AI 大模型公司的芯片自研竞赛正在加速。对 OpenAI 和 Anthropic 而言，自研芯片不只是为了压低算力成本，更是为了掌握算力供应，优化模型架构，并在下一轮 AI 基础设施竞争中获得更强的主动权。
据 The Information 周四报道，Anthropic 正与三星洽谈定制人工智能芯片事宜，并已启动自研人工智能芯片的早期开发工作。若该定制服务器芯片最终进入量产，这将成为 Claude 背后公司推进硬件自主化的重要一步。
这一动作被视为 Anthropic 追随 OpenAI 的信号。OpenAI 已更早推进定制 AI 芯片项目，并与芯片设计和制造伙伴合作，试图为 ChatGPT 等产品建设更独立，效率更高的计算基础设施。两家公司共同指向同一趋势，大模型公司正从单纯算法竞争，转向软硬件一体化竞争。
市场影响首先落在三条线上：英伟达等外部 GPU 供应商的议价环境，三星等代工厂在 AI 芯片订单中的机会，以及 AI 初创公司未来融资和上市节奏。据巴伦财经报道，德银分析师近期建议 OpenAI 和 Anthropic 不应过久推迟 IPO，原因之一正是自研芯片和算力基础设施需要巨额长期资本。
自研芯片首先是算力控制权问题
目前，训练和运行大模型需要大量高性能计算资源。AI 计算市场高度依赖英伟达 GPU 架构，供需紧张使模型训练和推理成本维持高位。对 OpenAI 和 Anthropic 这样的模型公司而言，芯片不再只是采购项目，而是核心生产资料。
Anthropic 的 Claude 模型需求在 2026 年显著增长。TradingKey 报道称，Anthropic 高管此前披露，公司年化收入已超过 300 亿美元，而 2025 年底约为 90 亿美元。业务扩张推动算力需求快速上升，也放大了外部芯片供应不确定性对公司运营的影响。
Anthropic 目前仍依赖多种第三方芯片方案，包括 Alphabet 旗下 Google 设计的 TPU，以及 Amazon 自研芯片。报道称，Anthropic 还与 Google 和 Broadcom 达成长期 TPU 供应协议，该协议与其此前承诺的 500 亿美元美国计算基础设施投资计划相关。
这意味着，自研芯片并不等同于完全摆脱外部供应商。更现实的目标是掌握核心设计能力，形成技术备选项，并提升未来商业谈判中的筹码。
成本只是入口，软硬件协同才是关键
自研芯片最直接的理由是降低成本。通过定制 ASIC，AI 公司可以围绕自身模型架构优化计算流程，减少通用芯片中不必要的模块，从而提高能效。若 Anthropic 芯片成功流片并部署，报道称其可能显著降低 API 调用成本，并影响企业 AI 应用市场的定价结构。
但成本并不是唯一变量。SemiAnalysis 创始人 Dylan Patel 在访谈中强调，AI 效率提升的最大空间并不只来自更快芯片，而来自模型，内核和硅片之间的协同设计。他认为，单层优化可能带来两倍提升，但跨层协同可能带来远大于简单相乘的效果。
这解释了为什么 OpenAI 和 Anthropic 都在走向更深的硬件参与。模型架构并非天然适配所有芯片。Dylan Patel 称，OpenAI 模型更偏稀疏，Anthropic 模型相对更稠密，两者在矩阵乘法单元尺寸、注意力机制结构、专家层形状等方面存在显著差异，这使得两家公司在硬件选择上天然倾向于不同方向。" 实际上，按照 OpenAI 模型的发展方向，使用 TPU 对他们而言可能是糟糕的决策；而按照 Anthropic 和谷歌模型的发展方向，用 GPU 训练对他们而言同样可能是糟糕的决策。" 他说。
换言之，自研芯片不只是把英伟达 GPU 替换成自己的芯片。真正目标是让模型从设计之初就能贴合底层硬件，从而改善推理速度，能耗，吞吐量和单位经济性。
对英伟达不是立刻替代，而是长期制衡
自研 AI 芯片从研发设计，流片验证，到最终量产部署，通常需要 18 至 24 个月。即便 Anthropic 与三星顺利达成合作，其自研芯片也很难在短期内实质性替代现有算力供应。
OpenAI 则推进更早。TradingKey 报道称，OpenAI 选择与 Broadcom 和 TSMC 合作，计划在 2026 年下半年部署首款推理芯片。相比 Anthropic，OpenAI 在定制芯片路径上更主动，也更接近落地阶段。
大模型公司自研芯片的方向，确实指向降低对英伟达等供应商的依赖。但这并不意味着 Nvidia 的地位会被迅速削弱。Dylan Patel 在访谈中指出，Nvidia GPU 仍具有通用性优势，许多模型和开源生态本身就是围绕 GPU 优化的。他还提到，所谓 CUDA 护城河并不只是 CUDA 本身，而是大量下游模型和软件生态已经为英伟达硬件形态做了适配。如果模型的专家结构，隐藏维度和通信模式都更适合 GPU，那么即便其他芯片具备优势，迁移也未必简单。
因此，自研芯片更像是建立第二条路线。OpenAI 和 Anthropic 可能会继续使用 GPU，TPU，Trainium 等多种算力资源，同时把自研 ASIC 用于更明确，更稳定，更高频的工作负载，尤其是推理场景。
全行业 " 算力自主权 " 竞赛全面开启
OpenAI 和 Anthropic 自研芯片的共同逻辑，可以概括为三点：降低长期算力成本，减少外部供应依赖，以及通过软硬件协同提升模型效率。
其中，第三点可能最关键。随着模型公司规模扩大，通用算力无法完全满足差异化架构需求。自研芯片让公司能够把模型设计，系统软件和底层硅片放在同一个优化框架内。
但方向已经清楚：大模型竞争正在从 " 谁的模型更强 "，延伸到 " 谁能更好地控制算力，资金和硬件栈 "。这也是 OpenAI 和 Anthropic 都走向自研芯片的真正原因。
Anthropic 的探索并非孤例。从谷歌深耕十余年的 TPU 系列，到亚马逊专注训练场景的 Trainium 系列，再到 Meta 面向推理场景的 MTIA 系列，以及微软持续推进的 Maia 系列，头部科技公司均已在自研芯片赛道上深度布局。
对于三星而言，若能拿下 Anthropic 的芯片代工订单，将为其晶圆代工业务在 AI 领域的影响力带来重要提振。三星目前正与台积电等厂商激烈争夺先进制程客户，引入 Anthropic 这样具有高成长潜力的 AI 客户，有助于扩大其在 AI 半导体领域的版图。
