當 Anthropic 把他們的模型命名為「Claude」時，這其實不是一個單純的品牌選擇，而是一種非常明確的致敬。致敬的對象，就是 Claude Shannon（克勞德·香農）。
但更重要的是，這個名字背後隱含著一個判斷：今天的 AI，仍然建立在香農當年定義的世界之上。在Claude Shannon之前，資訊並不存在
在 20 世紀中葉之前，通訊更像是一門經驗科學。電話會有雜訊，訊號會失真，工程師只能不斷試錯與調整。沒有人真正知道訊息能不能被完美傳送，也沒有人知道系統的極限在哪裡。
這一切在 1948 年被改變。香農在 Bell Labs 發表了 A Mathematical Theory of Communication，把通訊從工程問題，提升為一個可以被精確描述的數學問題。
他做的第一件事，是重新定義「資訊」。透過 Information entropy，他將資訊理解為「不確定性」。越難預測的訊息，資訊量越大；越規律的訊息，就越容易被壓縮。
這個定義的關鍵不在公式，而在於一個轉變：資訊從此不再是抽象概念，而是可以被量化、被計算，甚至被設計的對象。
如果把這篇論文拆開來看，它其實做了三個非常關鍵的動作。
- 建立了一個統一的通訊模型。任何系統，都可以被抽象為訊息來源、編碼器、通道、解碼器與接收者。從電話到網路，甚至今天的 AI，都可以放進這個框架。
- 證明了資料可以被壓縮，而且存在理論極限。這就是為什麼我們今天能夠用極小的空間儲存音樂與影像，所有壓縮技術，本質上都在逼近這個界線。
- 證明在有雜訊的環境中，資訊仍然可以被幾乎無錯誤地傳輸。關鍵不在於消除雜訊，而在於設計正確的編碼方式。
電子老鼠與 AI 的最早原型
Claude Shannon 的影響力不只停留在通訊與電路，他對機器是否可以學習也有非常早期的實驗。他打造了一隻可以走迷宮的電子老鼠 Theseus。
這個裝置第一次會不斷試錯，但只要走過一次，就能記住路徑，之後直接選擇最短路線。這裡其實已經包含了現代 AI 的幾個核心概念。系統能夠儲存狀態，能夠根據經驗更新行為，並在環境中做出更有效率的決策。
這不是深度學習，但它已經清楚展示了機器的行為，可以透過資訊的累積而改變。
為什麼 AI 會用 Claude 這個名字
回到今天，Anthropic 將模型命名為 Claude，其實是在傳達一個非常清楚的立場。AI 並不是從深度學習開始，也不是從大模型開始。它的根源，是資訊理論。
當模型在訓練時，本質上是在學習機率分布，也就是在處理不確定性。當模型生成內容時，本質上是在壓縮與重建資訊。當我們談 scaling law，本質上也是在討論資訊密度與計算資源之間的關係。
換句話說，今天 AI 所面對的問題，本質上仍然是香農當年提出的問題。
AI 的核心，不只是算力，而是資訊
香農留下來的是一種思考方式，當你面對一個複雜系統時，可以先問三個問題
- 這個系統在處理什麼資訊
- 資訊的瓶頸在哪裡
- 理論上的極限是什麼
這三個問題，幾乎可以套用在半導體、AI，甚至投資市場。AI 並不是突然出現的革命，而是資訊理論在 70 年之後的自然延伸。而我們現在看到的每一個模型，其實都還站在 Claude Shannon 當年畫出的那條邊界之內。
