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 系列模型开发定制硅。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。
至此，所有估值超过 5000 亿美元的 AI Lab——OpenAI、Google DeepMind、Meta 和 Anthropic——都已拥有或在建自己的芯片项目。Anthropic 是最后一个下场的，但它带来的信号比时间早晚更重要：AI 竞争正在从模型能力的单维比拼，扩展为覆盖芯片、基础设施、模型和产品的全栈战争。
已知与未知
Anthropic 披露的信息刻意保持了克制。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"。以行业惯例推算，从团队组建到首批芯片部署至少需要 2-3 年。短期内，Claude 的推理仍将主要运行在 Google TPU、AWS Trainium 和 Nvidia GPU 上。
但克制本身也传递了信息。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，一个"我们在做自己的芯片"的故事，比"我们完全依赖供应商定价"更能让投资者相信利润率存在改善路径——哪怕实际落地还要数年。
各路线的分野
将 Anthropic 的动作放入同行坐标系，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，确保 Vera Rubin 平台在训练侧继续占据核心位置。
Google 拥有最成熟的垂直整合。 第七代 Ironwood TPU 已于 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 走的是最高频迭代路线。 MTIA 系列已推进至第五代（MTIA 500），计划每六个月推出一颗新芯片直至 2027 年，远超行业通常一到两年的更新节奏。今年 3 月与 Broadcom 签订延期至 2029 年的战略协议，初始部署规模超过 1 GW，采用 TSMC 2nm 工艺。Mtia 从推荐系统推理起步，已扩展至生成式 AI 推理和训练。代号 "Iris" 的最新芯片预计 9 月投产。
Amazon 的 Trainium 是 Anthropic 已在使用的芯片。 与其他三家不同，Amazon 的自研芯片主要作为云服务出售，而非仅供内部使用。
Anthropic 目前在这张地图上的位置最接近 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。但它有一个 OpenAI 当时不具备的条件：Clive Chan。这位在特斯拉做过 Dojo 训练芯片、在 OpenAI 参与过 Jalapeño 项目的工程师，是目前 AI Lab 芯片人才战中为数不多的"做过完整项目"的人。
对 Nvidia 意味着什么
短期：几乎没有影响。 Nvidia 仍然掌握约 74% 的 AI 芯片市场。Anthropic 的定制芯片即使一切顺利，最早也要到 2028-2029 年才可能进入生产部署。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。 这才是自研芯片真正的靶心。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 年化收入 440 亿美元意味着其推理量级极为庞大——即使每 token 成本降低 20%，对利润率的改善也是结构性的。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：推理工作负载从通用 GPU 向专用加速器迁移，Nvidia 的推理市场份额将被持续侵蚀。
长期：Nvidia 的应对是加速自身迭代。 Vera Rubin 平台承诺 10 倍效率提升，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，正是"如果你打不过定制芯片，就参与定制芯片"的逻辑。
全栈竞争的逻辑
Anthropic 组建芯片团队这件事，放在一年的时间线里看是一则招聘新闻；放在三年的尺度上，是 AI Lab 走向全栈垂直整合的关键一步。
驱动因素有三层。最表层是成本：推理是 AI 公司最大的运营支出，Nvidia GPU 的毛利率长期维持在 70% 以上，任何替代方案都能直接改善利润率。中间层是供应安全：2025-2026 年间 AI 芯片持续短缺，等待 Nvidia 交货意味着丢失市场份额。最深层是性能耦合：当芯片架构与模型架构协同设计时——比如为 Transformer 的特定注意力模式优化内存带宽和计算单元——通用 GPU 无论如何优化都无法达到同等效率。这正是 Anthropic 所说的 "co-design hardware and models"。
但全栈策略也有代价。自研芯片锁死了硬件与软件栈的耦合，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。这是 Anthropic 坚持多芯片策略的根本原因：自研芯片是优化极致，通用芯片是保险。
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。但对于一家即将以万亿美元估值上市的公司而言，"我们在做自己的芯片"这句话一旦说出口，就不能再收回去——它设定了一条投资人未来会反复追问的进度条。
接下来可观察的关键变量包括：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。
