2026年8月5日，Anthropic正式确认正在组建内部硅芯片设计团队，为Claude大模型量身打造定制化AI芯片。这是继OpenAI之后，又一家顶级AI实验室加入自研芯片竞赛。至此，OpenAI、Anthropic、谷歌、Meta、亚马逊五大AI巨头全部启动了自研芯片计划，”去英伟达化”已成为行业共识。
一、Anthropic芯片计划细节
根据Anthropic发布的招聘信息和官方声明，芯片团队将专注于为Claude模型的训练和推理设计专用加速器。Anthropic发言人强调，公司采取”多芯片策略”——AWS、谷歌、英伟达和AMD的硬件仍将处于核心地位，自研芯片将作为补充而非替代。
据报道，Anthropic已为芯片项目投入约5亿美元初始预算，团队规模计划在12个月内扩展至80人。招聘方向涵盖芯片架构设计、验证工程师、编译器开发和系统软件工程师。芯片预计将采用3nm工艺，由台积电代工。
二、为什么AI公司都要自研芯片？
2.1 成本压力
英伟达H100 GPU单价约3万美元，B200更是高达4万美元。对于Anthropic这样日均处理数十亿Token的公司，GPU采购成本是最大的单项支出。自研芯片虽然前期投入巨大，但规模化后单位推理成本可降低40%-60%。
2.2 供应链安全
英伟达GPU产能受台积电先进制程产能限制，交付周期长达6-9个月。2025年Q4的GPU短缺曾导致多家AI公司被迫推迟模型训练计划。自研芯片可以更好地控制供应链节奏。
2.3 模型-硬件协同优化
通用GPU并非为特定模型架构最优设计。Claude采用的Transformer架构有其特定的计算模式，定制芯片可以针对注意力机制、KV缓存访问等环节做深度优化，实现远超通用GPU的效率。
三、五大巨头自研芯片全景对比
| 公司 | 芯片名称 | 工艺 | 核心定位 | 量产状态 |
|---|---|---|---|---|
| 谷歌 | TPU v6 (Frozen V2) | 4nm | Gemini训练推理全栈 | 已量产，对外销售 |
| 亚马逊 | Trainium 2 / Inferentia 2 | 5nm | AWS云服务推理加速 | 已量产 |
| Meta | MTIA v2 | 5nm | 推荐系统+Llama推理 | 小规模部署 |
| OpenAI | 未命名（代号Sora Chip） | 3nm | GPT系列训练推理 | 设计中，预计2027量产 |
| Anthropic | 未命名（Claude Chip） | 3nm | Claude模型专用 | 团队组建中 |
四、英伟达的应对：垄断地位是否动摇？
尽管五大巨头纷纷自研芯片，但英伟达的地位短期内难以撼动。2026年Q2，英伟达数据中心营收达380亿美元，同比增长72%。其核心壁垒在于：
- CUDA生态：15年积累的开发者生态，迁移成本极高
- NVLink互联：多GPU高速互联技术，集群效率领先
- 软件栈完整性：从驱动到框架的全栈优化
- 迭代速度：Blackwell架构B200已量产，Rubin架构2027年发布
但长期趋势不可忽视。谷歌TPU在2026年开始对外销售，AWS Trainium 2已承接了Anthropic部分训练负载。自研芯片的份额正从2024年的8%稳步上升至2026年的18%。
五、对AI行业格局的深层影响
5.1 算力壁垒重构
自研芯片意味着AI巨头之间的竞争从”谁的模型更强”扩展到”谁的芯片更能打”。拥有自研芯片的公司将在推理成本上获得结构性优势，进一步拉大与无芯片能力公司的差距。
5.2 云计算格局变化
谷歌TPU对外销售改变了云计算竞争格局。此前企业训练AI模型主要依赖AWS（英伟达GPU），现在可以选择谷歌云（TPU）获得更高性价比。这迫使AWS加速推广自研Trainium芯片。
5.3 创业公司处境
对于没有能力自研芯片的AI创业公司，算力成本将逐渐成为竞争劣势。不过，云厂商之间的芯片竞争反而可能压低云服务价格，间接利好创业公司。
六、Anthropic芯片之路的挑战
芯片设计是一个门槛极高的领域，从团队组建到芯片量产通常需要3-4年。Anthropic面临的主要挑战包括：
- 人才稀缺：顶尖芯片设计师全球不足500人，且大多被英伟达、苹果、谷歌锁定
- 流片成本：3nm工艺单次流片费用超过5000万美元，试错成本极高
- 软件生态：需要开发完整的编译器和运行时，匹配Claude模型特性
- 量产能力：需要与台积电谈判产能分配，排期可能长达18个月
Anthropic自研芯片的决定，本质上是对”AI竞争已进入软硬一体阶段”这一判断的认同。未来的AI竞争，不再仅仅是算法和数据的比拼，而是从芯片到模型到应用的全栈较量。五大巨头集体”去英伟达化”，正在重塑整个AI产业的权力结构。
评论0