8 月 5 日，Anthropic 向 Reuters 和 TechCrunch 确认正在组建一支内部芯片设计团队，为 Claude 系列模型开发定制芯片。这是继 4 月 Reuters 披露其探索自研芯片、6 月从 OpenAI 挖走二号芯片工程师 Clive Chan、7 月传出与三星洽谈代工之后，Anthropic 首次以官方身份确认进入芯片设计领域。
OpenAI、Google、Meta 和 Anthropic 都已拥有或在推进自己的芯片项目。Anthropic 的这次确认说明，大型 AI 开发者正在把更多注意力投入计算硬件，希望把芯片、模型和服务成本一起优化。
正在招聘工程师，芯片用途与交付时间尚未确定
Anthropic 目前披露的信息仍然有限。公司称正在招聘"横跨硬件和软件栈"的工程师加入"custom silicon team"，目标是让 Claude 运行得更快、更高效。岗位薪资范围在 $320,000 至 $485,000 之间。至于芯片是用于训练还是推理、采用什么架构、何时流片——公司一概未予回应。
Anthropic 同时强调这并非转向独家自研，而是其"multi-chip strategy"的延伸：公司将继续依赖来自 AWS、Google、Nvidia 和 AMD 的芯片。在 7 月 TechCrunch 问及与三星的代工谈判时，Anthropic 的回复更为保守——"多样化硬件栈对我们的算力策略仍然至关重要，关于潜在的三星合作，我们没有更多补充。"
这种谨慎有其合理性。据行业信源估算，开发一颗先进 AI 芯片的成本约为 5 亿美元，涵盖工程设计和制造验证。而 Anthropic 距离流片还有相当距离——The Information 7 月的报道明确指出，公司"尚未决定芯片的用途、服务器集成方式或性能目标"。参照同类项目，从团队组建到首批芯片部署可能需要 2-3 年，这并非 Anthropic 公布的时间表。短期内，Claude 的推理仍将主要运行在 Google TPU、AWS Trainium 和 Nvidia GPU 上。
项目也可能影响投资者对长期成本的判断。Anthropic 刚刚在 6 月 1 日秘密提交了 IPO 申请，估值接近万亿美元，年化收入从 2025 年底的 90 亿美元增长至 2026 年 5 月的约 440 亿美元。在通向公开市场的路上，自研芯片提供了探索成本改善的途径，不过能否提高利润率，还取决于研发投入、部署规模和芯片表现。
同行已分别选择推理芯片、云服务和高频迭代路线
与同行比较，各家自研芯片的策略差异比表面看起来更大。
OpenAI 选择了推理优先、深度绑定 Broadcom 的路径。 6 月 24 日发布的 Jalapeño 是一颗推理专用 ASIC，从设计到流片仅用 9 个月——这个速度在 ASIC 领域极为罕见，部分受益于 OpenAI 使用自有模型辅助芯片设计优化。Jalapeño 的部署计划与 OpenAI 的 10 GW 基础设施目标绑定（至 2029 年），首批芯片预计 2026 年底上线，但 Broadcom CEO Hock Tan 在 CNBC 采访中给出的更实际时间表是"2027 年开始真正放量，2028 年上半年全面运转"。Nvidia 在 2 月以 300 亿美元投资了 OpenAI，加强双方在 Vera Rubin 等训练基础设施上的合作。
Google 已长期将 TPU 用于自身业务和云服务。 第七代 Ironwood TPU 已于 2025 年 4 月发布，Anthropic 自身也承诺使用多达 100 万个 Ironwood TPU。此外 Anthropic 与 Google/Broadcom 签有约 3.5 GW 的 TPU 算力长期协议（2027 年起生效）。这意味着 Anthropic 既是 Google TPU 的大客户，现在又成为了 Google 芯片策略的潜在竞争者——这层关系的张力将在未来几年逐渐显现。
Meta 强调更快的芯片迭代。 MTIA 路线图已包含 MTIA 500，后者计划在 2027 年大规模部署。公司称已具备约每六个月推出一款新芯片的能力，快于行业通常一到两年的更新节奏。今年 4 月与 Broadcom 宣布延续至 2029 年的战略合作，初始部署承诺超过 1 GW，涉及 2nm 工艺。MTIA 从推荐系统推理起步，正在扩展对生成式 AI 推理和训练的支持。另据相关报道，代号 "Iris" 的芯片预计 9 月投产，实际进度仍待确认。
Amazon 的 Trainium 是 Anthropic 已在使用的芯片。 Amazon 的自研芯片主要通过云服务提供给客户，Google TPU 也有类似的对外供给方式。
Anthropic 当前的项目阶段最接近 OpenAI 的早期阶段——刚组建团队、寻找代工伙伴、尚未确定具体规格。Clive Chan 的经历可以为新团队提供经验：他在特斯拉参与过 Dojo 训练芯片，也在 OpenAI 参与过 Jalapeño 项目。
短期仍依赖现有供应商，长期可能增加专用推理芯片的份额
短期：现有供应关系仍将持续。 按相关报道的市场估算，Nvidia 的 AI 芯片份额约为 74%。Anthropic 的定制芯片即使一切顺利，按前述周期推算，可能到 2028-2029 年才进入生产部署。在训练侧，Nvidia 的 Vera Rubin 平台和 CUDA 生态的护城河仍然深厚。
中期：推理市场正在分层。 推理是专用芯片可能发挥作用的重要场景。前沿 Lab 的推理成本已经大到让"每 query 省几美分"变成一个年化数十亿美元的问题。Anthropic 的年化收入已达 440 亿美元，但收入本身不能直接换算成推理量。以成本改善为例，假设每 token 成本降低 20%，在足够部署规模下可能显著改善利润率。OpenAI 的 Jalapeño、Google 的 Ironwood、Meta 的 MTIA 和 Anthropic 未来的芯片，指向的是同一个方向：部分推理任务可能转向专用加速器，给 Nvidia 的市场份额带来压力；实际幅度取决于这些芯片能否按期部署并取得成本优势。
长期：Nvidia 的应对是加速自身迭代。 Nvidia 称，Vera Rubin 在相应推理任务上的每 token 成本最低可降至 Blackwell 的十分之一（对应其所称的 10 倍成本效率），且 Nvidia 已在扩大定制芯片服务——为 OpenAI 提供 Vera Rubin 训练集群的同时投资其 300 亿美元，有助于维持与大客户的长期合作。
芯片与模型协同设计有望降本，也会增加适配和开发风险
Anthropic 组建芯片团队这件事，短期首先体现为人才招聘，未来几年则可能影响公司的模型与硬件协同方式。
驱动因素有三项。成本：推理是 AI 公司的主要运营开支之一，自研项目希望在足够大的用量上摊薄开发成本。供应：2025-2026 年间 AI 芯片持续短缺，增加供应选择可以降低交付延迟的影响。性能适配：芯片与模型协同设计，例如为特定注意力计算优化内存带宽和计算单元，可能提高特定任务的效率，但优势仍需实际测试。这正是 Anthropic 所说的 "co-design hardware and models"。
但全栈策略也有代价。自研芯片会加深硬件与软件的相互依赖，一旦模型架构出现范式级变化（比如从 Transformer 转向其他架构），专用 ASIC 的灵活性远不如 GPU。这也是保留多芯片选择的价值：专用芯片可以针对任务优化，通用芯片则保留更多适配余地。
目前所有公开信息指向一个结论：Anthropic 的芯片项目仍处于极早期。它尚未决定芯片用途和规格，没有公布代工伙伴和时间表，甚至没有正式的项目代号。对于一家正在筹备 IPO、估值接近万亿美元的公司，公开确认项目也意味着投资者会开始关注研发开支、阶段进展和预计回报。
接下来可以观察：Anthropic 是否在 IPO 招股书中披露芯片项目的更多细节；三星代工谈判是否转化为正式协议；以及 Clive Chan 的团队能否吸引更多从 Nvidia、Broadcom、Google TPU 团队出走的资深工程师。
