AI圈最近有个大新闻，Anthropic正在和三星密谈，要联手搞一块专为Claude设计的AI推理芯片。这事儿要是成了，意义可不止是两家公司多赚点钱那么简单——它标志着大模型玩家们对算力主权的争夺，已经到了必须亲自下场“造芯”的地步。当然，这条赛道烧钱凶猛，壁垒极高，不是谁都能跑得通的。

Claude的长文本理解能力有多惊艳，它对算力的消耗就有多惊人。粗略估算一下，要维持Claude这种级别的模型每天千万级的用户推理请求，光是芯片折旧，一天烧掉的可能就是几十万美元。这种烧钱速度，逼得Anthropic——这家由前OpenAI核心员工创立、以AI安全为使命的明星公司——不得不另寻出路。答案很明确：自研芯片。而它选中的盟友，是正想在AI代工领域翻盘的三星。这两家一联手，算是正式吹响了大模型公司从云端代码下沉到硅基晶圆的冲锋号。

Anthropic的芯片野望

据外媒消息，Anthropic和三星的谈判已经进入深水区，核心目标就是开发一款专为自家大模型设计的AI推理芯片。这可不是普通的采购订单，而是从芯片架构定义、制造工艺到高带宽内存集成的全方位技术合作。消息一出，业内震动。因为这意味着，大模型公司对算力的焦虑，已经从“提示词优化”“模型蒸馏”这些软件层面的小修小补，直接延伸到了物理层面的晶体管电路设计。

Anthropic之所以要绕开英伟达这些现成的方案，非要自己搞，核心驱动力就是推理成本的结构性痛点。通用GPU在处理海量矩阵运算时，里面塞了大量AI任务根本用不上的电路和功能，能效比远没到极致。有接近交易的人透露，Anthropic的构想是，把那些不必要的图形渲染模块全砍掉，然后围绕Claude模型自身的稀疏激活机制，打造一块专用ASIC芯片，推理效能能提升好几倍。这不仅能大幅拉低单次API调用的成本，更重要的是，能帮它摆脱对英伟达CUDA生态的依赖，真正把硬件攥在自己手里。

选三星作为合作伙伴，这步棋走得挺精明。三星手里捏着从芯片设计、晶圆代工到HBM高带宽内存的一整套制造能力，这对AI推理芯片来说吸引力巨大。反过来，对三星而言，拿下Anthropic这种前沿模型厂商，意味着它的3纳米以下先进制程和HBM找到了一个能不断提出极端需求、一起定义下一代产品的“理想合伙人”。这可能是它在台积电的阴影下，实现代工业务翻身的重要机会。

一场产业链的反向定义

如果把Anthropic的动作放到更大的棋盘上看，会发现这绝不是孤立事件，而是一股正在席卷整个头部大模型圈的集体觉醒。

OpenAI的步子迈得最大。CEO山姆·阿尔特曼被曝正在全球范围内，为一个代号“Tigris”的芯片项目疯狂找钱，目标是建一个能支撑超级智能的专属芯片制造网络。同时，OpenAI已经和博通这类芯片设计巨头合作，开发定制化AI推理芯片，和台积电的接触也很频繁。

OpenAI这么激进，倒也不意外，毕竟它站在大模型竞赛的最前沿，对算力成本和供应安全的痛感最直接。但问题是，当自研芯片的名单越拉越长，事情的性质就变了。谷歌的TPU已经是定制芯片的教科书级案例，迭代到第五代，给Gemini模型提供了强大的专属算力底座。微软去年发布的Maia 100芯片，直接瞄准云端AI负载，意图很明显，就是打破对英伟达GPU的单一依赖。Meta虽然自研芯片的路走得不太顺，但一直没放弃，还在为推荐系统和生成式AI研发能效更好的MTIA系列芯片。就连之前被传放弃自研的亚马逊，其Trainium和Inferentia芯片其实早就大规模在用了。从创业公司到云巨头，从搜索霸主到社交帝国，几乎所有AI赛道上的重量级玩家，都在硅基世界里圈下了自己的地盘。

为什么这些商业模式、竞争关系都天差地别的公司，会不约而同地走上同一条路？答案可能不在每家公司的个体战略里，而在于它们共同面对的算力困境——这个困境有三层，层层递进，把所有人都逼向了自研芯片这条窄门。

最表层的是成本账。一个前沿大模型在推理阶段，每天光芯片折旧就能烧掉几十万美元。当模型日活用户突破千万级别时，用通用GPU就等于在给大量AI任务根本用不着的电路和功能付费。自研芯片把这些冗余全砍掉，哪怕能效只提升百分之二三十，一年折算下来，也是一笔足以改变财报成色的数字。按目前的价格曲线看，一枚自研ASIC的单位推理成本，有望做到同代GPU的四分之一到三分之一。这不是锦上添花的优化，而是关乎模型服务能不能跑通商业闭环的生死线。

更深一层的是供应焦虑。英伟达的GPU交付周期动不动就拉长到半年以上，产品节奏完全不受下游客户控制。所有大模型公司都清楚一个冰冷的现实：把自己的技术命脉绑在一家供应商身上，而这家供应商同时还在服务你所有的竞争对手，这在战略上绝对是死路。自研芯片未必能在性能上超越英伟达，但至少给了一张底牌——万一外部供应断了，你还有自己的产线能顶上去。某种意义上，自研芯片的“保险”属性，比它的技术价值更重要。

而最底层、也最具决定性的驱动力，是算法与硬件的深度融合。过去，模型开发者只能被动适应现成芯片的架构约束；现在，头部玩家开始反过来，让芯片为自己的模型量身定制。用芯片的思维做模型，用模型的需求定义芯片——这种软硬一体的能力，正在成为AI竞争的新护城河。谷歌TPU的成功已经证明了这条路的威力：Gemini模型在TPU上的推理效率，远非移植到通用GPU上可比。当算法的每一步矩阵运算，都能找到与之精确匹配的晶体管电路时，性能提升不是线性的，而是跃迁式的。所有大模型公司都想复制这种跃迁。

这三重压力层层叠加，把自研芯片从一个可选项，变成了头部玩家的必选项。不是说每家公司都能成功，而是不试的代价，已经大到没法承受。

谁能承接这波造芯红利

大模型公司集体造芯，正在引发芯片制造环节的权力重构。像英伟达、AMD这类传统芯片设计巨头，得重新审视这些昔日的客户，正变成潜在的竞争对手。但对晶圆代工厂和设计服务商来说，一场盛宴才刚刚开始。

台积电毫无疑问是最大赢家。它的先进制程和CoWoS封装，几乎成了所有AI自研芯片的必然选择，订单已经排到好几年后。三星则试图靠内存-代工-封装的一体化捆绑方案，从台积电嘴里抢食，和Anthropic的接洽，就是这一策略可能取得突破的信号。英特尔则祭出了它的代工服务IFS和开放芯片互连标准，想拉拢那些希望避免台积电一家独大的玩家。与此同时，博通、Marvell这类定制芯片设计服务商的估值飙涨，它们正在为多个巨头同时开发多款AI ASIC，享受着“卖铲子给造铲人”的双重红利。

不过，这场“造芯”运动也不是一条坦途。要设计出一款能在软件生态上匹敌英伟达的芯片，投入动辄几亿美元，周期两三年，还充满失败风险。英伟达已经筑起了一道由硬件迭代速度、CUDA生态和NVLink互联技术构成的坚固围栏。黄仁勋不久前公开说过，就算竞争对手的芯片免费，也未必比英伟达的综合成本更低。他的底气在于，英伟达正以两年一代的频率，把性能成倍往上推，这种野蛮的演进节奏，让任何自研芯片刚一落地，就可能面临落后的窘境。自研芯片更像是一场豪赌，是用今天的不确定性，去对冲明天受制于人的更大风险。

Anthropic与三星的牵手，是大模型竞争从参数规模、多模态能力向算力主权延伸的一个里程碑。当最纯粹的模型公司也开始亲自下场定义芯片，AI产业的垂直整合已经不可逆转。

这股浪潮并不只在硅谷翻涌。在大洋此岸，中国AI企业同样在芯片自研的路上加速奔跑。百度走的是全栈自研路线，其昆仑芯系列AI芯片已迭代到第三代，7纳米工艺，量产数万片，不仅服务于文心一言的训练和推理，还在智慧交通、工业互联网等场景里规模化落地。字节跳动的动作更隐秘，但同样坚定，组建了数百人的芯片团队，聚焦自研AI推理芯片和服务器专用芯片，目标直指其抖音推荐系统和豆包大模型的推理成本优化。华&为的昇腾系列在外部制裁压力下，扛起了国产AI算力的重担，据公开信息，昇腾910C在多项大模型推理基准测试中，表现出对标国际主流产品的竞争力。阿里平头哥的含光系列芯片、腾讯投资的燧原科技等，也都在各自的路径上持续投入。

这些中国玩家的造芯实践，和OpenAI、Anthropic、谷歌们的动作，在底层逻辑上并无二致——都是在试图摆脱对单一供应商的依赖，都是在用算法定义硬件的反向整合逻辑，都是在为下一阶段的模型竞争储备算力主权。区别只在于路径不同：美国企业多走与博通、台积电等成熟伙伴联合定制的路线，而中国企业则在技术封锁的环境里，被迫走出一条更全栈、更自主的突围之路。