拒绝天价账单！OpenAI、Anthropic 自研芯片，剑指英伟达“暴利”护城河

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 被爆也要自研芯片，还找了三星代工 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。 这句话反而是理解 Anthropic 芯片计划的关键。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。 但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，他们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。 为什么是现在？ 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。 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。 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。 AI 公司为什么都绕不开自研芯片 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