文章摘要
近期，OpenAI推出首款自研推理芯片Jalapeño，Anthropic被曝与三星洽谈定制自研AI芯片合作。AI企业算力采购逻辑正从“直接购买”转向“主动定义”，自研芯片可提升主动权，但面临成本和模型迭代快等挑战，未来或采取组合策略。

如今自研芯片已经成为头部AI企业无法回避的核心赛道。近期，两大顶级大模型服务商先后披露了各自的芯片布局计划：OpenAI正式推出首款自研推理芯片Jalapeño，而Anthropic则被曝正与三星洽谈，探索定制自研AI芯片的合作可能。

据行业消息，美国当地时间7月2日，有科技媒体援引报道称，Anthropic已经与三星接触，探讨围绕拟推出的定制芯片展开合作，但目前该公司尚未确定这款芯片的具体应用场景、服务器部署方式以及最终算力规格。针对这一消息，Anthropic并未直接确认与三星的合作细节，仅表示其计算战略仍将保持多元化硬件架构，包括谷歌TPU、亚马逊Trainium以及英伟达GPU在内的多供应商方案依然是核心支柱。

这一表态恰恰点明了Anthropic此次芯片计划的核心：并非完全脱离现有合作路线转向全自研，而是在原有多硬件架构基础上，进一步加深自定义算力的能力。换句话说，AI行业的算力采购逻辑正在从“直接购买算力”转向“主动定义算力需求”。

事实上，有关Anthropic自研芯片的传闻早在今年4月就已出现。当时路透社报道称，Anthropic正在探索自有AI芯片的设计，主要目的是应对先进AI系统所需芯片的供应短缺问题，但该计划当时仍处于早期阶段，公司也并未确定最终的芯片设计方案，甚至不排除最终仅采购第三方芯片而非自研的可能。

从Anthropic的招聘信息中，也能窥见其芯片布局的蛛丝马迹。今年2月，该公司启动了“Accelerator Platform”团队负责人的招聘，招聘公告显示，这支团队将横跨硬件、分布式系统和机器学习基础设施领域，其核心任务并非简单采购显卡，而是将不同代际、不同供应商的芯片接入Anthropic的自有推理集群，并将底层硬件差异抽象为稳定的平台能力。

岗位说明中提到，用户通过API、Claude.ai或者云合作伙伴调用Claude的请求，都会落到AI加速器平台上，支持的芯片包括TPUs、Trainium chips以及GPUs，团队需要将原始的硬件平台转化为Anthropic内部可以无感使用的统一服务能力，介于底层系统团队与生产推理服务之间。此外，Anthropic还在招聘GPU效能工程师，负责最大化GPU的利用率与性能，提升推理效率，工作内容涵盖自定义内核开发、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。

与传统的芯片设计团队不同，Anthropic当前公开的招聘需求更多聚焦于GPU/TPU/Trainium相关的软件栈和性能工程，所需人才不仅要熟悉模型运行，还要掌握内核、编译器、低精度计算、互连技术、内存带宽和分布式调度等专业技能。这类人才虽然不等同于ASIC物理设计工程师，但却是模型公司进入自定义芯片领域前必须补齐的能力储备。

Anthropic此次推进芯片计划的核心驱动力来自算力需求的快速增长。今年4月，Anthropic与谷歌、博通签署协议，将获得2027年起上线的多吉瓦级下一代TPU算力容量；同月，该公司还与亚马逊扩大合作，锁定了最多5GW用于Claude训练与部署的新算力资源，并且透露目前已经使用超过100万颗Trainium 2芯片来训练和服务Claude模型。

随着Claude从单纯的模型接口，逐步成长为面向企业、开发者、编码、知识工作以及智能体场景的基础能力，其商业化规模正在快速扩张。Anthropic在与亚马逊的合作公告中提到，企业和开发者对Claude的需求在2026年出现加速增长，消费者免费版、Pro、Max等各个层级的使用量也大幅提升，这给基础设施的可靠性和性能带来了巨大压力。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稳定性反向约束。

过去AI企业竞争的核心是谁能拿到更多GPU资源，而如今的竞争已经升级为谁能将模型、芯片、内存、网络以及数据中心进行整体调优。

Anthropic的芯片计划被外界视为对OpenAI Jalapeño项目的回应。6月24日，OpenAI与博通联合发布了Jalapeño芯片，这是OpenAI首款“智能处理器”，也是双方多代计算平台的第一颗AI加速器。

OpenAI介绍称，这款芯片从设计之初就围绕大语言模型推理场景打造，而非将通用AI加速器改造后适配大模型运行。其设计参考了OpenAI的模型路线图、内核、服务系统和产品需求，由博通、Celestica等合作方参与芯片实现、板卡、机架系统、高性能网络以及规模化生产环节。

这一案例清晰地表明，头部模型公司自研芯片的首要目标并非训练环节，而是推理场景。训练决定模型的能力上限，但推理决定商业化的成本下限。ChatGPT、Claude、Codex、Claude Code、Claude Cowork以及未来更多的智能体产品，本质上都在持续消耗token，每一次用户提问、代码生成、工具调用或者长上下文规划，都会转化为真实的算力账单。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，直接决定产品的毛利率、响应速度和用户体验。

OpenAI对Jalapeño的描述也颇具参考价值：该芯片旨在减少数据移动，在计算、内存和网络之间实现平衡，让实际算力利用率更接近理论峰值。早期测试显示其性能/瓦表现将显著优于当前主流水平，并且计划以吉瓦级的规模部署到数据中心合作伙伴体系中。路透社后续报道指出，Jalapeño主要用于推理场景，也就是支撑ChatGPT等产品的用户请求处理。OpenAI计划在今年年底完成部署，服务器系统由Celestica构建，芯片交由台积电制造，目前样片已经在实验室中运行GPT-5.3-Codex-Spark模型。

这正是自研芯片的核心价值所在：模型公司可以将自身对模型架构、推理模式、服务系统、内存访问、网络通信以及产品交互的理解，直接融入硬件设计之中。

通用GPU需要服务整个市场的多样化需求，而模型公司定制的专用芯片仅需要适配自身的核心工作负载。这类芯片未必能在所有任务上击败英伟达的通用产品，但只要能在高频、稳定、可预测的推理场景中降低单位token的成本，就足以改变AI产品的经济模型。

OpenAI的Jalapeño已经将这一趋势推到台前，这意味着自研芯片的真正目标并非单纯追求“算力更多”，而是实现“算力更适配”。对于ChatGPT、Claude这类产品而言，训练决定模型的能力上限，但推理决定商业化的成本下限，每一次用户请求、代码生成、长上下文处理或者智能体工具调用，最终都会转化为真实的推理成本。OpenAI在介绍Jalapeño时也曾直白表示：推理是AI触达用户的核心环节，成本、速度和可靠性的优化，最终会体现为更快的ChatGPT响应速度、更低的API构建成本以及需求高峰期更稳定的访问体验。

需要明确的是，这并不意味着AI企业正在全面“去英伟达”。恰恰相反，OpenAI和Anthropic的动作更像是对多供应商策略的升级。OpenAI在推出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的路线也与之类似。

这些AI巨头自研芯片的核心意义并非替代英伟达，而是增加自身的主动权，具体可以归纳为四个方面： 一是在芯片供应紧张时增加额外的产能入口； 二是可以将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平台上； 三是在与云厂商、芯片厂商、代工厂以及内存供应商的谈判中拥有更多选择空间； 四是能够让模型路线图与硬件路线图形成长期协同，而非被动等待外部芯片厂商适配自身的模型需求。

此次Anthropic与三星的接洽值得重点关注，如果双方最终达成合作，这并非一笔普通的代工订单。Anthropic在H轮融资公告中，将美光、三星和SK海力士列为“战略基础设施伙伴”，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的需求持续增长，这些合作关系将帮助Anthropic更可靠地扩展算力规模。韩国媒体《Pulse》也曾指出，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业务之外，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海力士三家内存合作伙伴中，只有三星拥有成熟的芯片代工业务。这里的关键不仅在于“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整合打包。AI芯片并非一颗裸芯片就能解决问题，它需要与高带宽内存、互连技术、网络、机架、电力、散热以及软件栈协同工作。亚马逊云科技对第二代训练芯片Trainium2的技术介绍就能直观说明这一点：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芯片，总计1.5TiB高带宽内存和46TB/s的高带宽内存带宽；Trn2 UltraServer则通过64颗Trainium2芯片和NeuronLink互连技术扩展到更大规模的系统。

高带宽内存之所以至关重要，是因为它已经成为AI基础设施中最稀缺的环节之一。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月以来已经翻倍，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，该项目每月可能需要多达90万片晶圆，约为当前全球每月高带宽内存产量的两倍。

从这个角度来看，Anthropic接触三星，真正值得关注的并非“Anthropic也要造一颗芯片”，而是其可能正在提前绑定韩国半导体供应链，包括资金、内存、逻辑芯片代工、先进封装以及长期产能保障。对于Anthropic而言，这是保障算力供应安全的重要举措；对于三星来说，这也是其芯片代工业务争取AI大客户的关键机会。《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，市场份额为7%，但与台积电72%的份额仍有明显差距，如果能承接Anthropic未来的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。

不过，自研芯片并非捷径。路透社在今年4月的报道中提到，设计一颗先进的AI芯片可能需要约5亿美元的成本，因为企业需要雇佣熟练的工程师，并且投入资金确保制造过程没有缺陷。OpenAI的案例也同样说明，芯片设计只是第一步，真正落地还需要依赖博通的硅实现和网络能力、Celestica的板卡与机架系统能力，以及后续的规模化生产和数据中心部署。

更大的挑战在于AI模型本身的迭代速度极快。今天适配某一代模型推理模式的芯片，到了下一代模型、下一种智能体工作流、下一种上下文长度或者多模态架构时，未必仍然是最优选择。自研ASIC的优势在于专用性，但风险也恰恰来自专用性。一旦模型路线的变化快过硬件迭代速度，定制芯片就可能从竞争优势变成发展包袱。

因此，未来几年AI巨头的芯片路线大概率不会是单一方案，而会是一套组合策略：英伟达GPU将继续承担最通用、生态最成熟、可覆盖训练与推理全场景的核心角色；谷歌TPU、亚马逊Trainium、AMD GPU等将成为大规模替代与补充方案；OpenAI、Anthropic等模型公司则会在推理等高频场景中推进定制芯片，将最稳定、最可预测、最消耗算力的工作负载收回内部进行优化。

这场竞争的最终结局是，所有AI公司都不得不深入理解芯片领域的逻辑。因为当AI进入真正的规模化交付阶段，算力不再仅仅是后台成本，而是成为产品能力本身。谁能以更低的成本、更稳定的供应、更高的能效持续生产token，谁就能在模型定价、响应速度、企业交付以及毛利率上获得长期竞争优势。

目前Anthropic与三星的接洽尚未落地实质订单，但它释放的信号已经足够清晰：大模型的竞争正在深入到供应链层面，并且这种趋势还会持续加深。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。

以上内容不代表本平台立场，仅供读者参考