OpenAI和Anthropic同时自研芯片，英伟达的暴利生意还能撑多久？

OpenAI刚把第一颗自研推理芯片推到台前Anthropic就在7月2日被曝已与三星接洽探索围绕自研AI芯片展开合作。两个全球估值最高的大模型公司几乎在同一时间把矛头指向了英伟达。这并非一次临时起意。TechCrunch援引The Information的报道显示Anthropic与三星的接触尚处极早期公司既没确定这颗芯片的具体用途、部署方式也没敲定最终算力规格。Anthropic在回应中没有确认与三星的合作细节只强调了一项关键事实包含谷歌TPU、Amazon Trainium和英伟达GPU在内的多元化硬件架构仍是其计算战略的支柱。这句话恰恰暴露出Anthropic的真实路径。它不是要从多供应商路线突然转向完全自研也不是急着摆脱英伟达而是在已有的多硬件架构之上试图增加一层更深的自定义能力。招聘页面的信号甚至比传闻更清晰。今年2月Anthropic启动了“Accelerator Platform”团队负责人的招聘任务是把不同代际、不同供应商的芯片——TPU、Trainium、GPU——抽象成一个统一的平台让内部推理集群可以无感调度这些“硅”。同时公司还在招募GPU效能工程师要求候选人能直接操刀底层内核优化、张量核心调优和数千张GPU的同步分布式调度。这不像一个要立刻画版图造ASIC的芯片设计团队反而更像是在搭建一个软件栈与性能工程层。而这恰恰是模型公司进入自定义芯片之前必须补足的能力。自研的紧迫感首先来自账单。Anthropic在今年4月与谷歌、博通签署协议锁定了从2027年起上线的多吉瓦级下一代TPU容量。同月它又与Amazon扩大合作明确已使用超过100万颗Trainium 2芯片来训练和服务Claude。Claude正在从一个模型接口变成面向企业、开发者和Agent场景的基础设施算力需求呈指数级膨胀。当你的最大成本项利润率超过70%——英伟达H100等数据中心GPU的毛利率长期维持在这一水平——自研芯片就不再是一个技术选项而是一道商业算术题。从单纯“买算力”转向主动“定义算力”核心目的只有两个压降单位成本锁定专属架构。但英伟达的护城河远不只是硬件暴利。CUDA生态深度绑定了全球数百万AI开发者从编译器、库到分布式框架迁移成本高到足以让任何一家公司三思。自研芯片设计周期动辄两年起步流片风险巨大即使成功点亮能否匹配英伟达两年一代的迭代速度也是未知数。这些自研动向眼下更像是一套精明的议价筹码——把自研当作压价英伟达的长期威胁同时用多供应商策略分散风险。短期内没人能真正离开黄仁勋的货架但供应链的裂缝一旦出现只会越裂越深。你认为当AI公司自己下场造芯会先撞上哪堵墙——代工厂的产能排期还是CUDA的生态护城河