Anthropic 接触三星探索自研芯片，AI 巨头算力竞争走向供应链深处

【AI 巨头自研芯片动作不断】OpenAI 刚刚把第一颗自研推理芯片推到台前Anthropic 也被曝开始接触三星探索围绕自研 AI 芯片展开合作。两个最受关注的大模型公司几乎在同一时间把手伸向了芯片只是 Anthropic 的动作还处在早期阶段。【Anthropic 自研芯片进展】美国当地时间 7 月 2 日TechCrunch 援引 The Information 报道称Anthropic 已与三星接洽探讨围绕拟议芯片展开合作但公司尚未确定这颗芯片具体用于什么场景、如何部署进服务器以及最终算力水平。Anthropic 对外回应时也没有确认与三星的具体合作只表示包含谷歌、Amazon 和英伟达芯片在内的多元化硬件架构仍将是其计算战略的关键支柱。这意味着它不是从多供应商路线突然转向“完全自研”更不是马上要摆脱英伟达而是在原本的多硬件架构之上尝试增加一层更深的自定义能力。换句话说AI 公司过去是“买算力”现在开始尝试“定义算力”。事实上Anthropic 早在今年 4 月就已传出自研芯片信号。Reuters 当时报道称Anthropic 正在探索设计自有 AI 芯片主要是为了应对支撑更先进 AI 系统所需芯片的短缺。但报道同时强调这一计划仍处于早期阶段公司可能最终只采购 AI 芯片而不自研当时它也尚未确定具体设计。【招聘信息透露端倪】在自研芯片传闻之外Anthropic 的招聘页面显现出了一些端倪。今年 2 月份它启动了“Accelerator Platform”团队负责人的招聘。当时他们在招聘说明中表示正在搭建一支横跨硬件、分布式系统和 ML 基础设施的加速器平台团队。这个团队的任务不是单纯“买卡”而是把不同代际、不同供应商的芯片接入 Anthropic 的第一方推理集群并把底层硬件差异抽象成稳定的平台能力。岗位说明称每次用户通过 API、Claude.ai 或云合作伙伴调用 Claude请求都会落到 AI accelerator 上而且不是一种芯片而是 TPUs、Trainium chips、GPUs。说明中还称需要有人把“raw silicon”变成 Anthropic 内部可以无感使用的平台。这个团队负责 Anthropic 第一方推理集群中新硬件平台的 bring - up 和 normalization介于底层系统团队与生产推理服务之间。另一个招聘网站上显示Anthropic 在招聘 GPU 效能工程师。岗位描述称该角色要负责最大化 GPU 利用率和性能提升推理效率工作横跨自定义内核开发、分布式系统架构从底层张量核心优化到数千张 GPU 的同步调度。与传统意义上的“芯片设计团队”不同Anthropic 当前公开招聘中更清晰的一条线是围绕 GPU/TPU/Trainium 的软件栈和性能工程。它需要的人才不是只会跑模型而是能理解内核、编译器、低精度、互连、内存带宽和分布式调度的人。这类人才虽然不等同于 ASIC 物理设计工程师但正是模型公司进入自定义芯片前必须补齐的能力层。【为何此时自研芯片】为什么是现在答案首先来自需求。Anthropic 今年以来持续扩张算力。4 月它与谷歌和博通签署协议获得从 2027 年起上线的多吉瓦级下一代 TPU 容量。Anthropic 在同一份公告中表示Claude 运行在 AWS Trainium、Google TPU 和 Nvidia GPU 等多种 AI 硬件上可以把不同工作负载匹配到更合适的芯片从而提升性能和韧性。同月Anthropic 还与 Amazon 扩大合作锁定最多 5GW 用于训练和部署 Claude 的新容量并称目前已使用超过 100 万颗 Trainium 2 芯片训练和服务 Claude。这些数字背后是大模型商业化进入规模化阶段后的新压力。Claude 不再只是一个模型接口而正在变成面向企业、开发者、编码、知识工作和 Agent 场景的基础能力。Anthropic 在与 Amazon 合作的公告中提到企业和开发者对 Claude 的需求在 2026 年加速增长消费者免费、Pro、Max 等层级使用量也大幅增加这给基础设施可靠性和性能带来了压力。当产品越成功推理请求越多模型公司就越容易被算力成本和供应确定性反向约束。过去 AI 公司拼的是谁能拿到更多 GPU现在拼的是谁能把模型、芯片、内存、网络、数据中心一起调优。【对标 OpenAI 自研芯片】Anthropic 自研芯片的举动被外界视为对 OpenAI Jalapeño 项目的回应。6 月 24 日OpenAI 与博通发布了 Jalapeño称其为 OpenAI 首款“Intelligence Processor”也是双方多代计算平台的第一颗 AI 加速器。OpenAI 表示这颗芯片从一开始就围绕大语言模型推理设计而不是把通用 AI 加速器改造来跑大模型。它的设计参考了 OpenAI 的模型路线图、内核、服务系统和产品需求并由博通、Celestica 等合作方参与芯片实现、板卡、机架系统、高性能网络和规模化生产。这说明头部模型公司自研芯片首先瞄准的并不一定是训练而是推理。训练决定模型能力上限但推理决定商业化成本下限。ChatGPT、Claude、Codex、Claude Code、Claude Cowork 以及未来更多 Agent 产品本质上都在持续消耗 token。每一次用户提问、每一次代码生成、每一次工具调用、每一次长上下文规划都会变成真实的算力账单。随着 AI 产品从“偶尔使用”走向“持续运行”推理成本会越来越像云计算时代的带宽和存储成本决定产品毛利、响应速度和用户体验。OpenAI 对 Jalapeño 的描述也很值得注意。它强调这颗芯片要减少数据移动在计算、内存和网络之间取得平衡让实际利用率更接近理论峰值。OpenAI 还称早期测试显示其性能 / 瓦表现将显著优于当前最先进水平并计划以吉瓦级规模部署到数据中心伙伴体系中。Reuters 则报道称Jalapeño 主要用于推理也就是回答 ChatGPT 这类产品的用户请求。OpenAI 计划在今年年底部署服务器系统由 Celestica 构建芯片交由台积电制造样片已在实验室运行 OpenAI 的 GPT - 5.3 - Codex - Spark 模型。【自研芯片的价值】这才是自研芯片最有价值的地方模型公司可以把自己对模型架构、推理模式、服务系统、内存访问、网络通信和产品交互的理解直接写进硬件设计。通用 GPU 要服务整个市场而模型公司自定义芯片只需要服务自己的核心工作负载。它未必能在所有任务上击败英伟达但只要能在高频、稳定、可预测的推理场景里把单位 token 成本打下来就足以改变 AI 产品的经济模型。OpenAI 的 Jalapeño 已经把这个趋势推到台前。这说明自研芯片真正瞄准的并不只是“算力更多”而是“算力更适配”。对 ChatGPT、Claude、Codex、Claude Code、Claude Cowork 这类产品而言训练决定模型能力上限但推理决定商业化成本下限。每一次用户请求、每一次代码生成、每一次长上下文处理、每一次 Agent 工具调用最终都会转化为真实的推理成本。OpenAI 在介绍 Jalapeño 时也写得很直白推理是 AI 触达用户的地方成本、速度和可靠性的改善最终会表现为更快的 ChatGPT 响应、更低的 API 构建成本以及需求高峰期更稳定的访问体验。【并非全面“去英伟达”】但这并不意味着 AI 公司正在全面“去英伟达”。恰恰相反OpenAI 和 Anthropic 的动作更像是多供应商策略的升级。OpenAI 在 Jalapeño 之外仍然与英伟达达成了至少 10GW 的 AI 数据中心系统合作。Anthropic 的路线也类似。所以这些 AI 巨头们自研芯片的意义不是要替代英伟达而是增加主动权。更实际的意义主要有以下四个方面第一它可以在供应紧张时增加额外产能入口第二它可以把部分推理工作负载迁移到更符合自身模型和产品需求的硬件上第三它可以让 AI 公司在与云厂商、芯片厂商、代工厂、内存供应商谈判时拥有更多选择第四它可以让模型路线图和硬件路线图形成长期协同而不是被动等待外部芯片厂商适配自己的模型需求。【关注三星合作】这也是为什么三星这条线值得重点看。如果 Anthropic 最终与三星合作这不会只是一笔普通代工订单。Anthropic 在 H 轮融资公告中把美光、三星和 SK 海力士列为“战略基础设施伙伴”并称这些公司的技术在全球内存、存储和逻辑芯片供应中扮演关键角色。随着 Claude 需求增长这些合作关系将帮助 Anthropic 更可靠地扩展算力。韩国媒体《Pulse》也指出三星和 SK 海力士作为战略基础设施伙伴参与 Anthropic 融资后外界开始关注三星是否会在内存之外通过芯片代工业务参与 Anthropic 未来的 AI 芯片制造。报道特别提到在美光、三星、SK 海力士三家内存伙伴中只有三星拥有芯片代工业务。这里的关键不只是“谁来代工”而是高带宽内存、逻辑芯片、先进封装和资本关系正在被重新打包。AI 芯片并不是一颗裸芯片就能解决问题它需要与高带宽内存、互连、网络、机架、电力、散热和软件栈一起工作。亚马逊云科技对第二代训练芯片 Trainium2 的技术介绍就能说明这一点单颗 Trainium2 芯片内置 96GiB 高带宽内存支持 2.9TB/s 的高带宽内存带宽一台 Trn2 实例集成 16 颗 Trainium2总计 1.5TiB 高带宽内存和 46TB/s 高带宽内存带宽Trn2 UltraServer 则通过 64 颗 Trainium2 和 NeuronLink 互连扩展到更大系统。高带宽内存之所以重要是因为它已经成为 AI 基础设施里最稀缺的环节之一。路透社报道称AI 热潮正在引发全球内存芯片供应危机短缺范围从传统内存扩展到数据中心 AI 芯片所需的高带宽内存部分内存价格自 2025 年 2 月以来已翻倍SK 海力士曾告诉分析师内存短缺可能持续到 2027 年末。同一篇路透社报道还提到OpenAI 曾与三星和 SK 海力士签署初步协议为“星际之门”项目供应芯片。到 2029 年该项目可能每月需要多达 90 万片晶圆约为当前全球每月高带宽内存产量的两倍。从这个角度看Anthropic 接触三星真正值得关注的不是“Anthropic 也要造一颗芯片”而是它可能在提前绑定韩国半导体供应链资金、内存、逻辑芯片代工、先进封装和长期产能。对 Anthropic 来说这是算力供应安全对三星来说这是其芯片代工业务争取 AI 客户的机会。《星报》援引《韩国先驱报》的报道称三星目前在全球芯片代工市场排名第二份额为 7 %但与台积电 72 % 的份额仍有明显差距如果能承接 Anthropic 未来 AI 芯片制造订单将有助于提升其芯片代工业务的想象空间。【自研芯片挑战与未来路线】不过自研芯片也不是捷径。Reuters 在 4 月关于 Anthropic 探索自研芯片的报道中提到设计一颗先进 AI 芯片可能需要约 5 亿美元成本因为公司需要雇佣熟练工程师并投入资金确保制造过程没有缺陷。OpenAI 的案例同样说明芯片设计只是第一步真正落地还要依赖 Broadcom 的硅实现和网络能力、Celestica 的板卡与机架系统能力以及后续规模化生产和数据中心部署。更大的挑战在于AI 模型本身变化太快。今天适合某一代模型推理模式的芯片到了下一代模型、下一种 Agent 工作流、下一种上下文长度或多模态架构未必仍然最优。自研 ASIC 的优势是专用风险也正是专用。一旦模型路线变化快过硬件迭代速度定制芯片就可能从优势变成包袱。因此未来几年 AI 巨头的芯片路线大概率不会是单一答案而会是一个组合英伟达 GPU 继续承担最通用、生态最成熟、训练与推理都可覆盖的核心角色Google TPU、AWS Trainium、AMD GPU 等成为大规模替代与补充OpenAI、Anthropic 等模型公司则会在推理等高频场景中推进自定义芯片把最稳定、最可预测、最烧钱的工作负载拿回来优化。这场竞争的终局是所有 AI 公司都不得不搞懂芯片这回事儿。因为当 AI 进入真正规模化交付阶段算力不再只是后台成本而是产品能力本身。谁能以更低成本、更稳定供应、更高能效持续生产 token谁就能在模型价格、响应速度、企业交付和毛利率上获得长期优势。Anthropic 与三星的接洽还没有落成实质订单但它释放的信号已经足够清晰大模型战争正在打到供应链深处且会越走越深。