同一天，Anthropic 还宣布租下 SpaceX 的 Colossus 1 超级计算机，接入超过 22 万颗英伟达 GPU 用于推理。
5GW 在数据中心行业是什么概念？它大概相当于 5 座大型核电站满负荷运转的耗电量。这意味着谷歌几乎是为了 Anthropic 新建好几座超大规模数据中心，里面塞满几十万块谷歌自己设计的 TPU 芯片。而 Anthropic 为此付出的承诺采购额高达 2000 亿美元，占到了谷歌云积压订单的 40% 以上。
更有意思的是这笔交易的结构：谷歌先向 Anthropic 投入 100 亿美元现金（按 3500 亿估值），若达成里程碑再追加至 400 亿；同时 Anthropic 承诺 2000 亿美元的云服务和 TPU 采购支出。投资是投资，采购是采购，但两者捆绑在一起，构成了极强的锁定效应——芯片被指定为谷歌自研的 TPU。
面对这样一份带有排他意味的超级大单，Anthropic 也顺势调整了自己的算力版图：在训练侧大幅向谷歌 TPU 和亚马逊 Trainium 倾斜，同时仍保留英伟达 GPU 在推理等场景中的角色。5 月 6 日租下 SpaceX 的 22 万颗 GPU，就是 Anthropic 在 GPU 推理侧的最新动作。
对于行业来说，或许，它标志着 AI 产业从 " 参数军备竞赛 " 正式转向 " 算力效率竞赛 " 的拐点，也标志着技术路线正在加速分化。这次切换，正在无声而有力地改变 AI 芯片的权力格局，重新定义了大模型和底层硬件之间的关系。
01 被英伟达 " 卡脖子 " 的痛
要理解 Anthropic 这次的算力布局为什么重要，得先看懂过去两年 AI 算力市场有多残酷。
自从 ChatGPT 横空出世，大模型就变成了一个 " 烧钱无底洞 "。行业里心照不宣的潜规则是：不管你融了多少钱，最后都得变成一张张采购英伟达 H100 或 B200 的订单。英伟达靠着 CUDA 生态的绝对垄断，不光拿走了行业里绝大部分利润，还捏着模型厂商的命脉——黄仁勋给你发多少货，你就能训练多大的模型。
在这种格局下，大模型厂商的大部分利润最终流向了英伟达。
但局中人也不是没有反抗的心思，尤其是那些手里有钱的云巨头：
谷歌心里很憋屈：TPU 研发了十多年，一直在内部训练 Gemini，性能其实不差，但缺少外部顶级大模型的 " 背书 "，总被市场当成非主流。
亚马逊也很焦虑：作为全球最大的云厂商，AWS 每年要给英伟达交天价保护费。它砸了大钱研发自研芯片 Trainium，急需一个标杆客户来证明 " 不用英伟达也能跑顶级模型 "。
Anthropic 有点特殊：由 Dario Amodei 等前 OpenAI 核心成员独立创立，主打安全可控。它同时拿着谷歌、亚马逊和微软的钱——谷歌 400 亿美元投资、亚马逊累计 330 亿美元投资，加上 2025 年 11 月签下的 300 亿美元微软 Azure 算力合同，处在一个微妙的三角平衡中。面对高昂的算力成本，它比谁都渴望撕开一个口子，找找算力的 " 平替 "。
英伟达太贵、太慢、太强势；谷歌有芯片但缺生态，亚马逊有钱想要独立，Anthropic 想活下去还要盈利。四方的诉求，在这一刻正好咬合在了一起。一场针对英伟达定价权的多边博弈已经展开。
02 " 用脚投票 "：Anthropic 的算力豪赌
Anthropic 的选择，撕开了高昂算力成本的一角。它的本质，是用硬件的确定性，来换取模型迭代的绝对速度和成本护城河。
谷歌分阶段向 Anthropic 兑现算力承诺，规模预计达到 5GW 级别的 TPU 集群（从 2027 年起逐步上线）。与此同时，谷歌对 Anthropic 的总投资额至多达 400 亿美元，Anthropic 对谷歌云的采购承诺则高达 2000 亿美元。如此体量的算力集群，足以让 Claude 的训练效率大幅跃升，或者让 Anthropic 同时并行推进多个行业大模型的定制。
这些承诺背后，是 TPU 在特定任务上对 GPU 的真实优势：
性价比领先：根据 Google 官方数据，在大型 Transformer 模型训练场景下，TPU v6e 的性价比（性能 / 美元）约为同代英伟达 GPU 的 3 到 4 倍。
能效提升：Google 数据中心 PUE 约为 1.1，远低于行业平均 1.58，综合运营成本优势明显。SemiAnalysis 的研究报告也指出，Anthropic 的推理基础设施毛利率已从 38% 提升至 70% 以上，定制芯片路线的降本效应可见一斑。
从技术底层来看，Anthropic 早就开始谋求 " 去单一硬件依赖 "。2026 年 3 月，Anthropic 宣布已部署百万颗 Google TPU，下一财年 TPU 算力将达 1GW；在训练侧，TPU 和亚马逊 Trainium 已成为核心算力来源；而在推理侧，英伟达 GPU 仍然扮演重要角色—— 5 月 6 日租下 SpaceX Colossus 1 的超 22 万颗 GPU 就是最新例证。再加上用 JAX 框架对 TPU 集群做底层调优，Anthropic 已经形成了一个 TPU 训练主力 + Trainium 备份训练 + GPU 推理补位的多元算力架构。
可以理解为，这是训练到推理的全栈算力重构。Anthropic 已经用行动证明：大模型厂商不再只是硬件厂商的 " 提款机 "，而是可以成为算力架构的 " 设计师 "。
03 四大阵营贴身肉搏，与一个 " 务实 " 的混合算力方案
Anthropic 的转向，像一条鲶鱼，直接引爆了全球 AI 芯片四大阵营的正面对决。现在的算力江湖，已经不是英伟达一家独大了。
1. 谷歌– Anthropic：垂直闭环的领跑者
"TPU – JAX – Claude" 这条全栈协同的路线，正在结出果实。根据摩根士丹利预测，2027 年 TPU 对外销售有望拿下全球 AI 加速芯片市场 20% 的份额。更可观的是成本竞争力：Claude 系列在同等性能段内的 API 定价，相比部分头部竞品更具优势，谷歌通过硬件降本直接帮 Anthropic 打出了性价比牌。
2. OpenAI：算力堆得猛，兼容性拖后腿
相比之下，OpenAI 正在构建庞大的算力矩阵，已锁定 30.5GW 的长期算力合约。2025 年 10 月，OpenAI 与 AMD 签署多年期协议，部署总计 6GW 的 AMD Instinct GPU 算力（首期 1GW MI450，2026 年下半年部署），与英伟达 GPU 并行组成大规模算力集群。
但这种 " 大杂烩 " 架构付出了不小的代价：多芯片、多厂商导致算力利用率偏低，规模化的红利被沉重的兼容性成本吃掉了。
3. 英伟达：死守基本盘，高端腹地正在被侵蚀
老大哥英伟达依然握着 AI 加速器市场 80% 以上的份额，CUDA 生态还是它坚不可摧的护城河。但 TPU 在大模型核心训练场景里持续渗透，已经让黄仁勋感到了压力。2025 年 7 月，英伟达宣布 CUDA 全面支持 RISC-V 架构——这在以前几乎不可想象，生态壁垒正被 " 定制化需求 " 从内部撬开。
4. 中国阵营：开源适配，换道超车
囿于外部环境，国产 AI 芯片整体市占率逆势提升。根据 IDC 数据，2025 年中国 AI 加速卡市场总出货量约 400 万张，本土厂商合计出货约 165 万张，市场份额首次突破四成，达到约 41%（中国境内市场）。例如 DeepSeek-V4（2026 年 4 月发布）已于官方技术报告中写入华为昇腾 NPU 支持，华为昇腾、摩尔线程等多家国产厂商均完成 Day 0 适配。中国厂商不拼单点极限算力，而是走 " 芯片 + 模型 + 场景 " 的快速落地路线。
格局已经变了：AI 竞争不再是比谁买的卡多，而是 " 算力效率 × 场景适配 " 的综合暗战。
而 Anthropic 精心设计的这套混合算力方案，恰恰指明了下一代 AI 基础设施的主流方向——分工明确、冗余可控、拒绝被单一厂商绑架。这套方案非常精明：
5GW 的 TPU 作为训练绝对主力，扛起核心大模型的高强度训练；
GPU 作为 " 万金油 "，补位推理和多模态数据处理等任务（SpaceX Colossus 1 的 22 万颗 GPU 就是最新落子）；
亚马逊 Trainium 作为战略备份训练算力池，压低整体边际成本。
这套组合拳带来了几个立竿见影的商业好处：供应链风险大幅降低（不怕被单一供应商卡脖子）；Anthropic 于 2025 年 6 月公开的多智能体系统数据显示，以 Claude Sonnet 为主导智能体、多个 Claude Haiku 为子智能体的架构，相比单智能体 Claude Opus，任务性能提升约 90%；更重要的是，硬件级加密结合 Anthropic 引以为傲的伦理框架，让金融、医疗等高敏感行业的客户敢于真正下单。
04 戴上 " 金手铐 " 的 Anthropic
当然，商业世界里没有免费的午餐。Anthropic 这次向 TPU 深度倾斜，在换来极致训练效率和短期成本优势的同时，也给自己悄悄地戴上了一副 " 金手铐 " ——表面金光闪闪，实则勒得越来越紧。
首先，最直接的风险是底层架构的话语权正在旁落。深度绑定谷歌 TPU，意味着 Anthropic 未来的模型优化、算子开发、甚至推理框架的选型，都会被 TPU 的硬件迭代节奏牵着走。谷歌的 TPU 团队每推出一代新芯片，Anthropic 就得跟着重新适配甚至重写部分底层代码。短期看，这是 " 联合优化 "；长期看，这就变成了 " 单向依赖 "。一旦谷歌调整 TPU 的产品路线图——比如某个指令集不再支持，或者某个硬件特性被放弃—— Anthropic 的适配成本和迁移风险将显著上升。
其次，多云协同很容易变成 " 多云约束 "。Anthropic 目前同时踩着谷歌云、AWS 和微软 Azure 三条船，听上去很灵活：TPU 主力训练，Trainium 备份训练，GPU 推理。但在实际操作中，这种跨云架构的维护成本远超想象。
数据要在三个云之间同步、任务调度要兼顾三套芯片的差异、灾难恢复方案要写三份——更别提三家云厂商各怀心思，未来会不会在价格、带宽、优先级上互相掣肘？据知情人士转述，Anthropic 内部对多云架构的运维复杂度早有感受。一旦某天谷歌和亚马逊的关系微妙变化，Anthropic 就会沦为夹在中间的那个。
更隐蔽但更致命的，是技术独立性的慢性流失。Claude 的每一次模型迭代，理论上应该是为了更好的智能和安全性。但未来，如果某个架构改动在 TPU 上跑得飞快、在 GPU 或 Trainium 上却表现平平，产品经理会怎么选？大概率会 " 为了上线 " 而优先适配 TPU。
久而久之，Claude 的优化方向将越来越受 TPU 硬件特性的牵引，而不是一个跨平台、可移植的通用大模型。这就好比一个作家，本来可以用任何纸笔写作，后来被赞助商要求只能用某一种特制钢笔——写出来的东西也许更流畅，但那支钢笔的任何缺陷，都会直接写进他的作品里。
拉长视野看，Anthropic 的处境其实很微妙。对比一下：
OpenAI 走的是多供应商、多芯片的 " 大杂烩 " 路线。虽然效率低下、兼容成本高，但好处是——没有哪家芯片厂商能真正卡住它的脖子。微软、英伟达、AMD 之间互相牵制，OpenAI 反而拿到了议价空间。
国产厂商如 DeepSeek 走的是开源适配路线。昇腾、寒武纪、海光……谁家芯片能在主流模型上跑出好效果，就用谁。生态是碎片化的，但也是自由的。
而谷歌– Anthropic 的闭环，在训练效率上无疑是最锋利的刀，但握住刀柄的那个人，是谷歌。Anthropic 的核心训练算力、迭代速度、甚至一部分技术路线，都被锁在了谷歌的生态围墙之内。不过也要承认，Anthropic 同时握有 AWS Trainium、微软 Azure 和 SpaceX GPU 等多条后路，这副金手铐目前还没有完全焊死。
更让人担心的是，这副金手铐还有一个时间轴上的陷阱。五年期的 2000 亿美元采购承诺，听起来是天堂，但合同到期后呢？到那时，Anthropic 的整个技术栈、代码库、运维体系、人才习惯，都会深度绑定 TPU。想要再换回 GPU 或迁移到其他芯片，成本高到几乎不可能。届时谷歌续签合同的条件，Anthropic 还能说 " 不 " 吗？一位不具名的风投合伙人说得比较直白："Anthropic 不是在租谷歌的算力，而是在用未来数年的自主权，换今天的一张船票。"
当然，不是说 Anthropic 做错了。在 AI 这个烧钱如烧纸的行业，首先要活下来，其次是跑得快。只是在商业世界里，没有完美架构，只有阶段性最优解。Anthropic 目前拿到的是训练速度和成本的最优解，代价是——它把一部分未来的选择权，提前交了出去。
05 芯片没有灵魂，但定义芯片的模型有
回看计算机这半个多世纪的历史，Anthropic 的转向，其实是科技界一个经典的 " 宿命轮回 "。
三十年前，GPU 作为专攻图形渲染的特定芯片，靠异构计算打破了通用 CPU 的垄断；三十年后，当 GPU 自己也变成了横在 AI 产业面前的 " 通用霸权 " 时，TPU、Trainium 这些更专门化的 ASIC 芯片，正用同样的逻辑发起反攻。
这意味着，AI 底层基础设施的逻辑，正在从 " 暴力堆砌 " 转向 " 精耕细作 "。大模型不再是可以在任意一张显卡上随便跑通的 " 上层软件 "，它正在变成必须与特定硅片深度耦合的 " 重工业实体 "。
所以，Anthropic 投向定制芯片，绝不意味着 GPU 会消亡，而是标志着 " 通用算力大一统 " 时代的终结。未来的版图注定走向分裂：英伟达 GPU 依然会长久统治通用计算和推理，但在超大规模模型训练的最核心地带，定制芯片将接管阵地。
英伟达的护城河依然深不见底，但水面之下，暗流已经不可逆转。当 " 买卡就能做模型 " 的草莽时代结束，未来的竞争焦点，将从 " 对算力资源的粗暴囤积 "，彻底升级为 " 对异构算力的精细调度权 " 和 " 对底层硅片架构的定义权 "。
在这场没有硝烟的底座重构中，谁掌握了定义硬件的权力，谁就拿到了下一轮竞争的关键筹码。
（本文首发钛媒体 APP，作者 | 硅谷 Tech news，编辑 | 赵虹宇）
