Anthropic 招入谷歌 TPU 缔造者 Amir Salek，主导自研芯片

Anthropic 已招入 Amir Salek——那位从零建起谷歌张量处理单元（TPU）项目并执掌九年的工程师——加入其算力团队，公司于周五确认了这一消息。这项由彭博社报道的招聘，直接把 Salek 放进了 Anthropic 初生的自研芯片项目的领导架构中，他将向 Anthropic 算力负责人 James Bradbury 汇报。这是迄今为止任何前沿 AI 实验室为组建内部芯片项目所做的最重量级的芯片高管招聘，而距离Anthropic 公开承认自己正在组建「自研芯片团队」还不到三周。

时机并非偶然。据估算，Anthropic 2026 年的年度算力支出约为 190 亿美元，而据 The Information 报道，其推理成本——即实时向用户提供 Claude 回答的开销——在 2025 年超出预算 23%。公司 2025 年的毛利率约为 40%，距离它向投资人表示要在预期的纳斯达克上市前达到的 77% 毛利率目标还有很大差距。在这样的财务背景下，招入 Salek 与其说是一次彰显声望的签约，不如说是一种结构性回应：Anthropic 需要一个已经在大规模场景下解决过它当下要解决的这个问题的人。

让这次招聘意义重大的领导层结构

要理解 Salek 加入的全部意义，得看看在他之前已经就位的那支团队。执掌 Anthropic 算力的 James Bradbury 曾在 Google DeepMind 任职多年，是 JAX 团队成员——JAX 是谷歌大规模机器学习负载（包括 TPU 集群上的大部分工作）所依赖的数值计算框架。Bradbury 清楚这些芯片的运行成本、性能余量在哪里，以及哪类模型负载会暴露该架构的极限。用芯片项目的行话说，他是一个先成为芯片采购方、进而成为芯片战略制定者的资深重度用户。

第二位已经就位的关键人物是 Clive Chan，他于 2026 年 6 月初加入 Anthropic。Chan 是 OpenAI 专属芯片项目历史上招入的第二名硬件工程师，在那里工作了约两年半，参与了由博通设计、后来被 OpenAI 以 Jalapeño 之名公开的推理加速器。在 OpenAI，Chan 专注于矩阵乘法架构和硬件性能分析——这正是 Transformer 推理的核心计算原语。加入 OpenAI 之前，他曾在特斯拉的 Dojo 超算团队工作，为 Autopilot 的深度学习负载构建 GPU 优化和训练基础设施。当他在 X 上宣布将转投 Anthropic 时，他形容自己始终摆脱不了「从山脚重新攀一座新山的那种牵引力」——这句话精确描述了一个即将交付首款量产芯片的项目，与一个刚在招募首批工程师的项目之间的落差。

Anthropic 用这三个岗位搭出来的东西在结构上很不寻常：造出 TPU 的人（Salek）、帮助建起 OpenAI 首个芯片项目并深耕矩阵加速的人（Chan），以及一位在谷歌研究规模上跑过海量 TPU 负载的算力负责人（Bradbury）。没有第二家前沿 AI 实验室能在单个招聘周期内凑齐同等厚度的硬件领导层。谷歌的芯片项目经过十多年内部试错才成为真正的竞争优势，而 Anthropic 显然是在有意压缩这一积累过程。

Salek 的履历还带来一个纯芯片工程之外、但这个岗位恰恰需要的维度。在谷歌工作九年后，他加入 Cerberus Capital Management 出任高级董事总经理，积累了企业级资本部署和基础设施投资商业机制方面的经验——这正是管理一个终将涉及代工合同、封装合作和数亿美元级供应承诺的芯片项目所需的商业能力。他还在 2024 年初加入加拿大推理加速创业公司 Untether AI 的董事会，进一步强化了他在 AI 硬件「训练后优化」这一侧的参与度，也让他从内部持续掌握推理芯片格局的最新动向。

在谷歌之前，Salek 在英伟达工作了约八年，任工程高级总监，创建并领导了公司的片上系统（SoC）设计团队。这段背景对一个协同设计项目意义重大：一位在英伟达干过的芯片架构师，对 GPU 的设计前提理解到足以精确指出哪些前提对 Transformer 推理负载并不成立，并在一款专门打造的替代方案中利用这些缝隙。他的学历——谢里夫理工大学电子工程学士、南加州大学计算机工程与计算机科学博士——把深厚的技术功底与扎实的商业和组织经验锚在了一起。

九年造 TPU 的经历，对 Anthropic 的项目究竟意味着什么

Salek 造出的张量处理单元并不是通用 GPU 的某个变种。它从零开始，就是为了以尽可能高的效率执行一类运算——低数值精度下的矩阵乘法。其核心架构选择是脉动阵列：一个由乘加单元构成的二维网格，数据以规则的、波状的方式在其中流动。每个单元计算出一个部分结果，并把中间值传给相邻单元，无需额外访问内存，从而让芯片以高度流水线化的方式完成大型矩阵运算。相比之下，标准 GPU 的执行方式要求为每一条乘加指令从寄存器堆或共享内存中加载操作数——这个过程在指令派发层面带来了可观的开销。

脉动阵列架构与 Transformer 神经网络中的主导运算精确匹配。注意力机制和前馈层最终都归结为一连串大型矩阵乘法；而一款以矩阵乘法为原生操作的芯片，可以跳过 GPU 必须承担的指令调度开销——从 GPU 的视角看，这不过是通用算术运算的一种特化模式。这个效率差距会随规模扩大：当 Claude 处理数十万并发请求时，通用 GPU 与专用矩阵加速器之间的单 token 成本差异，会累积成实质性的经济账。

Anthropic 目前在谷歌 Ironwood TPU 上运行 Claude——这是 Salek 那个项目所产出架构的第七代、也是最新一代——它用的正是一款其设计前提经过九年迭代打磨、恰好匹配 Claude 这类负载的芯片。Ironwood 的推理性能约为上一代的四倍，是 Anthropic 外部芯片战略当前的支点。作为 2025 年 10 月宣布的一笔价值数百亿美元云容量交易的一部分，公司已承诺获取多达一百万颗 TPU，该协议在 2026 年 4 月进一步扩展，纳入了预计 2027 年上线的数吉瓦下一代容量。

招到设计这些芯片的人，其意义在于知识转移的深度远超任何规格表所能承载的。Salek 知道 TPU 设计史上哪些架构决策是被当年的制造约束逼出来的、而这些约束在当前制程节点上已不再适用；知道 2013 至 2022 年间关于模型负载结构的哪些假设已被 Transformer 时代所超越；也知道哪些设计选择只是刻意的保守、未来迭代可以放开。这类机构知识恰恰是协同设计项目最需要的：能够区分现有芯片哪些地方做得好是因为问题本身确实难，哪些地方做得不够好只是因为当年的决策条件如今已不复存在。

协同设计（co-design）是 Anthropic 公开用来描述这个项目的概念框架。最能说明目标的类比是苹果的 M 系列芯片。苹果没有去买为通用负载设计的处理器、再优化软件去迁就芯片设计者未曾预料的约束，而是把硬件和软件当作一个整体系统来设计，让每一层都可以做出由另一层来保证成立的架构假设。M1 的内存带宽、统一内存架构，以及 CPU 与神经引擎之间的紧密集成，单看每一项都算不上有用——它们是相互强化的设计选择，而一个面向广阔市场的通用芯片设计者根本无法做出这些选择。

Anthropic 版本的这套逻辑，专门针对 Claude 的推理。Claude 在对话过程中产生的注意力模式、它在企业和消费者部署中处理请求的典型长度和格式、其计算中的稀疏性模式、多轮推理时维护的键值缓存大小——所有这些都是可测量、稳定的参数，一支专职设计团队可以把它们当作芯片架构的输入，而不是芯片必须动态适配的运行时变量。一款把 Claude 真实负载分布当作一等设计约束（而不是把它当作所有可能 AI 负载这一宽分布中的某一个点）的芯片，原则上能在生产级推理规模上带来明显更好的能效和每美元吞吐。

驱动整笔投资的推理成本危机

让自研芯片项目在 Anthropic 这个体量上变得合理的经济账，根源是计算机架构师在 1994 年就命名过的一个问题：内存墙。对于一个逐 token 生成回答的大语言模型，推理时的计算瓶颈几乎从来不是原始算力吞吐，而是芯片把模型权重从片外内存搬到计算单元的速度。以 16 位精度从一个 700 亿参数模型生成单个输出 token，需要在内存接口上搬运约 140 GB 的权重数据。在 Anthropic 的运营规模上——为数百万用户提供数十亿次查询——这种数据搬运会累积成单 token 经济账中的主导成本项。

这一点之所以重要，是因为它限定了软件优化能做到什么程度。量化（把权重精度从 16 位降到 8 位或 4 位）这类技术可以把权重搬运量减少多达 75%，Anthropic 和其他所有前沿实验室都已在积极采用。KV 缓存压缩降低了生成过程中维护上下文所需的内存。投机解码让草稿生成可以被并行验证，提升有效吞吐。但所有这些技术都有实现下限，越过之后，进一步的激进优化就要拿模型质量去换成本——而在质量本身就是核心产品的前沿模型上，Anthropic 无法在这个权衡上走得太远。

通用 GPU 通过高带宽内存（HBM）来应对内存墙：把堆叠的 DRAM 阵列与计算裸片封装在一起，缩短物理距离、提高权重搬运可用的带宽。英伟达当前一代推理硬件部署了密度越来越高的 HBM 堆栈。问题在于 HBM 每 GB 成本高昂、可堆叠容量存在物理上限，而且是为广泛的负载种类设计的。一款专为 Claude 推理设计的芯片，可以围绕 Claude 权重分布真正需要的那种 SRAM 与 DRAM 权衡来做架构，而不是围绕服务英伟达全体客户的那种权衡。

据报道，Anthropic 2025 年推理成本超支 23%，这并非采购失误——它反映的是一个现实：Claude 的使用量增长快过单次查询成本靠软件优化下降的速度。当前表现与公司宣称的 77% 上市毛利率目标之间那 37 个百分点的差距，主要靠两个杠杆收窄：一是更高的收入——按Anthropic 自己的披露，2026 年年化收入已超过 300 亿美元；二是更低的单 token 推理成本。自研芯片若能如期兑现，正是在架构层面而非渐进式软件调优层面去撬动第二个杠杆。

这笔财务账算下来非常直白。如果一款协同设计的芯片能把 Anthropic 生产负载上的单 token 有效推理成本哪怕只降低 20% 到 30%，在 190 亿美元算力支出的基数上，每年的美元影响就是数十亿量级——这一回报远远超过一个芯片研发项目的投入，而业内对这类项目五年周期的全部成本通常估算在 5 亿至 10 亿美元以上。

这是多层基础设施战略，不是押注自研芯片的单一赌注

招入 Salek 并不意味着 Anthropic 要取代现有的芯片合作关系。公司一贯把自研项目描述为多芯片供应战略中的一层，而它近期外部基础设施承诺的规模也把这一点说得很明白。

2025 年 10 月，Anthropic 签下最多一百万颗谷歌 TPU 的协议，这笔价值数百亿美元的云容量承诺在 2026 年带来超过 1 吉瓦的算力上线。2026 年 4 月，该协议扩展为与谷歌和博通签订的数吉瓦级协议，对应预计自 2027 年起陆续上线的下一代 TPU 容量。在亚马逊一侧，Anthropic 的训练负载主要运行在 Trainium——亚马逊的自研训练加速器——上，相关条款把 Anthropic 绑定在 AWS 作为其主要训练云。公司还曾透露正与微软就 Maia 200 和 Maia 300 推理芯片进行讨论。

基础设施战略中最能说明问题的近期动作，发生在 Salek 官宣前后的那几周，它们展示了分散化的逻辑。Anthropic 与Riot Platforms 签下一份 91 亿美元、为期 20 年的协议——这家前比特币矿企正在把其位于得克萨斯州 Rockdale 的园区改造为 AI 基础设施——获取 191 兆瓦容量，首批 96 兆瓦将于 2027 年 12 月开始部署。Riot 的设施提供的正是 2025 至 2026 年间变得稀缺的东西：大规模的并网电力，且无需专建 AI 数据中心那种数年工期。另一份与 Volta Infra Holdings 签订的 100 亿美元、为期六年的协议——这家创业公司由英伟达和 Andreessen Horowitz 投资——锁定了挪威 Tydal 一座完全依靠水电运行的数据中心的 133 兆瓦容量，配备英伟达最新的 Vera Rubin 系统。

这些都不是权宜之计。它们是未来数年承载 Claude 负载的基础设施——最终也包括 Anthropic 自己的芯片投产之后。自研芯片项目在这个结构中的角色，是为那部分计算模式足够稳定、协同设计假设能够成立的推理负载引入一个成本优化层，同时在训练、研究，以及负载模式仍在变动的那部分推理上继续依赖外部芯片。

对Fractile 的初始 2.5 亿美元采购承诺——芯片预计要到 2027 年才出货——遵循的是同一套架构分散化逻辑。Fractile 的存算融合路线直接在片上 SRAM 中执行推理运算，这种设计宣称从硬件层面消除权重搬运瓶颈，而不是靠更快的 HBM 去加速它、或靠软件去管理它。该公司使用了从 Andes Technology 授权的 RISC-V 向量处理器核心，并针对 Transformer 推理模式做了定制算术扩展。它宣称的 100 倍吞吐提升和 90% 成本下降来自仿真而非量产芯片，且未经独立验证。但 Anthropic 的工程团队能比公开资料更详细地接触 Fractile 的架构，显然认为其底层物理原理可信到值得在芯片存在之前就做出承诺。

Anthropic 在自研芯片竞赛中的位置

当 Anthropic 的自研芯片团队于 8 月 5 日官宣时，它成了最后一家把内部芯片项目正式化的主要前沿 AI 实验室——但它为此招到的芯片项目领导层厚度，是那些更早动身的竞争对手都没能匹敌的。

OpenAI 于 2026 年 6 月公开了 Jalapeño：一款由博通设计、计划在 2026 年下半年投入生产部署的推理芯片。这是一款重要的芯片，但关键词是「博通设计」。这块芯片由第三方半导体公司按 OpenAI 的规格制造，意味着其最底层的架构假设反映的是博通设计团队对 Transformer 推理的理解，而不是那些亲手训练和部署过 GPT-4、GPT-5 的工程师的理解。Meta 的 MTIA 加速器系列面向的是更宽泛的一组 Meta AI 负载——推荐系统、图像生成、生成式文本——而非单一的前沿模型系列。Google DeepMind 在 TPU 上运行已超过十年，Ironwood 如今已在 Google Cloud 上正式可用，但那些芯片必须同时服务谷歌所有的内部 AI 负载，而不只是单一模型线的需求。

Anthropic 的自研项目只为 Claude 设计，别无其他。这种专一性既是它的优势也是它的约束：一款为 Claude 优化的芯片可能无法用于其他负载，但当一款芯片被设计成精确匹配单一模型系列的计算特征时，所能达到的优化深度，是一款必须服务异构客户群的芯片得不到的。

Anthropic 迟到入场——正式立项在 2026 年 8 月，而谷歌的内部 TPU 项目始于 2013 年、OpenAI 的芯片项目始于 2023 年底——究竟是劣势还是优势，取决于时机。一个 2026 年才开始设计的项目，好处是已经知道 Transformer 推理在前沿模型尺度上究竟如何扩展、哪些模型架构被证明最经得起时间、以及上一代芯片没能解决哪些硬件瓶颈。风险在于，英伟达、谷歌和亚马逊不会在 2026 到 2028 这个设计周期里原地不动，一款在 2026 年架构规划中看起来有竞争力的芯片，2028 年落地时面对的可能是完全不同的竞争环境。

执行风险，以及下一个真正关键的关口

即便有 Salek 的经验掌舵，约束仍是结构性的。芯片研发周期从初始架构定义到量产爬坡需要三到五年；一个在 2026 年夏天才组建首个领导班子的项目，最早也要到 2028 年才可能量产。这个时间表意味着，在任何 Anthropic 自研加速器对生产算力构成实质贡献之前，Claude 还将在外部芯片——谷歌 TPU、亚马逊 Trainium、英伟达 GPU——上再跑至少两代模型。

制造是与设计相互独立的另一重约束。Anthropic 一直在与三星洽谈代工合作，探讨三星的 2nm 制程及其先进高带宽内存集成方案。这些由 The Information 和彭博社在 2026 年 7 月报道的谈判仍处于初步阶段——尚无协议获得确认。台积电作为 AI 芯片先进节点更常见也更受青睐的代工替代选项，排队周期很长；任何 Anthropic 芯片项目都必须在量产开始前数年锁定制造产能。流片——即把最终设计正式提交给代工厂制作掩模并投产——才是把 Anthropic 的芯片项目与一颗真实芯片区分开来的工程关口。

软件生态的挑战同样真实，但对 Anthropic 而言比对一家从外部切入的创业公司更可控。从英伟达 GPU 推理切换到任何自研架构，都需要重建生产软件栈：算子优化、批处理策略、内存管理例程、监控基础设施。Anthropic 在 TPU 负载上一直与谷歌联合进行软硬件协同设计，在这类迁移挑战上的经验比多数公司都多。这份熟悉并不能消除工程成本，但意味着 Salek 加入的是一个已经在生产规模上理解非英伟达芯片部署的组织。

更宏观的经济约束是量。自研芯片的经济账只有在产量足以摊薄研发成本时才划算。一个 5 亿至 10 亿美元的研发项目，要么需要足够的产量把单位成本压到远低于租用 GPU 的水平，要么需要足够大的单 token 成本优势，让较小的产量也能带来所需回报。以 300 亿美元年收入和约 190 亿美元算力支出计，Anthropic 的生产规模几乎肯定足以支撑这笔投资——但这个计算取决于 Claude 收入能否继续增长，以及芯片能否带来足以填平当前与目标毛利率之差的成本优势。

下一个值得关注的公开里程碑不是流片，Anthropic 大概率不会宣布这件事。而是代工承诺。一份最终敲定的三星合作，或者某种替代性的制造安排，将标志着 Anthropic 已经从组建设计团队，走到了投入资源真正去制造芯片的阶段。那份公告如果到来，将确立一个时间框架：在这个框架内，Salek 那九年——他造出的芯片如今每一家主要 AI 实验室都在依赖——的经验，将被投向打造 Anthropic 自己最需要的那款芯片。