Anthropic se tak připojuje k OpenAI, Google DeepMind a Metě ve vlně firem, které si začínají vyvíjet vlastní čipy. Hlavními hybateli jsou globální nedostatek čipů, rostoucí náklady na inferenci a výkonnostní výhody, které plynou z možnosti navrhovat hardware a modely současně.

Proč si Anthropic vyrábí vlastní čipy

Rozhodnutí Anthropicu vyvíjet vlastní křemík je motivováno několika souběžnými tlaky:

• Nedostatek čipů a omezení dodávek. Celosvětový nedostatek AI čipů ztěžuje Anthropicu získat výpočetní výkon potřebný pro trénování a nasazování stále pokročilejších modelů .
• Rostoucí náklady na inferenci. Při obsluze miliard tokenů denně a ročním obratu zhruba 30 miliard dolarů se vlastní čipy stávají silnou pákou pro snižování nákladů. Analytici odhadují, že by společně navržené čipy mohly snížit náklady na inferenci modelu Claude až o polovinu .
• Optimalizace modelu a hardwaru. Návrh čipů přímo pro architekturu modelu Claude umožňuje dosáhnout lepšího výkonu a účinnosti, než jaké dokážou nabídnout běžně dostupné GPU .
• Multi-čipová strategie. Vlastní čipy mají doplnit, nikoli nahradit stávající partnerství s Nvidií, AMD, AWS a Google Cloud. Jde o součást širší diverzifikace, která má snížit závislost na jediném dodavateli .

Anthropic zatím nezveřejnil cílové datum pro tzv. tape-out (dokončení návrhu) ani pro zahájení výroby, což je v této fázi projektu běžné .

Jak vlastní čipy staví další velké AI společnosti

OpenAI a čip Jalapeño

OpenAI představila svůj první vlastní AI čip s kódovým označením Jalapeño 24. června 2026 . Čip byl navržen ve spolupráci s Broadcomem a vyrábí se u TSMC. Jedná se o procesor specializovaný na inferenci . OpenAI začala s návrhem počátkem roku 2025 a původně zvažovala výstavbu vlastních továren, nakonec se však rozhodla pro model partnerství při návrhu . Firma také oznámila širší strategickou spolupráci s Broadcomem v hodnotě až 10 miliard dolarů na nasazení akcelerátorových a síťových systémů do roku 2029 .

Google DeepMind a osm generací TPU

Google provozuje nejdéle běžící program vlastních AI čipů – specializované Tensor Processing Units (TPU) vyvíjí už více než deset let a nyní mají za sebou osm generací .

Čip Ironwood (7. generace) uvedený na trh koncem roku 2025 dokáže propojit až 9 216 čipů v jediném podu pro trénování i inferenci . V dubnu 2026 Google oznámil 8. generaci TPU se dvěma účelovými architekturami: TPU 8t pro trénování a TPU 8i pro inferenci . Podle dostupných informací Google také oslovil AMD, aby mu pomohlo s návrhem jedné z 10. generace TPU .

Zajímavostí je, že Google dodává TPU i samotnému Anthropicu v rámci obřího kontraktu v hodnotě desítek miliard dolarů, který počítá až s milionem čipů .

Meta a rodina MTIA

V březnu 2026 Meta představila plán na čtyři nové domácí čipy v rámci své rodiny Meta Training and Inference Accelerator (MTIA) . Čip MTIA 300 je již nasazen; MTIA 400, MTIA 450 a MTIA 500 by měly následovat zhruba každých šest měsíců až do roku 2027 .

Meta tyto čipy vyvíjí společně s Broadcomem a výrobu jednoho z nich plánuje zahájit v září 2026 v rámci snahy zdvojnásobit svou celkovou výpočetní kapacitu . Rodina MTIA pokrývá jak inferenci, tak poprvé i vlastní trénovací čipy – dříve Meta pro trénování modelů spoléhala na GPU od Nvidie .

Přehled programů vlastních AI čipů

Co to znamená pro oblast AI hardwaru

Přechod k vlastnímu křemíku představuje zásadní změnu v tom, jak AI společnosti přistupují k infrastruktuře. Namísto soutěže pouze v architektuře modelů a trénovacích datech nyní lídři odvětví budují hardware jako konkurenční výhodu.

Pro Anthropic je program vlastních čipů stále v nejranější fázi – nebyl stanoven cílový termín výroby, nebyly oznámeny žádné architektonické detaily ani výrobní dohody . Samotný krok ale signalizuje, že Anthropic považuje návrh čipů za zásadní součást své dlouhodobé strategie, zejména s ohledem na rostoucí náklady na inferenci s rostoucím rozsahem nasazení.

Pro celé odvětví může mít diverzifikace od GPU Nvidie dalekosáhlé důsledky. Pokud vlastní čipy splní svůj slib nižších nákladů a vyššího výkonu, ekonomika AI inference by se mohla dramaticky změnit, což by učinilo AI aplikace dostupnějšími a levnějšími.

Anthropic se tak připojuje k OpenAI, Google DeepMind a Metě ve vlně firem, které si začínají vyvíjet vlastní čipy. Hlavními hybateli jsou globální nedostatek čipů, rostoucí náklady na inferenci a výkonnostní výhody, které plynou z možnosti navrhovat hardware a modely současně.

Proč si Anthropic vyrábí vlastní čipy

Rozhodnutí Anthropicu vyvíjet vlastní křemík je motivováno několika souběžnými tlaky:

• Nedostatek čipů a omezení dodávek. Celosvětový nedostatek AI čipů ztěžuje Anthropicu získat výpočetní výkon potřebný pro trénování a nasazování stále pokročilejších modelů .
• Rostoucí náklady na inferenci. Při obsluze miliard tokenů denně a ročním obratu zhruba 30 miliard dolarů se vlastní čipy stávají silnou pákou pro snižování nákladů. Analytici odhadují, že by společně navržené čipy mohly snížit náklady na inferenci modelu Claude až o polovinu .
• Optimalizace modelu a hardwaru. Návrh čipů přímo pro architekturu modelu Claude umožňuje dosáhnout lepšího výkonu a účinnosti, než jaké dokážou nabídnout běžně dostupné GPU .
• Multi-čipová strategie. Vlastní čipy mají doplnit, nikoli nahradit stávající partnerství s Nvidií, AMD, AWS a Google Cloud. Jde o součást širší diverzifikace, která má snížit závislost na jediném dodavateli .

Anthropic zatím nezveřejnil cílové datum pro tzv. tape-out (dokončení návrhu) ani pro zahájení výroby, což je v této fázi projektu běžné .

Jak vlastní čipy staví další velké AI společnosti

OpenAI a čip Jalapeño

OpenAI představila svůj první vlastní AI čip s kódovým označením Jalapeño 24. června 2026 . Čip byl navržen ve spolupráci s Broadcomem a vyrábí se u TSMC. Jedná se o procesor specializovaný na inferenci . OpenAI začala s návrhem počátkem roku 2025 a původně zvažovala výstavbu vlastních továren, nakonec se však rozhodla pro model partnerství při návrhu . Firma také oznámila širší strategickou spolupráci s Broadcomem v hodnotě až 10 miliard dolarů na nasazení akcelerátorových a síťových systémů do roku 2029 .

Google DeepMind a osm generací TPU

Google provozuje nejdéle běžící program vlastních AI čipů – specializované Tensor Processing Units (TPU) vyvíjí už více než deset let a nyní mají za sebou osm generací .

Čip Ironwood (7. generace) uvedený na trh koncem roku 2025 dokáže propojit až 9 216 čipů v jediném podu pro trénování i inferenci . V dubnu 2026 Google oznámil 8. generaci TPU se dvěma účelovými architekturami: TPU 8t pro trénování a TPU 8i pro inferenci . Podle dostupných informací Google také oslovil AMD, aby mu pomohlo s návrhem jedné z 10. generace TPU .

Zajímavostí je, že Google dodává TPU i samotnému Anthropicu v rámci obřího kontraktu v hodnotě desítek miliard dolarů, který počítá až s milionem čipů .

Meta a rodina MTIA

V březnu 2026 Meta představila plán na čtyři nové domácí čipy v rámci své rodiny Meta Training and Inference Accelerator (MTIA) . Čip MTIA 300 je již nasazen; MTIA 400, MTIA 450 a MTIA 500 by měly následovat zhruba každých šest měsíců až do roku 2027 .

Meta tyto čipy vyvíjí společně s Broadcomem a výrobu jednoho z nich plánuje zahájit v září 2026 v rámci snahy zdvojnásobit svou celkovou výpočetní kapacitu . Rodina MTIA pokrývá jak inferenci, tak poprvé i vlastní trénovací čipy – dříve Meta pro trénování modelů spoléhala na GPU od Nvidie .

Přehled programů vlastních AI čipů

Co to znamená pro oblast AI hardwaru

Přechod k vlastnímu křemíku představuje zásadní změnu v tom, jak AI společnosti přistupují k infrastruktuře. Namísto soutěže pouze v architektuře modelů a trénovacích datech nyní lídři odvětví budují hardware jako konkurenční výhodu.

Pro Anthropic je program vlastních čipů stále v nejranější fázi – nebyl stanoven cílový termín výroby, nebyly oznámeny žádné architektonické detaily ani výrobní dohody . Samotný krok ale signalizuje, že Anthropic považuje návrh čipů za zásadní součást své dlouhodobé strategie, zejména s ohledem na rostoucí náklady na inferenci s rostoucím rozsahem nasazení.

Pro celé odvětví může mít diverzifikace od GPU Nvidie dalekosáhlé důsledky. Pokud vlastní čipy splní svůj slib nižších nákladů a vyššího výkonu, ekonomika AI inference by se mohla dramaticky změnit, což by učinilo AI aplikace dostupnějšími a levnějšími.