Anthropic progetta chip personalizzati per Claude: la grande svolta verso i semiconduttori in-house

• Carenza di chip e vincoli di fornitura. La scarsità globale di chip per l'intelligenza artificiale rende difficile per Anthropic garantire la potenza di calcolo necessaria per addestrare e distribuire modelli sempre più avanzati .
• Costi di inferenza alle stelle. Servire miliardi di token al giorno, con un fatturato annuo di circa 30 miliardi di dollari, rende i chip personalizzati una leva potentissima per la riduzione dei costi. Gli analisti stimano che chip progettati su misura potrebbero dimezzare i costi di inferenza di Claude .
• Co-ottimizzazione modello-hardware. Progettare chip specificamente per l'architettura di Claude consente di ottenere prestazioni e efficienza superiori rispetto alle GPU standard .
• Strategia multi-chip. I chip personalizzati andranno ad affiancare, non a sostituire, le attuali partnership con Nvidia, AMD, AWS e Google Cloud, nell'ambito di una più ampia diversificazione dalla dipendenza esclusiva dalle GPU Nvidia .

Anthropic non ha ancora comunicato una data prevista per la finalizzazione del progetto o l'avvio della produzione, cosa normale per un programma in questa fase .

Come gli altri big dell'IA stanno costruendo chip custom

OpenAI e il chip Jalapeño

OpenAI ha svelato il suo primo chip AI personalizzato, nome in codice Jalapeño, il 24 giugno 2026 . Progettato in collaborazione con Broadcom e prodotto da TSMC, Jalapeño è un processore specializzato per l'inferenza . OpenAI ha avviato il progetto all'inizio del 2025, valutando inizialmente la costruzione di proprie fonderie, per poi optare per un modello di partnership di progettazione . L'azienda ha inoltre annunciato una collaborazione strategica con Broadcom del valore fino a 10 miliardi di dollari per distribuire sistemi di accelerazione e rete entro il 2029 .

Google DeepMind e otto generazioni di TPU

Google vanta il programma di chip AI interni più longevo, con oltre dieci anni di sviluppo di semiconduttori personalizzati. La sua famiglia di Tensor Processing Unit (TPU) conta ora otto generazioni .

Il TPU Ironwood (7a generazione), lanciato alla fine del 2025, può collegare fino a 9.216 chip in un unico pod per addestramento e inferenza . Nell'aprile 2026, Google ha annunciato i suoi TPU di 8a generazione con due architetture dedicate: TPU 8t per l'addestramento e TPU 8i per l'inferenza . Secondo alcune indiscrezioni, Google avrebbe anche incaricato AMD di contribuire alla progettazione di uno dei suoi TPU di 10a generazione .

È interessante notare che Google fornisce TPU anche ad Anthropic nell'ambito di un accordo colossale da decine di miliardi di dollari, che prevede fino a un milione di chip .

Meta e la famiglia MTIA

Nel marzo 2026, Meta ha presentato la roadmap di quattro nuovi chip interni nell'ambito della sua famiglia Meta Training and Inference Accelerator (MTIA) . Il MTIA 300 è già stato implementato; i modelli MTIA 400, MTIA 450 e MTIA 500 usciranno con cadenza semestrale fino al 2027 .

Meta sta co-sviluppando questi chip con Broadcom e prevede di avviare la produzione di uno di essi a settembre 2026, nell'ambito di un piano per raddoppiare la propria capacità di calcolo complessiva . La famiglia MTIA copre sia l'inferenza che, per la prima volta, chip personalizzati per l'addestramento, ambito in cui Meta faceva finora affidamento sulle GPU Nvidia .

Riepilogo dei programmi di chip AI personalizzati

Cosa significa per il panorama dell'hardware AI

Il passaggio ai semiconduttori personalizzati rappresenta un cambiamento fondamentale nel modo in cui le aziende di IA affrontano le infrastrutture. Invece di competere solo sull'architettura dei modelli e sui dati di addestramento, i leader del settore stanno ora costruendo l'hardware come vantaggio competitivo.

Per Anthropic, il programma di chip personalizzati è ancora alle prime armi: non è stata fissata alcuna data per la produzione e non sono stati annunciati dettagli architetturali o accordi di produzione . Ma la mossa dimostra che Anthropic considera la progettazione di chip essenziale per la sua strategia a lungo termine, soprattutto perché i costi di inferenza crescono con la scala delle implementazioni.

Per l'intero settore, la diversificazione dalle GPU Nvidia potrebbe avere implicazioni di vasta portata. Se i chip personalizzati manterranno le promesse di costi inferiori e prestazioni più elevate, l'economia dell'inferenza AI potrebbe cambiare radicalmente, rendendo le applicazioni di IA più convenienti e accessibili.