测试，而是漏洞发现与尝试利用之间时间可能被压缩的前景。

核心变化可通过响应时间衡量。安全组织无法控制未来模型搜索漏洞的速度，但可以控制团队验证、确定优先级、修补和监控这些发现结果的速度。

对银行而言，Mythos 与其说是一款成品，不如说是对运营节奏的警示。下一项严重漏洞可能会通过类似的自动化系统，同时抵达防御方和对手手中。

Anthropic 与 Google 的关系为何重要

Google 为 Anthropic 提供了规模足以将专用模型能力转化为持久商业系统的基础设施访问权限。

Anthropic 与 Google 的关系结合了投资、算力、分发和技术合作。它也说明，银行不能把 AI 供应商视为彼此孤立的软件提供商来评估。

Anthropic 于 2025 年 10 月同意获得最多 100 万颗 Google 张量处理单元的使用权限。张量处理单元，即 TPU，是 Google 为 AI 工作负载定制的处理器。

据两家公司称，该协议价值数百亿美元。正如 TPU 协议 所述，预计将在 2026 年期间上线超过 1 吉瓦的容量。

Anthropic 随后表示，已与 Google 和 Broadcom 签署协议，获得 5 吉瓦下一代 TPU 容量。这一声明于 5 月伴随一项重大融资公告发布。

与此同时，Anthropic 表示 AWS 仍是其主要云服务提供商和训练合作伙伴。Claude 也可通过 Microsoft Azure 使用。这种多云方式减少了对单一交付渠道的依赖，但并未消除基础设施集中的问题。

Google 在这一结构中占据不同寻常的位置。它开发与 Claude 竞争的 Gemini，同时也提供帮助 Anthropic 训练和运营竞争模型的处理器与云容量。

这使双方的关系都具有战略价值。Anthropic 获得专用计算资源，Google 则获得其处理器的一位重要客户，并在自身内部模型家族之外验证其基础设施。

银行应当在自身供应商组合中识别同样的模式。应用层的竞争可能建立在底层共享基础设施之上。两项看似独立的 AI 服务，仍可能依赖重叠的云、处理器或安全组件。

这种关系也将能力开发与防御协调结合起来。Google 在为 Anthropic 提供基础设施的同时参与了 Project Glasswing。因此，它既处于模型上游，也处于围绕模型风险建立的响应网络之中。

这并不意味着 Google 控制 Claude Mythos 或 Anthropic 的每一项部署。它意味着在评估韧性时，供应商边界不再那么有用。银行风险团队需要的是技术和商业依赖关系图，而不仅仅是产品清单。

一家机构可能通过某个云服务使用 Claude，通过另一份合同使用 Gemini，并使用调用任一模型的供应商应用。这种安排表面上似乎实现了多样化，却仍保留着共同的基础设施节点。

同样的问题也适用于内部知识系统。银行可能将模型服务连接到研究资料、政策、客户记录和工程文档。每一项连接都会扩大系统的效用，也会扩大其暴露面。

良好的 知识融合 可以帮助员工从获批来源中检索上下文。然而，在受监管机构中，每一条检索路径同样需要访问控制、来源追溯、留存规则和监控。

这正是 Anthropic 与 Google 的关系在模型排名之外同样重要的原因。它代表着正在围绕前沿 AI 形成的产业结构。模型开发商、云运营商、芯片设计商和大型客户正变得在财务和技术上相互依赖。

银行无法仅靠选择一家熟悉的供应商来避开这种结构。它们必须识别依赖关系汇聚之处，并决定哪些故障需要替代容量、人工流程或合同保障。

银行既是客户、防御方，也是融资方

银行如今在 AI 经济中同时处于三种相互冲突的位置，而每种位置都会产生可能被其他位置削弱的责任。

作为客户，银行希望获得更好的模型，用于研究、软件开发、合规工作和文档分析。Anthropic 已围绕这些需求建立了直接的商业战略。

5 月，该公司推出了面向金融工作流的 10 个智能体。智能体是能够在有限人工干预下规划并执行多个步骤的软件。

这些工具旨在完成构建推介材料、审计报表和起草信贷备忘录等任务。Anthropic 表示，它们可与 Claude Code 和 Cowork 连接，同时反映机构自身的政策。

据 金融智能体发布 报道，当时 Anthropic 表示，金融机构占其前 50 大客户的 40%。按企业营收计算，金融业是其第二大行业，仅次于科技业。

这种采用带来了直接的竞争压力。能够缩短文档审查或软件交付时间的银行，可以减少周转时间。流程未变、反应较慢的竞争对手可能难以匹配其服务水平。

然而，银行同时也是防御方。提升内部生产力的系统，可能与帮助攻击者寻找弱点的系统相似。安全团队必须评估模型、其连接的工具，以及跨应用执行操作的智能体行为。

这一角色要求的不只是过滤员工提示词。一个金融智能体可能检索信息、写入文件、调用软件工具或准备决策。每一项权限都会形成一条需要控制与证据支持的路径。

银行不能把模型视为唯一的风险单元。它必须检查完整工作流，包括身份验证、数据检索、人工批准、输出验证和审计日志记录。

银行还为支持 AI 的实体扩张提供融资。贷款、私募信贷、结构化工具和数据中心项目，可能使贷款方暴露于其正在采用的同一行业的需求假设之下。

这形成了一个不同寻常的反馈循环。银行为模型公司的基础设施融资。这些公司开发的系统又推动银行现代化。银行随后购买更多 AI 服务，以应对这种压力。

这一循环并不自动意味着不稳定。数据中心是真实资产，模型服务也能带来有价值的收入。不过，彼此关联的增长可能掩盖了有多少风险敞口依赖相似的假设。

一家贷款机构可能基于某家 AI 公司的长期需求，为一个数据中心项目承销。该机构的另一业务部门或许又依赖这家公司的模型。于是，银行的技术风险和信贷风险敞口便共享同一套交易对手逻辑。

Google 的角色又增加了一层复杂性。它能够在同一市场中提供芯片、云服务、投资支持和模型竞争。银行必须评估这些角色在压力情境下如何相互作用。

这才是真正的警钟。AI 已不再局限于技术支出。它涉及运营韧性、第三方风险、网络防御、贷款和战略规划。

碎片化的治理模式将会错过这些联系。采购部门或许衡量供应商条款，安全团队跟踪漏洞，信贷团队分析基础设施借款人。没有任何单一视角能够捕捉这种综合风险敞口。

银行需要一张企业级地图，连接 AI 服务、云依赖关系、关键工作流、融资关系和应急计划。没有这张地图，多样化可能只存在于纸面上，而集中度却在底层不断上升。

Anthropic 与 Google 的压力暴露出速度差

真正的较量，在于模型驱动的变革与银行为控制这种变革而建立的治理体系之间。

传统银行控制机制假设，重大技术变革会经历明确的阶段。团队选择供应商、测试系统、记录风险、批准部署，并监控生产环境中的行为。

前沿模型在这一周期内并非一成不变。提供商会更新能力、保障措施、上下文限制、集成方式和部署政策。针对某一版本完成的审查，未必能描述下一版本。

网络安全能力的发展速度更快。一个漏洞发现模型可以持续扫描代码，而银行可能仍通过预定窗口协调补丁部署。这种不匹配使响应速度具有战略重要性。

答案并不是取消审查关卡。银行处理客户资产、个人数据和受监管的决策。为匹配供应商的发布节奏而削弱控制措施，只会用可避免的运营风险替代延迟。

更好的方法是，将可逆的实验与实质性的生产决策区分开来。团队可以在受控环境中评估新能力，同时让面向客户或高影响力的用途接受更严格的审批。

银行还需要由变更触发的审查。重大模型更新、新工具权限、扩展数据集或变更的数据保留政策，都应重新启动相关控制措施。仅靠年度评估无法跟上这个市场。

围绕 Mythos 的银行防御分析说明了这种压力。监管机构与银行高管讨论了该模型，而其访问权限最初仍仅限于部分获选组织。

JPMorgan Chase 是首批 Glasswing 参与者中唯一被点名的银行。Morgan Stanley、Goldman Sachs 和 Bank of New York Mellon 随后在财报电话会议中确认已获得访问权限。

这种不均衡的分配很重要。拥有早期访问权的机构可以研究该能力、检查自身系统并改进响应流程。未获得访问权的机构则必须依据二手信息和传统测试工具进行准备。

国际差距让问题更加棘手。英国银行业顾问 Harriet Rees 7 月表示，英国主要银行尚不清楚何时能够获得 Mythos 的访问权限。

Anthropic 表示，在与美国政府协调的同时，已开始将 Mythos 5 推广至美国以外地区。访问权限仍与可信组织及政策决策挂钩。

这使模型可用性成为韧性问题。如果受限系统发现了新类别的弱点，未获批准网络之外的机构仍将面临相关的基础风险。

压力并不只是 Anthropic 对阵 Google，或 Claude 对阵 Gemini。这些只是辅助性的竞争动态。核心冲突在于快速推进的能力与较慢的机构协调之间。

因此，银行高管应提出运营层面的问题：团队能够多快验证一个由模型生成的紧急发现？哪些系统可以接收紧急补丁？在开始修复前，哪些供应商必须参与？

他们还应测试沟通路径。严重漏洞可能涉及法务团队、监管机构、客户、软件供应商和政府机构。延迟往往发生在组织之间，而不是安全扫描器内部。

Anthropic 与 Google 的基础设施关系提高了新模型获得充足算力的可能性。这并不保证每项宣称的能力都能实现，但等待进展放缓并不是一个强有力的策略。

银行需要能够保留审慎态度、又不依赖缓慢变更的治理机制。这一区别至关重要，因为攻击者不会等待委员会的日程安排。

模型数字无法证明什么

Mythos 提供了严肃警示，但其公布的发现并不能证明存在一套势不可挡的攻击系统，或一套完整的防御解决方案。

Anthropic 的漏洞数量需要结合背景理解。一个模型可以产生数千项候选发现，但其中只有较小一部分能在真实部署中被证实为可利用、新颖、可达且重要。

严重性评估也取决于假设条件。一个在某种配置下被评为严重的缺陷，在另一种配置下可能无法被利用。反过来，一个中等问题在与弱凭证或另一漏洞结合时，也可能变得危险。

Anthropic 已发布的材料通过限制 Mythos 级系统来承认部署方面的担忧。这一政策支持了该能力值得关注的论点，但并未独立验证每一项性能声明。

银行应避免两个相反的错误。仅因提供商报告了自身结果就忽视该模型，会无视一个可信的警示；将每项结果都视为已获确认，则会扭曲优先级并消耗有限的修复能力。

有用的控制流程会记录验证率。团队应衡量有多少发现能够复现、有多少是新的、验证需要多久，以及已确认问题多快获得补丁。

这些运营指标比新闻标题中的总数更重要。它们揭示模型究竟是在改善安全结果，还是仅仅扩大了本已拥挤的漏洞队列。

防御性访问也带来信息处理风险。研究私有源代码的系统可能接触到凭证、架构细节或需要严格控制披露的弱点。

银行需要就数据保留、模型训练、支持访问和事件报告获得合同层面的明确约定。它们还需要证据证明，权限始终与每名员工的角色保持一致。

更广泛的采用图景还包含另一项警示。一项由 University of Cambridge 主导的金融服务调查发现，大多数参与机构使用外部模型进行构建，而非自行训练基础模型。

在受访行业机构中，OpenAI 是使用最广泛的提供商，其后是 Google 和 Anthropic。这一发现表明，银行已经身处多提供商市场之中。

同一报告还发现了围绕风险的认知差距。监管机构相比 AI 供应商，更重视对抗性威胁以及网络或运营韧性。

这种分歧会影响部署。供应商往往聚焦于模型控制和已记录的保障措施。监管机构和银行则必须考虑支付、客户服务、市场和互联机构之间的故障。

竞争提供了一定保护。银行可以比较 Claude、Gemini、OpenAI 模型和专业安全工具，并将不同工作负载导向具备适当控制措施的服务。

然而，切换并非即时完成。模型行为、提示词、评估、集成和员工工作流都会形成实际锁定。迁移一项实质性流程可能需要新的测试和监管文件。

模型多样性同样可能引入额外复杂性。每家提供商都带来不同的合同、监控系统、安全政策和更新节奏。更多供应商可以提高韧性，同时也会增加治理工作。

恰当的结论应当保持审慎。Anthropic 已提出证据，表明自动化漏洞发现出现了有意义的变化。其完整的攻击影响和长期防御价值仍不确定。

银行应为更快的发现速度做好准备，但不应假设任何单一模型能够解决问题。验证、修补、分段隔离和恢复仍然不可或缺。

银行接下来应关注的三个信号

下一阶段将由经验证的安全成果、更广泛的访问权，以及银行能否跨越组织边界治理 AI 的证据来决定。

第一个信号是对 Mythos 发现的独立验证。银行应关注，在受影响项目和安全研究人员审查后，有多少已报告漏洞仍保持原有严重性。

高验证率将强化这样一种观点：专业模型已经永久压缩了发现时间线。低验证率不会消除风险，但会将关注点转向分诊质量。

最有价值的披露不应只包含总数。审查者需要复现性、新颖性、可利用性、补丁完成情况和修复耗时数据。这些指标将模型输出与实际防御改进联系起来。

第二个信号是可信访问权的扩展。Anthropic 在美国以外地区的推广将表明，受限分发能否在不无差别释放敏感能力的前提下，支持广泛的金融韧性。

一个更广泛、协调的计划将缩小早期参与者与其他机构之间的差距。长期的地域分化则会加强对于本土模型、共享测试设施或正式国际协议的呼声。

银行还应关注政府是否会为参与制定一致标准。临时审批可能让机构对时间表、责任和已发现漏洞的处置感到不确定。

第三个信号是金融机构内部的治理。财报电话会议、监管审查和事件披露应揭示，银行是否将 AI 采用与网络安全及第三方集中度联系起来。

进展的证据将包括与业务流程相连的模型清单、经过测试的后备程序、针对特定版本的评估，以及更快的补丁工作流。泛泛而谈的负责任 AI 表述所能说明的则少得多。

Anthropic 与 Google 的联盟仍将处于核心位置，因为基础设施规模影响未来发布的速度。Anthropic 与 AWS 和 Microsoft 的关系也意味着，这一故事不能被简化为单一的独家云依赖。

这种多云结构为银行提供了选择，但只有团队能够实际行使这些选择时，它们才有帮助。如果工作负载无法安全迁移，一个从未启用的备用提供商并不构成韧性。

同样的原则也适用于人工监督。要求审批听起来令人安心，但当审查人员缺乏时间、背景信息或权限时，这种机制就会失效。银行必须测试人员能否在现实条件下中断自动化工作流。

高管应提出最后一个问题：其机构能否比同类模型协助利用漏洞的速度更快地响应模型发现的弱点？

这一问题将网络安全、供应商管理、人员配置、基础设施和高管问责联系在一起。它也让 Anthropic 与 Google 的故事超越模型排名，获得实际意义。

银行无需预测哪家 AI 实验室将在明年领先。它们需要的是在能力、访问权和供应商关系快速变化时仍能保持可靠的运营体系。

因此，这一警钟并不是要求购买某一个模型，而是要求在下一次能力跃升到来之前，绘制依赖关系、验证声明、加速修复并演练恢复。