連 Anthropic 都要自己做晶片了：AI 巨頭集體『自研矽晶』，到底在搶什麼？

八月初，一則看起來很「工程師」的新聞，其實藏著整個 AI 產業接下來幾年的走向：Anthropic（Claude 的開發商）公開確認，正在組建自己的客製化晶片團隊，要為自家 AI 模型設計專屬的半導體。

一家做「大語言模型」的軟體公司，為什麼要跳下去碰最硬、最燒錢的晶片設計？而且它還不是第一個——Google、Amazon、Meta、Microsoft 早就各自做了好幾代自研晶片，OpenAI 也傳出正與博通（Broadcom）合作開發自家處理器。當所有 AI 巨頭不約而同都想「自己做矽」，這件事就不再只是某一家公司的採購策略，而是一個值得看懂的產業訊號。

Photo by Umberto on Unsplash

Anthropic 到底宣布了什麼？

根據多家科技媒體報導，Anthropic 近期釋出了一批「客製矽晶團隊（custom silicon team）」的職缺，招募橫跨硬體與軟體的工程師，開出的年薪落在 32 萬到 48.5 萬美元之間。這是它第一次公開證實：要親自下場設計晶片。

值得注意的是 Anthropic 的定調。它特別強調，這不是要「逃離 NVIDIA」，而是一種成本上的優化。Anthropic 明確表示會維持「多晶片」策略，繼續使用 AWS、Google、NVIDIA、AMD 的硬體，同時再補上一塊自己設計、專門跑「推論（inference）」的晶片。換句話說，它想要的不是換掉誰，而是多一個能自己掌握成本與效能的選項。

目前 Anthropic 還沒公布第一顆晶片何時完成，也還沒說要不要自己生產。稍早路透報導它四月就在評估自研處理器，之後又傳出它已與三星電子接觸、可能作為代工夥伴。這些細節都還沒定案，但方向已經很清楚。

為什麼「現在」大家都想自己做晶片？

答案其實很現實：成本、供貨、毛利，三件事同時壓在每一家 AI 公司頭上。

第一是成本。訓練一個前沿模型固然貴，但真正長期吃錢的是「推論」——也就是你每次問 AI 一個問題、它回你一段話的那個運算。模型用的人越多，推論的帳單就越可怕，而且是天天在跑、月月在漲。對這些公司來說，推論成本直接決定了服務能不能賺錢。自己設計一顆「只做推論、把不需要的功能都砍掉」的晶片，往往能在單位運算上比通用 GPU 更省電、更划算。

Photo by Manuel Luikenga on Unsplash

第二是供貨。過去這兩年，高階 AI 晶片幾乎是「有錢也不一定買得到」的狀態。當你的整個事業都押在別人家的產能排程上，那種不安全感會逼著你想辦法分散風險。自研晶片就算暫時取代不了主力 GPU，至少能在關鍵時刻多一條腿站著。

第三是毛利與話語權。NVIDIA 之所以能維持極高的毛利，正是因為它在 AI 運算幾乎沒有對手。對買方來說，別人的高毛利就是自己的高成本。當 Google 用自家 TPU、Amazon 用 Trainium、Meta 用 MTIA，都是在把原本要付給供應商的錢，一部分留在自己口袋裡，同時換回對硬體規格的主導權——晶片和模型可以一起設計、互相遷就，這是買現成貨做不到的。

這其實是一場醞釀已久的趨勢

Anthropic 不是先鋒，而是「後進者」。攤開時間線會發現，這條路早就被走了好幾年：

Google 的 TPU（張量處理器）是最老牌的例子，已經迭代到很多代，Gemini 系列大量跑在自家 TPU 上；Amazon 有專攻訓練的 Trainium 與專攻推論的 Inferentia，而且 Anthropic 本身就是 Amazon 重金投資、深度綁定 AWS 的對象；Meta 推出 MTIA 系列，處理它龐大的推薦與生成式運算；Microsoft 也有 Maia 加速器。至於 OpenAI，市場普遍認為它正與博通合作打造自研晶片。

把這些拼起來看，會得到一個很有意思的結論：「自己做晶片」正在從少數科技巨頭的特權，變成前沿 AI 玩家的標準配備。誰的模型跑得夠大、用的人夠多，誰就有動機、也有規模去攤平自研晶片的高昂前期成本。Anthropic 這次的動作，等於是宣告它認為自己已經站上了那個門檻。

Photo by Adi Goldstein on Unsplash

那 NVIDIA 會被取代嗎？

短期內，答案幾乎是否定的，這點要說清楚，避免誤讀。

首先，設計晶片和「用得好」是兩回事。NVIDIA 真正的護城河從來不只是硬體本身，而是 CUDA 這一整套成熟的軟體生態——全世界的 AI 工程師都在上面寫程式、除錯、優化。自研晶片就算算力再漂亮，若沒有好用的軟體工具鏈，工程師搬不過去，效能也發揮不出來。這也是為什麼各家自研晶片幾乎都優先鎖定「推論」這種相對規格單純、容易客製的場景，而不是一步到位取代訓練用的頂規 GPU。

其次，連 Anthropic 自己都說了，這是「多晶片」策略，不是二選一。可預見的未來裡，前沿模型的訓練仍會高度倚賴 NVIDIA，自研晶片則負責分擔那些跑量最大、最講究單位成本的推論工作。與其說是取代，不如說是整個運算供應鏈變得更分工、更多元——而多元通常對買方（也就是最終用戶）是好事，因為競爭會把價格往下壓。

對我們一般用戶跟企業，代表什麼？

第一，AI 服務的長期價格有機會繼續往下走。當推論成本被自研晶片一點一點壓低，這些省下來的錢，最終會反映在 API 費率、訂閱方案，甚至讓過去「跑起來太貴而做不了」的應用變得可行。今年上半年 AI 模型接連降價，背後的底層邏輯之一就是運算效率的提升。

第二，「軟硬整合」重新變成競爭力的關鍵字。過去十幾年，軟體公司的信條是「別碰硬體，把它外包出去」。但在 AI 這個運算即成本的世界，能把模型和晶片一起設計、彼此優化的公司，反而拿到了效率上的優勢。這是一個蠻反直覺、但值得記住的轉向。

第三，對台灣來說，這條新聞其實離我們很近。晶片設計熱潮的背後，是台積電的先進製程、封裝測試、乃至整個供應鏈的需求。當越來越多 AI 公司想「自己做矽」，真正吃到訂單的，往往是能把設計圖變成實體晶片的那一端。

幾點個人觀察

看完這波動作，我自己有三個想法。

其一，這是 AI 產業從「拼模型」走向「拼成本結構」的一個明確訊號。當各家模型的能力差距逐漸縮小，誰能用更低的成本把服務跑起來、跑得穩，誰就更有機會活到最後。晶片，就是這場成本戰最底層的一塊拼圖。

其二，Anthropic 特別強調「不是要逃離 NVIDIA」，這個措辭本身就很聰明——既宣示了自主的決心，又避免把關係搞僵。在這個高度互相依賴的產業裡，公開撕破臉對誰都沒好處，合作與競爭往往是同時存在的。

其三，對正在觀察 AI 的人來說，這件事提醒我們：真正重要的變化，常常不在最吸睛的模型發表會上，而在這些看似枯燥的基礎建設裡。晶片、能源、資料中心——這些「地基」的動向，往往比又多了一個新模型，更能告訴你這個產業接下來三五年會長成什麼樣子。

Anthropic 這顆還沒問世的晶片，短期內大概不會改變你我使用 AI 的體驗。但它代表的方向——把運算成本的主導權，一點一點握回自己手裡——會是接下來這場 AI 長跑裡，最值得持續盯著的其中一條主線。