2026年7月初，The Information援引三位知情人士披露，Anthropic已启动自研AI芯片早期工作，并与三星电子就2nm制程制造合作展开洽谈。这一消息迅速引发行业关注——继OpenAI推出自研推理芯片后，又一大模型明星公司开始了从"租卡"到"造芯"的战略升级。
这并非一个孤立的商业决策，而是整个大模型行业算力焦虑的集中体现。随着模型规模持续膨胀、推理需求爆发式增长，算力成本已成为决定AI公司生死的关键变量。当"卖铲子"的英伟达赚走了行业大部分利润，"挖金子"的AI公司们开始思考：能不能自己造铲子？
一、Anthropic 的芯片布局：从规划到人才的全方位启动
据知情人士透露，Anthropic的自研芯片项目目前仍处于"定义芯片功能定位、性能指标及服务器部署方案"的早期阶段。公司尚未进入详细设计阶段，但已与多家芯片设计公司进行了初步接洽。其中最具标志性的进展是与三星电子就2nm制程及先进封装技术展开的潜在合作讨论。
在人才方面，Anthropic已经展现出明确的人才争夺意图。公司招募了前OpenAI自研芯片项目的核心工程师Clive Chan。这位曾在OpenAI负责推理芯片架构设计的关键人物，目前正在帮助Anthropic搭建芯片设计团队和明确技术路线。从OpenAI到Anthropic的人才流动，本身就是AI芯片人才市场供需紧张的一个缩影。
值得注意的是，Anthropic官方在回应此事时表态相对保守：公司表示短期内仍将依托英伟达、谷歌、亚马逊的多元化算力体系，并未否认与三星的合作传闻，但也未给出明确的时间表。这种"两手准备"的策略——对外维持与现有算力供应商的合作关系，对内加速自研芯片的能力建设——正成为大模型公司的标准操作模式。
二、三星 2nm 制程：为何 Anthropic 选择了三星
Anthropic选择三星作为潜在制造合作伙伴并非偶然。在先进制程的代工市场，台积电占据主导地位，但其产能早已被英伟达、AMD等大客户预订至2027年。三星作为全球第二大晶圆代工厂，目前在2nm制程方面正处于追赶状态——这恰恰为Anthropic这样的"新玩家"提供了谈判空间。
三星2nm制程（SF2）相比其前代3nm制程在性能和能效方面有显著提升。据行业披露的数据，三星2nm制程有望在相同功耗下提供约12%的性能提升，或在相同性能下降低约25%的功耗。对于AI推理芯片而言，能效是比绝对性能更关键的指标——推理芯片需要在尽可能低的功耗下处理海量并发的模型请求，这使得先进制程的优势格外突出。
此外，三星在先进封装技术方面的积累也是吸引Anthropic的因素之一。AI芯片的性能不仅取决于制程节点，还依赖于封装技术——如何在有限空间内堆叠更多算力单元、降低芯片间通信延迟，正成为AI芯片设计中的核心挑战。
三、大模型厂商"造芯"全景：谁的算力谁做主
Anthropic并非第一家踏上"造芯"之路的大模型公司。放眼全球，主要玩家几乎都已重兵布局自研芯片：
OpenAI是最早启动自研芯片的大模型公司之一。其推理芯片项目已于2026年初取得实质性进展，并开始内部测试。OpenAI自研芯片的目标领域锁定在推理而非训练——原因是推理需求增长更快（远超摩尔定律的速度），且推理芯片的定制化空间更大。
Google通过TPU（Tensor Processing Unit）早已实现了从芯片到模型的垂直整合。最新一代TPU v7已进入部署阶段，为Gemini系列模型提供算力支撑。Google是唯一一家在自研芯片领域已有数代产品积累的大模型公司。
Amazon的Trainium和Inferentia芯片已经在AWS生态中站稳脚跟。Anthropic作为Amazon的重要投资对象，本身就在使用AWS的算力资源。Anthropic自研芯片是否会与Amazon的芯片战略产生竞争关系，是一个值得关注的问题。
Meta的MTIA（Meta Training and Inference Accelerator）芯片项目持续推进，Meta预计将投入1450亿美元用于AI基础设施建设——其中包括自研芯片的研发与部署。
Microsoft则通过与AMD的合作关系，在芯片层面保持战略灵活性，同时也在内部进行AI加速器的研发。
这场"造芯"竞赛的底层逻辑并不复杂：大模型厂商的核心成本在于推理。据行业估算，ChatGPT类产品的推理成本已占运营成本的60%-70%。如果能够通过自研芯片将推理效率提升2-3倍，将是数倍甚至数十亿美元的年度成本节约。更重要的是，自研芯片意味着算力供应的自主可控——在英伟达GPU供不应求、排队周期长达6-12个月的背景下，这种自主权比单纯的成本节约更具战略价值。
四、挑战与不确定性：自研芯片的"三座大山"
尽管自研芯片的逻辑看起来无懈可击，但Anthropic面临的实际挑战也不容忽视。芯片设计行业的经验反复证明：从零开始做出一款可用芯片的周期通常需要3-5年、投入数亿美元——对于一家仍在快速扩张期的AI公司而言，这种时间跨度和资金量级需要巨大的战略定力。
第一，人才壁垒。全球具备先进AI芯片设计经验的核心工程师总数可能不超过千人。OpenAI、Google、Apple等公司已经将其中相当一部分收入囊中。Anthropic虽然从OpenAI挖来了Clive Chan，但要组建一个完整的芯片设计团队仍需持续投入。
第二，制造成本。2nm制程的流片成本极高，单次流片费用可能超过1亿美元。对于尚未实现稳定盈利的Anthropic而言，这笔投入需要与模型研发、算力租赁等核心开支竞争内部资源。
第三，生态适配。一款AI芯片真正发挥作用，需要完整的软件栈支撑——从编译器到推理框架、从算子库到模型优化工具。Anthropic需要为自研芯片配套开发一整套软件生态，这比芯片本身的设计工作可能更加繁重。
不过，从产业演进的视角看，大模型公司"向下整合"进入芯片层，与当年苹果从Mac的通用CPU转向自研M系列芯片的逻辑如出一辙。这是一种"长期主义的赌注"——短期投入巨大、不确定性高，但一旦成功，收获的将是差异化竞争优势和算力自主权。Anthropic的这场赌注，可能要到2028年左右才能看到结果。但行业的算力竞赛已经不允许它等到那时再入场。