2026年8月5日，Anthropic发言人向Business Insider正式确认，公司正在组建内部半导体团队，为旗下大语言模型Claude设计定制AI芯片。这是Anthropic首次公开承认自研芯片计划，标志着这家年化收入运行率已达470亿美元的AI公司正式从"纯模型公司"向"模型加芯片一体化"方向转型。这一决策并非孤立事件——OpenAI于2026年6月发布与博通联合开发的定制推理芯片"Jalapeño"，谷歌TPU已迭代至第七代，微软推出Maia 200，亚马逊部署Trainium系列——头部AI玩家集体将竞争延伸至硅片层，背后是推理经济学驱动的结构性必然。
推理成本黑洞：从模型训练到规模化部署的经济拐点
理解Anthropic造芯决策的核心逻辑，需要区分AI算力消耗的两个阶段。训练阶段是一次性投入：构建模型需要集中调用数千张GPU运行数周至数月，成本高昂但可控。推理阶段则是持续性消耗：每一次API调用、每一条聊天回复都在消耗计算资源，且规模随用户增长线性甚至超线性扩张。
根据Anthropic在2026年5月Series H融资公告中披露的数据，其年化收入运行率从2025年底的约90亿美元增长至2026年4月的超300亿美元，5月进一步达到470亿美元，五个月内增长超过五倍。当每日查询量达到数十亿级别时，即便单个token的推理成本微乎其微，汇总后的支出规模足以影响公司盈亏结构。
这正是定制ASIC（专用集成电路）的核心价值所在。通用GPU为兼容多样化工作负载保留了大量闲置逻辑——图形渲染、科学计算、视频编码等通用模块占据了硅片面积和功耗预算，但在Transformer推理中完全闲置。ASIC针对特定运算类别固化设计，将全部硅片资源投入到目标负载：Transformer注意力机制的矩阵乘法、键值缓存（KV Cache）管理、激活函数计算等核心运算路径。博通首席执行官Hock Tan在2026年6月OpenAI发布Jalapeño芯片时透露，早期测试显示该定制推理芯片相较当前主流GPU可实现约50%的每token推理成本降低。该数据来自实验室环境，尚未经独立第三方验证，但方向性意义已足够明确——在足够大的推理规模下，定制芯片的投入回报周期可能远短于通用GPU采购路径。
软硬件协同设计：从芯片层向上的架构闭环
Anthropic官方将自研芯片策略表述为"从芯片层向上工作"（work from the chip level up），采用软硬件协同设计（hardware-software co-design）方法论，让芯片架构与Claude模型同步演进、相互塑造。这一思路与苹果M系列芯片和谷歌TPU一脉相承——苹果通过自研芯片与macOS/iOS深度耦合实现能效领先，谷歌通过TPU与TensorFlow/JAX编译器栈协同优化训练和推理全链路。
在技术实现层面，现代AI加速器的计算核心是矩阵乘法单元（MXU），主流实现方式为脉动阵列（Systolic Array）。脉动阵列由规则排列的处理单元（PE）网格构成，数据沿阵列横向和纵向以脉动方式传递，每个PE执行一次乘累加（MAC）操作。通用GPU的Tensor Core虽然也执行矩阵乘法，但其架构需兼顾多种数据精度（FP64/FP32/FP16/BF16/INT8/FP8）和多种计算模式，导致硅片利用率在特定负载下并非最优。定制ASIC可以锁定目标模型所需的精度范围和数据流模式，将硅片面积全部分配给最高频的运算路径。
Anthropic的招聘信息显示，其寻求的工程师需具备前端设计、预硅验证、物理设计、模拟与混合信号、封装与信号完整性等全链路经验，年薪区间为32万至48.5万美元。职位要求候选人必须"亲自流片交付过硅片"，且"能在没有大型组织支撑的情况下做出关键架构决策"。这一画像指向精干的高级团队而非传统大规模芯片项目。前OpenAI芯片团队核心成员、硬件团队002号员工Clive Chan已于2026年6月加入Anthropic领导芯片设计，为团队注入了可复用的芯片项目经验。
多芯片策略：自研与采购并行的算力组合
Anthropic强调，自研芯片不会取代现有供应商，公司将持续采取"多芯片策略"——AWS、谷歌、英伟达和AMD的硬件仍将是扩展算力规模的核心组成部分。这一立场与OpenAI的路线形成对比：OpenAI的Jalapeño采用单芯片路线，由博通设计、台积电3nm工艺代工，9个月完成流片，目标是用定制芯片大规模替代GPU推理集群。
多芯片策略的合理性在于风险分散和过渡期管理。自研芯片从设计到量产通常需要18至24个月，期间模型架构可能发生显著变化。如果芯片设计锁定在特定模型版本的计算特征上，而下一代模型采用了新的注意力机制或混合专家（MoE）路由策略，芯片的适配效率可能下降。多芯片策略允许Anthropic在自研芯片量产前继续依赖GPU集群维持服务，同时通过云厂商的ASIC（如AWS Trainium）作为中间过渡方案。
同日，Anthropic与成立仅半年的云计算初创公司Volta签署了价值100亿美元的六年算力采购协议，锁定挪威133兆瓦水电驱动的数据中心。这一协议表明，即便在自研芯片的同时，Anthropic仍在大规模锁定外部算力——自研芯片解决的是单位推理成本问题，外部算力解决的是总容量问题，两者并行而非替代。
产业连锁反应：从模型公司到芯片公司的身份迁移
Anthropic的造芯决策并非孤例，而是AI产业垂直整合趋势的缩影。2026年6月，OpenAI发布与博通联合开发的Jalapeño芯片，采用台积电3nm工艺。法国AI公司Mistral的首席执行官也表示正在考虑开发自有芯片。在云厂商侧，谷歌TPU已迭代至第七代并被认为是最有潜力挑战英伟达垄断地位的方案；微软于2026年1月推出Maia 200；亚马逊的Trainium系列正在支撑Project Rainier超大规模训练集群。AMD则在2026年8月收购了AI推理芯片初创公司Taalas，该公司主张针对单一AI模型进行硬连线定制，声称芯片输出速度比传统GPU快数千倍，代价是牺牲通用性。
这一趋势的深层逻辑是：当AI模型的计算模式足够稳定且规模足够庞大时，通用GPU的"兼容性溢价"变成了不必要的成本。英伟达GPU的优势在于生态成熟——CUDA编程模型、cuDNN库、NCCL通信框架、 Triton推理服务器构成了完整的软硬件栈，任何新的AI框架都能快速适配。但这也意味着每颗GPU都在为它可能永远不会运行的负载付费。对于日处理数十亿token的AI公司而言，这笔"兼容性税"的绝对规模已大到值得用自研芯片来消除。
然而，美银证券在研报中指出，英伟达仍将在未来几年维持AI芯片领域的绝对主导地位。ASIC通常服务于特定厂商和特定工作负载，应用范围较窄；英伟达则提供广泛可用、生态成熟、软硬件一体的平台，在企业、主权AI、云服务商和开发者场景中具备兼容性、供应链和部署效率优势。这一判断意味着，自研芯片的竞争定位不是"替代英伟达"，而是"在最重载的推理路径上实现成本最优"——通用GPU与定制ASIC将长期共存，各自覆盖不同的算力需求层级。
制造链博弈：三星代工与先进制程选择
据媒体报道，Anthropic已与三星电子就芯片制造展开初步谈判，探讨2nm制程代工的可能性。三星在先进制程领域的竞争力正逐步提升，其SF2工艺（2nm级别）预计在2025年底至2026年进入风险量产阶段。选择三星而非台积电，可能出于产能锁定考量——台积电2nm产能已被苹果、英伟达和AMD等大客户高度占用，Anthropic作为芯片领域的新进入者，在台积电的产能优先级序列中不占优势。
自研芯片的成本结构包括两大核心支出：芯片研发工程师团队的薪酬成本，以及设计、验证、流片全流程的工程成本。据行业内部人士透露，高端AI芯片单项目投入可达5亿美元，流片一次的掩模成本在2nm节点约为3000万美元。芯片量产后的单位成本取决于良率爬坡速度——先进制程在量产初期的良率通常低于50%，需要数月至一年的爬坡期才能达到经济性良率水平。这意味着自研芯片的投资回报周期不仅取决于推理成本节约，还受到制造良率和产能爬坡速度的显著影响。
算力经济学的新阶段
Anthropic的造芯决策揭示了一个产业级判断：AI竞争的维度已从模型参数和训练数据扩展至算力基础设施的物理层。当推理规模达到一定量级，算力成本不再只是运营支出，而成为决定模型迭代速度、定价能力和盈利模型的关键变量。自研芯片的本质不是技术追求，而是将算力成本从"按token付费的外部采购"转变为"按硅片面积摊销的内部资产"。
这一转变的影响将逐步传导至整个AI产业链。芯片设计能力成为AI公司的核心壁垒之一，缺乏自研芯片路径的公司在推理成本上将处于结构性劣势。芯片代工厂的客户结构将更加多元化——三星可能通过承接AI公司的代工订单缩小与台积电的份额差距。英伟达则需要在GPU的通用性与ASIC的专用性之间重新定位，其Blackwell和Rubin架构的演进方向将更加强调推理效率和软件栈的适配灵活性。
这场从模型层到硅片层的垂直整合仍在早期阶段。Anthropic尚未公布自研芯片的具体研发时间表和量产节点，芯片设计是否能够如期流片、量产良率是否达到预期、与Claude模型的协同优化效果是否兑现，都存在工程不确定性。但方向已经清晰：当AI推理成为全球最大的计算负载类别，算力的物理实现方式——从晶体管排列到封装架构——正在被AI模型公司重新定义。
