当一家公司年化收入突破 $300 亿，却仍然无法自主决定自己最核心的生产资料——算力——何时交付、以什么价格交付、以什么架构交付时，它到底是一家独立企业，还是一个被供应链绑架的高级代工厂？

这就是 Anthropic 在 2026 年春天面临的核心悖论。

CNBC 在 2026 年 4 月的报道中披露，Anthropic 的 Claude 系列模型在企业市场引发了所谓的”Claude Mania”，其年化经常性收入（ARR）已突破 $300 亿 (来源: CNBC, 2026-04-13)。这个数字令人瞠目——它意味着 Anthropic 在不到 4 年时间内，从一家纯研究机构成长为全球收入规模最大的 AI 原生公司之一。但几乎在同一时间，多家媒体报道了一个看似矛盾的信号：Anthropic 正在探索自研 AI 芯片 (来源: Complete AI Training; Outlook Business, 2026-04)。

一家年收入 $300 亿、不缺现金流的公司，为什么要涉足一个资本密集度极高、回报周期长达 3-5 年、失败率远高于软件的硬件领域？答案藏在 Anthropic 的供应链结构里——它揭示了当前 AI 产业最深层的结构性矛盾：软件层的爆发式增长，正在被硬件层的寡头垄断所扼杀。

一、$300 亿 ARR 的背面：一张被锁死的供应链地图

1.1 收入爆炸与算力饥渴的同步加剧

Anthropic 的 ARR 从 2025 年初的约 $10 亿量级跃升至 2026 年 4 月的 $300 亿，增速之快在企业软件史上几乎没有先例。Claude Mania 的驱动力来自多个方向：Claude 4 系列模型在代码生成、企业知识管理和安全分析领域的性能突破；Claude Mythos Preview 展示的自主发现零日漏洞的能力 (来源: InfoQ, 2026-04)；以及 Project Glasswing 这样联合 AWS、Apple、Google、Microsoft 等巨头的安全项目 (来源: Anthropic 官方博客, 2026-04)。

但收入的每一美元增长，都对应着算力消耗的非线性增长。推理（inference）成本随着用户规模扩大而线性增长，而训练下一代模型的算力需求则以指数级攀升。Anthropic 与 Google 和 Broadcom 的最新合作已经涉及”多个吉瓦级”（multiple gigawatts）的下一代计算基础设施 (来源: Anthropic 官方博客, 2026-04)。一个吉瓦的数据中心功耗大致相当于一座中型核电站的输出——Anthropic 的算力胃口已经进入了能源基础设施级别的讨论。

1.2 三重依赖：NVIDIA、云厂商、代工厂

Anthropic 当前的算力供应链存在三个关键瓶颈点：

第一层：GPU 供应受制于 NVIDIA。 全球 AI 训练市场中，NVIDIA 的 GPU（从 H100 到 B200 再到下一代 Rubin 架构）仍然占据绝对主导地位。NVIDIA 的 CUDA 生态系统构成了一道极高的软件护城河——即便硬件替代品存在，迁移训练框架的工程成本也足以让大多数公司望而却步。Anthropic 作为一个没有自有数据中心的”纯软件”公司，在 GPU 采购优先级上天然弱于 Google、Amazon、Microsoft 这些既是客户又是自身云平台运营者的巨头。

第二层：基础设施受制于云厂商。 Anthropic 的主要计算基础设施依赖 Amazon Web Services（AWS）和 Google Cloud。Amazon 是 Anthropic 最大的投资方之一，Google 同样持有重要股份。这种”投资-供应”捆绑关系表面上保障了算力供给，实质上构成了一种战略锁定：Anthropic 的模型训练和推理部署都运行在别人的基础设施上，其扩容节奏、成本结构、甚至技术路线选择都受到云厂商战略优先级的影响。CNBC 的报道中甚至引用了 OpenAI 内部备忘录，提到 Microsoft “限制了我们的能力”(来源: CNBC, 2026-04-13)——如果连 OpenAI 都面临这种摩擦，Anthropic 的处境不会更好。

第三层：半导体代工产能受制于台积电。 即便 Anthropic 设计出了自己的芯片，它仍然需要台积电（TSMC）的先进制程来制造。台积电的 3nm 和 2nm 产能已经被 Apple、NVIDIA、AMD、Qualcomm 以及 Google、Amazon 的自研芯片项目大量预订。一家新进入者要获得足够的晶圆产能，需要提前 18-24 个月下单并支付巨额预付款。

这三重依赖叠加在一起，构成了一个令人不安的图景：Anthropic 拥有全球最强大的 AI 模型之一，拥有 $300 亿的年收入，但在其价值链中最关键的环节——算力——上，它几乎没有自主权。

1.3 “半导体短缺”不是周期性问题，而是结构性问题

Complete AI Training 的报道指出，Anthropic 探索自研芯片的直接触发因素是”半导体短缺对 AI 供应链的持续压力”(来源: Complete AI Training, 2026-04)。但需要理解的是，这里的”短缺”不是传统意义上的供需错配——不是说产能不够，而是说适合大规模 AI 训练和推理的高端芯片，其供给结构天然倾向于垂直整合的玩家。

Google 有 TPU，Amazon 有 Trainium 和 Inferentia，Meta 有 MTIA，Microsoft 正在推进 Maia。这些公司自研芯片的核心动机不是”比 NVIDIA 便宜”——至少在初期不是——而是确保在算力军备竞赛中不会被卡脖子。 当你的竞争对手同时也是你的供应商时，”公平分配”是一个不存在的概念。

二、自研芯片的战略逻辑：不是为了省钱，是为了生存

2.1 从”买算力”到”造算力”的范式转移

Outlook Business 的报道标题精准地捕捉了关键信息：”Claude’s Demand Hits New Highs”——正是需求的爆发式增长，让 Anthropic 意识到仅靠外部采购无法支撑其增长曲线 (来源: Outlook Business, 2026-04)。

自研芯片对 Anthropic 的战略价值可以从 4 个维度理解：

维度 1：供应链安全。 这是最直接的动机。当 NVIDIA 的 GPU 交付周期长达数月，当云厂商的产能分配优先服务自身业务时，拥有自研芯片意味着至少在部分工作负载上实现”算力自主”。即便自研芯片只覆盖 20-30% 的推理需求，也足以在供应链紧张时提供关键的缓冲。

维度 2：成本结构优化。 NVIDIA GPU 的毛利率长期维持在 70% 以上，这意味着每购买 $1 的 GPU，其中 $0.70 是 NVIDIA 的利润。对于一个年算力支出可能达到数十亿美元的公司来说，即便自研芯片的初始研发成本高达 $10-20 亿，长期的 TCO（总拥有成本）节省也可能是数量级的。

维度 3：架构-算法协同优化。 这是大多数分析忽略的关键点。通用 GPU 是为广泛的并行计算任务设计的，而 Anthropic 的工作负载有其独特特征：Constitutional AI 的训练范式、大规模 RLHF（基于人类反馈的强化学习）、长上下文推理、以及 Claude Mythos 这类需要复杂推理链的任务。一颗专门为这些工作负载优化的 ASIC，在每瓦性能和每美元性能上可能远超通用 GPU。Google 的 TPU 已经证明了这条路径的可行性——TPU v5e 在特定 Transformer 工作负载上的性价比显著优于同期 NVIDIA GPU。

维度 4：估值叙事与独立性。 Anthropic 目前的估值高度依赖其作为”独立 AI 实验室”的定位。但如果其核心基础设施完全依赖 Amazon 和 Google，市场迟早会质疑：这到底是一家独立公司，还是 AWS/Google Cloud 的一个高级功能模块？自研芯片——即便只是一个认真的探索项目——也能向市场传递”我们有能力建立独立技术栈”的信号。

2.2 Google-Broadcom 合作的深层信号

Anthropic 官方博客在 2026 年 4 月宣布的与 Google 和 Broadcom 的合作，表面上是关于”多个吉瓦级的下一代计算基础设施”(来源: Anthropic 官方博客, 2026-04)，但其中 Broadcom 的出现值得深思。

Broadcom 是全球最大的定制 ASIC 设计服务商之一。Google 的 TPU 就是与 Broadcom 联合设计的。当 Anthropic 在一个关于计算基础设施的合作中引入 Broadcom，这不仅仅是”买更多服务器”那么简单——它暗示 Anthropic 可能正在探索与 Broadcom 合作设计定制芯片的路径，而 Google 的 TPU 生态系统和制造经验可以为这一探索提供加速。

这种三方合作模式如果成立，将是一个极其聪明的策略：Anthropic 不需要从零开始建立芯片设计团队（这需要 3-5 年和数千名工程师），而是借助 Broadcom 成熟的 ASIC 设计能力和 Google 的芯片制造经验，在较短时间内获得一颗针对 Claude 工作负载优化的定制芯片。

2.3 Cadence-NVIDIA 的 Agentic AI 芯片设计工具：降低门槛的催化剂

另一个值得关注的背景是 Cadence 与 NVIDIA 在 2026 年联合推出的 Agentic AI 芯片设计解决方案 (来源: NVIDIA Investor Relations, 2026; Yahoo Finance, 2026)。这一工具链利用 AI Agent 自动化芯片设计流程中的多个环节——从 RTL 编写到物理设计到验证——显著降低了芯片设计的时间和人力成本。

传统上，设计一颗高性能 AI 芯片需要 500-1000 名经验丰富的芯片工程师和 2-3 年的开发周期。如果 Agentic AI 工具能将这一门槛降低 30-50%，那么像 Anthropic 这样拥有强大 AI 能力但缺乏硬件团队的公司，进入芯片设计领域的可行性将大幅提升。讽刺的是，AI 本身正在成为降低 AI 芯片设计门槛的关键工具。

这里存在一个有趣的递归逻辑：Claude 的强大推理能力可以被用于加速 Claude 专用芯片的设计——这正是 Anthropic 相对于传统芯片设计公司的独特优势。

三、对标分析：Amazon、Google、Meta 的自研芯片路径

3.1 Google TPU：最成功的范本，但不可复制

Google 的 TPU 项目始于 2013 年，第一代 TPU 于 2016 年公开。经过 10 年的迭代，TPU 已经发展到 v5e/v5p 代际，并在 Google 内部承担了大量的训练和推理工作负载。TPU 的成功建立在几个 Anthropic 不具备的条件上：

  • Google 拥有全球最大的数据中心网络之一，可以大规模部署自研芯片并摊薄单位成本。
  • Google 拥有 10 年以上的芯片设计团队积累，包括从 Intel、AMD、NVIDIA 等公司招募的数百名资深芯片架构师。
  • Google 同时是芯片的设计者和最大用户，可以在内部形成快速的”设计-部署-反馈-迭代”闭环。

Anthropic 在这三个维度上都处于劣势。但 Google-Broadcom 合作为 Anthropic 提供了一条”借力”的路径：不需要自建完整的芯片设计能力，而是作为”需求定义者”参与联合设计。

3.2 Amazon Trainium/Inferentia：云厂商的防御性布局

Amazon 的自研芯片策略（Trainium 用于训练，Inferentia 用于推理）本质上是一个防御性动作：降低 AWS 对 NVIDIA 的依赖，同时为 AWS 客户提供更低成本的计算选项。Trainium 2 在特定工作负载上展示了有竞争力的性价比，但其生态系统成熟度（编译器、框架兼容性、调试工具）仍然远落后于 NVIDIA 的 CUDA。

对 Anthropic 而言，Amazon 的芯片策略是一把双刃剑：一方面，Trainium 的存在意味着 Anthropic 可以在 AWS 上获得非 NVIDIA 的计算选项，降低对单一供应商的依赖；另一方面，使用 Amazon 的自研芯片意味着更深地锁定在 AWS 生态中——这与 Anthropic 追求独立性的长期目标相矛盾。

3.3 Meta MTIA：纯推理优化的启示

Meta 的 MTIA（Meta Training and Inference Accelerator）走了一条更聚焦的路线：优先优化推理工作负载，特别是推荐系统和广告排序这类 Meta 内部最大的计算消耗场景。MTIA 的设计哲学是”不追求通用性，只追求在特定工作负载上的极致效率”。

这对 Anthropic 有直接的参考价值。Anthropic 不需要设计一颗能与 NVIDIA B200 全面竞争的通用 AI 芯片——那是一个注定失败的目标。它需要的是一颗在 Claude 的推理工作负载上比任何通用 GPU 都更高效的专用芯片。推理优化是最现实的切入点，原因有三：

  1. 推理占 Anthropic 总算力消耗的比例随用户规模增长而快速上升——ARR $300 亿意味着海量的推理请求。
  2. 推理芯片的设计复杂度低于训练芯片（不需要处理大规模分布式训练的通信瓶颈）。
  3. 推理芯片的投资回报周期更短——一旦部署，立即开始节省成本。

3.4 关键差异：Anthropic 没有自己的云

上述三家公司（Google、Amazon、Meta）有一个 Anthropic 不具备的共同特征：它们都拥有大规模的自有数据中心基础设施。 自研芯片的经济模型高度依赖部署规模——只有当你能在数十万颗芯片的规模上部署时，研发成本才能被有效摊薄。

Anthropic 的”无基础设施”模式在公司早期是一个优势——它允许 Anthropic 将所有资源集中在模型研发上。但随着规模的扩大，这一模式正在从优势变为约束。自研芯片如果没有自有数据中心来部署，其经济可行性将大打折扣。

这意味着 Anthropic 的芯片战略不能孤立地看待——它必须与更广泛的基础设施战略联动。Anthropic 与 Google 和 Broadcom 的”多吉瓦级计算”合作 (来源: Anthropic 官方博客, 2026-04)，可能正是这一联动的早期信号：通过合作伙伴的数据中心部署自研或联合设计的芯片，在不自建数据中心的前提下获得部分”算力自主”。

四、技术路径分析：Anthropic 芯片可能长什么样？

4.1 架构选择：ASIC vs. 可重构计算

基于公开信息和行业趋势，Anthropic 的芯片设计最可能采用以下路径之一：

路径 A：与 Broadcom 联合设计的定制 ASIC。 这是最可能的短期路径。Broadcom 拥有成熟的 ASIC 设计服务（其为 Google TPU 提供的设计服务是业内标杆），Anthropic 提供工作负载特征和性能需求，Broadcom 负责微架构设计和物理实现。这一路径的优势是时间快（18-24 个月可完成首次流片），风险低（借助 Broadcom 的成熟经验），但灵活性有限（ASIC 一旦流片，架构无法更改）。

路径 B：基于 RISC-V 的可重构 AI 加速器。 RISC-V 的开放指令集架构为芯片设计者提供了更大的自由度。一颗基于 RISC-V 的 AI 加速器可以在硬件层面针对 Transformer 架构的关键操作（矩阵乘法、注意力机制、KV 缓存管理）进行深度优化，同时保留一定的可编程性以适应模型架构的演进。这一路径的风险更高，但长期价值更大。

路径 C：收购一家现有的 AI 芯片初创公司。 市场上存在多家拥有成熟 AI 芯片设计的初创公司。以 Anthropic 当前的估值和现金流，收购一家拥有 100-200 人芯片设计团队的公司在财务上完全可行。这一路径的优势是速度最快，但整合风险高——芯片团队的文化和 AI 研究团队的文化差异巨大。

4.2 关键技术挑战

无论选择哪条路径，Anthropic 都将面临几个核心技术挑战：

挑战 1：软件栈的构建。 芯片本身只是硬件，真正决定其可用性的是配套的编译器、运行时、框架集成和调试工具。NVIDIA 的 CUDA 生态系统经过 15 年以上的积累，拥有数百万开发者和数以万计的优化库。任何新芯片都必须提供足够好的软件栈，才能让 Anthropic 的研究人员愿意使用它。这可能是比芯片设计本身更大的挑战。

挑战 2：内存带宽瓶颈。 当前大语言模型推理的主要瓶颈不是计算能力，而是内存带宽——模型参数需要从 HBM（高带宽内存）中读取到计算单元，这一过程的速度决定了推理的吞吐量。任何自研芯片都必须在 HBM 集成和内存子系统设计上达到业界领先水平，这需要与 SK Hynix 或 Samsung 等 HBM 供应商建立深度合作。

挑战 3：规模化验证。 在实验室中表现良好的芯片，在数万颗规模部署时可能暴露出各种问题——散热、良率、互联、系统级可靠性。Google 在 TPU 的早期版本中就遇到过大量的规模化部署问题。Anthropic 没有大规模硬件部署的经验，这一学习曲线不可避免。

4.3 时间线估算

基于行业惯例，一个现实的时间线可能是：

  • 2026 年 H2： 完成芯片架构定义和设计合作伙伴选择
  • 2027 年 H1： 完成 RTL 设计和初步验证
  • 2027 年 H2： 首次流片（tape-out）
  • 2028 年 H1： 芯片回片、测试、调试
  • 2028 年 H2-2029 年 H1： 小规模部署和软件栈完善
  • 2029 年 H2： 开始规模化部署

这意味着，即便一切顺利，Anthropic 的自研芯片也要到 2029 年才能对其算力结构产生实质性影响。 在此之前，它仍然需要依赖 NVIDIA GPU 和云厂商的基础设施。

五、风险矩阵：这场豪赌可能失败的 5 种方式

5.1 风险 1：模型架构的快速演进使芯片过时

AI 领域最大的不确定性在于：2-3 年后的主流模型架构是否还是 Transformer？如果 State Space Models（如 Mamba）、混合架构或全新的计算范式取代了 Transformer，那么一颗为 Transformer 推理深度优化的 ASIC 可能在部署之前就已经过时。

这一风险是真实的，但可以通过保留一定的可编程性来缓解。Google TPU 的演进历史表明，在 ASIC 中嵌入适度的灵活性是可行的。

5.2 风险 2：人才争夺的残酷现实

全球顶级芯片架构师的供给极度有限。NVIDIA、Google、Amazon、Apple、AMD、Intel 以及数十家 AI 芯片初创公司都在争夺同一批人才。Anthropic 作为一家以 AI 安全研究著称的公司，其雇主品牌在芯片工程师群体中的吸引力远不如 NVIDIA 或 Apple。

要建立一个有竞争力的芯片设计团队，Anthropic 需要至少 100-200 名经验丰富的芯片工程师，其中包括 10-20 名能够做架构级决策的资深专家。以当前的市场薪酬水平，仅人力成本一项每年就可能达到 $1-2 亿。

5.3 风险 3：与投资方的战略冲突

Amazon 和 Google 都是 Anthropic 的重要投资方，同时也是自研 AI 芯片的积极参与者。Anthropic 自研芯片在某种程度上是对这两家公司芯片战略的”背叛”——为什么要用你自己的芯片，而不是用我（Amazon/Google）为你优化的芯片？

这一政治风险不容低估。Anthropic 的芯片探索需要在不激怒关键投资方和基础设施合作伙伴的前提下推进。这也许解释了为什么 Anthropic 选择与 Google 和 Broadcom 合作来探索这一方向——将潜在的竞争关系转化为合作关系。

5.4 风险 4：NVIDIA 的反制

NVIDIA 不会坐视大客户的流失。Jensen Huang 的一贯策略是通过加速产品迭代和提供定制化服务来留住大客户。如果 NVIDIA 为 Anthropic 提供专门优化的 GPU SKU 或定制化的软件支持，自研芯片的成本优势可能被大幅削弱。

更重要的是，NVIDIA 的 CUDA 生态系统在不断加深护城河。Cadence 与 NVIDIA 联合推出的 Agentic AI 芯片设计工具 (来源: NVIDIA Investor Relations, 2026) 本身就是 NVIDIA 生态系统扩展的一部分——它让更多的芯片设计者依赖 NVIDIA 的工具链，从而间接强化了 NVIDIA 的生态壁垒。

5.5 风险 5：资源分散导致核心业务受损

VentureBeat 的报道指出，用户已经在反映 Claude 的性能可能存在”削弱”（nerfing）的迹象 (来源: VentureBeat, 2026)。虽然这可能有多种原因（成本优化、安全限制、模型更新等），但它提醒我们：Anthropic 的核心竞争力是模型能力，而不是芯片设计。 如果芯片项目分散了管理层的注意力和公司的研发资源，导致模型迭代速度放缓，那将是得不偿失的。

在 OpenAI、Google DeepMind、Meta AI 和一众中国 AI 公司的激烈竞争中，模型能力的任何停滞都可能导致市场份额的快速流失。$300 亿的 ARR 看似庞大，但在 AI 领域，客户的忠诚度几乎为零——谁的模型更好，客户就用谁的。

六、大多数人没看到的：算力政治经济学

6.1 “算力囚徒困境”是整个 AI 产业的系统性风险

Anthropic 的处境不是个案。它揭示了当前 AI 产业一个深层的结构性问题：AI 软件公司的价值创造速度远超其对核心生产资料（算力）的控制能力。

传统软件公司（如 Salesforce、Adobe）的基础设施成本占收入的比例通常在 10-20%，且高度可替代（从 AWS 迁移到 Azure 的成本是可管理的）。但对于 AI 模型公司，算力成本可能占收入的 40-60%，且因为 CUDA 锁定和训练数据的不可迁移性，切换成本极高。

这意味着 AI 模型公司的利润率上限不是由其自身能力决定的，而是由 NVIDIA 的定价策略和云厂商的利润诉求决定的。 这是一个不可持续的产业结构。

6.2 2026 年裁员潮的隐含信号

Reuters 报道的 2026 年科技裁员潮中，Oracle 裁员 30000 人领跑，AI 自动化被列为主因之一 (来源: Reuters, 2026-04-13)。这一趋势的深层含义是：AI 正在消灭传统软件工程岗位，同时创造对 AI 基础设施岗位（芯片设计、数据中心运维、AI 系统工程）的巨大需求。 人才市场的这种结构性转移，将进一步加剧芯片设计人才的稀缺性，提高 Anthropic 进入芯片领域的人才获取成本。

6.3 垂直整合的终局：AI 公司是否会变成半导体公司？

如果我们把时间线拉长到 2030 年，一个值得思考的问题是：领先的 AI 公司最终是否都会变成某种程度上的半导体公司？

历史上有一个类比：云计算的早期，所有公司都依赖 Dell、HP 的标准服务器。但随着规模的扩大，Google、Amazon、Facebook 都开始设计自己的服务器、自己的网络交换机、甚至自己的芯片。这一”去标准化”的过程花了大约 10-15 年。

AI 产业可能正在经历类似的转变，但速度更快。Anthropic 探索自研芯片，是这一转变的早期信号。未来 5 年，我们可能会看到每一家年收入超过 $100 亿的 AI 公司都拥有某种形式的定制芯片项目。

七、判断与预判

7.1 明确立场

Anthropic 探索自研芯片在战略上是正确的，但在执行上面临极高风险。这不是一场”豪赌”，而是一个”必须下注但可能输掉的赌局”。

不做这件事的风险（永远受制于 NVIDIA 和云厂商）大于做这件事的风险（投入 $10-20 亿但可能失败）。对于一家 ARR $300 亿的公司来说，$10-20 亿的芯片研发投入只占收入的 3-7%——这是一个可以承受的探索成本。

7.2 最可能的路径

基于现有信息，我判断 Anthropic 最可能的路径是：

  1. 短期（2026-2027）： 与 Broadcom 合作设计一颗推理优化的定制 ASIC，利用 Google 的数据中心进行部署。这颗芯片不追求全面替代 NVIDIA GPU，而是针对 Claude 推理工作负载的特定瓶颈（KV 缓存管理、长上下文注意力计算）进行深度优化。

  2. 中期（2027-2029）： 建立小型但精锐的内部芯片架构团队（50-100 人），开始设计第二代芯片，逐步将更多的架构决策权从 Broadcom 转移到内部。

  3. 长期（2029+）： 如果第一代芯片成功，扩大芯片团队规模，开始探索训练芯片的设计。如果失败，退回到”联合设计”模式，降低投入但保持能力建设。

7.3 对行业的影响

Anthropic 的芯片探索，无论成败，都将对 AI 产业格局产生深远影响：

  • 对 NVIDIA： 短期影响有限，但长期信号明确——即便是最忠实的 GPU 客户也在寻找替代方案。NVIDIA 需要加速从”卖芯片”到”卖平台”的转型。
  • 对 Amazon/Google： 需要重新评估与 Anthropic 的关系——是继续作为基础设施供应商，还是接受 Anthropic 逐步建立独立技术栈的现实？
  • 对 AI 芯片初创公司： Anthropic 的进入可能挤压小型 AI 芯片公司的生存空间，但也可能成为潜在的收购方，为这些公司提供退出路径。
  • 对投资者： AI 公司的估值模型需要纳入”算力自主度”这一新维度——一家拥有自研芯片能力的 AI 公司，其长期利润率上限和战略灵活性都显著高于纯软件公司。

八、So What：这对你意味着什么

如果你是 AI 公司的技术决策者：Anthropic 的芯片探索是一个信号——算力不再是可以外包的”基础设施问题”，而是需要纳入核心战略的”竞争力问题”。即便你不打算自研芯片，也应该开始评估你的算力供应链的脆弱性，并建立多供应商策略。

如果你是 芯片行业从业者：AI 公司的垂直整合趋势正在创造一个新的客户类别——它们不是传统的芯片买家，而是”芯片合作设计者”。理解 AI 工作负载的特征，将成为芯片工程师最有价值的技能之一。

如果你是 投资者：关注 AI 公司的”算力自主度”指标。在未来 3-5 年，拥有自研芯片能力的 AI 公司（无论是全自研还是联合设计）将在利润率和战略灵活性上显著优于纯依赖外部算力的竞争对手。NVIDIA 的 GPU 垄断利润不会永远持续——当你最大的客户们都在努力减少对你的依赖时，这不是一个看涨信号。

$300 亿的 ARR 证明了 Anthropic 能做出全球最好的 AI 模型。但能否摆脱”算力囚徒”的身份，将决定它未来 10 年是成为一家真正的科技巨头，还是沦为供应链巨头们的一个利润丰厚的附属品。芯片，是这道分水岭上最关键的一块石头。

参考资料

  1. Anthropic expands partnership with Google and Broadcom for multiple gigawatts of next-generation compute — Anthropic 官方博客, 2026-04
  2. Anthropic explores in-house chip development as semiconductor shortages strain AI supply chains — Complete AI Training, 2026-04
  3. Anthropic Eyes Custom AI Chip Design as Claude’s Demand Hits New Highs — Outlook Business, 2026-04
  4. OpenAI touts Amazon alliance in memo; Microsoft ‘limited our ability’ — CNBC, 2026-04-13
  5. Anthropic 发布 Claude Mythos Preview：自主发现零日漏洞 — InfoQ, 2026-04
  6. Anthropic 发布 Project Glasswing — Anthropic 官方博客, 2026-04
  7. NVIDIA and Global Industrial Software Giants Bring Design Engineering and Manufacturing Into the AI Era — NVIDIA Investor Relations, 2026
  8. Is Anthropic ‘nerfing’ Claude? Users increasingly report performance issues — VentureBeat, 2026
  9. AI-boosted hacks with Anthropic’s Mythos could have dire consequences for banks — Reuters, 2026-04-13

主题分类：技术突破 / AI 商业模式