Anthropic 並非孤例。OpenAI、Google DeepMind 與 Meta 早已投入自研晶片行列，背後驅動力來自全球晶片短缺、日益高漲的推論成本，以及硬體與模型共同設計所能帶來的顯著效能提升。

Anthropic 為何要自己設計晶片？

Anthropic 決定開發客製化晶片，是基於以下幾項迫切的壓力：

• 晶片短缺與供應鏈限制。 全球 AI 晶片供不應求，使 Anthropic 難以取得訓練和部署日益先進的模型所需的運算能力 。
• 高漲的推論成本。 每天處理數十億個 token，年營收規模約達 300 億美元，讓客製化晶片成為降低成本的有力工具。分析師估計，軟硬體共同設計的晶片，最多可將 Claude 的推論成本降低一半 。
• 模型與硬體的協同優化。 為 Claude 的架構量身打造的晶片，能夠比現成的 GPU 提供更好的效能與效率 。
• 多元晶片策略。 這款自研晶片並非為了取代，而是補充 Anthropic 與 Nvidia、AMD、AWS 及 Google Cloud 既有的合作關係，目的是擺脫對 Nvidia GPU 的單一依賴 。

Anthropic 目前尚未公布晶片設計定案（tape-out）或量產的時間表，這對於還在早期階段的專案來說，屬於正常現象 。

其他 AI 巨頭如何打造自研晶片？

OpenAI 與 Jalapeño 晶片

OpenAI 於 2026 年 6 月 24 日發表了其首款自研 AI 晶片，代號為 Jalapeño 。這款晶片由 OpenAI 與博通（Broadcom）共同設計，並委由台積電（TSMC）製造，是一款專門用於推論的處理器 。OpenAI 在 2025 年初便開始設計，最初曾考慮自行建廠，但後來轉向與設計夥伴合作的模式 。該公司隨後也宣布與博通展開高達 100 億美元的戰略合作，預計在 2029 年前部署加速器與網路系統 。

Google DeepMind 與八代 TPU

Google 擁有業界最悠久的自研 AI 晶片計畫，旗下 Tensor Processing Unit（TPU）目前已發展至第八代 。

Ironwood TPU（第七代）於 2025 年底推出，單一運算叢集可串聯多達 9,216 顆晶片，同時滿足訓練與推論需求 。2026 年 4 月，Google 更進一步發表 第八代 TPU，並推出兩款專用架構：TPU 8t 負責訓練，TPU 8i 負責推論 。此外，外媒報導 Google 已委託 AMD 協助設計其第十代 TPU 。

值得注意的是，Google 也根據一筆價值數百億美元的巨額合約，向 Anthropic 提供 TPU 晶片，數量最多可達 100 萬顆 。

Meta 與 MTIA 家族

2026 年 3 月，Meta 公布了其 Meta 訓練與推論加速器（MTIA） 家族的四款新晶片藍圖 。其中 MTIA 300 已部署，而 MTIA 400、MTIA 450 與 MTIA 500 則預計在 2027 年之前，約每六個月推出一款新晶片 。

Meta 與博通共同開發這些晶片，並計畫於 2026 年 9 月開始量產其中一款，目標是將其總體運算能力翻倍 。MTIA 家族不僅涵蓋推論晶片，也首次包含了專為訓練設計的晶片——在此之前，Meta 完全依賴 Nvidia GPU 來訓練模型 。

自研 AI 晶片計畫總覽

這對 AI 硬體版圖意味著什麼？

朝向客製化晶片的轉變，代表了 AI 公司處理基礎設施方式的根本性變革。這些業界領導者不再只比拚模型架構與訓練資料，而是開始將硬體打造為新的競爭優勢。

對於 Anthropic 而言，其自研晶片計畫仍處於最早期階段——量產時程、架構細節與製造協議均尚未公布 。但此舉明確傳達了一個訊息：Anthropic 將晶片設計視為其長期策略的核心，尤其是在服務規模持續擴大、推論成本不斷增長的此刻。

放眼整個產業，降低對 Nvidia GPU 的依賴可能帶來深遠影響。若這些客製化晶片真能實現降低成本與提升效能的承諾，AI 推論的經濟模式將可能大幅改寫，使 AI 應用變得更為平價且普及。

參考資料：本篇報導綜合整理自 Reuters、TechTimes、Forbes、Ars Technica、CNBC 等多家媒體報導 。

Anthropic 並非孤例。OpenAI、Google DeepMind 與 Meta 早已投入自研晶片行列，背後驅動力來自全球晶片短缺、日益高漲的推論成本，以及硬體與模型共同設計所能帶來的顯著效能提升。

Anthropic 為何要自己設計晶片？

Anthropic 決定開發客製化晶片，是基於以下幾項迫切的壓力：

• 晶片短缺與供應鏈限制。 全球 AI 晶片供不應求，使 Anthropic 難以取得訓練和部署日益先進的模型所需的運算能力 。
• 高漲的推論成本。 每天處理數十億個 token，年營收規模約達 300 億美元，讓客製化晶片成為降低成本的有力工具。分析師估計，軟硬體共同設計的晶片，最多可將 Claude 的推論成本降低一半 。
• 模型與硬體的協同優化。 為 Claude 的架構量身打造的晶片，能夠比現成的 GPU 提供更好的效能與效率 。
• 多元晶片策略。 這款自研晶片並非為了取代，而是補充 Anthropic 與 Nvidia、AMD、AWS 及 Google Cloud 既有的合作關係，目的是擺脫對 Nvidia GPU 的單一依賴 。

Anthropic 目前尚未公布晶片設計定案（tape-out）或量產的時間表，這對於還在早期階段的專案來說，屬於正常現象 。

其他 AI 巨頭如何打造自研晶片？

OpenAI 與 Jalapeño 晶片

OpenAI 於 2026 年 6 月 24 日發表了其首款自研 AI 晶片，代號為 Jalapeño 。這款晶片由 OpenAI 與博通（Broadcom）共同設計，並委由台積電（TSMC）製造，是一款專門用於推論的處理器 。OpenAI 在 2025 年初便開始設計，最初曾考慮自行建廠，但後來轉向與設計夥伴合作的模式 。該公司隨後也宣布與博通展開高達 100 億美元的戰略合作，預計在 2029 年前部署加速器與網路系統 。

Google DeepMind 與八代 TPU

Google 擁有業界最悠久的自研 AI 晶片計畫，旗下 Tensor Processing Unit（TPU）目前已發展至第八代 。

Ironwood TPU（第七代）於 2025 年底推出，單一運算叢集可串聯多達 9,216 顆晶片，同時滿足訓練與推論需求 。2026 年 4 月，Google 更進一步發表 第八代 TPU，並推出兩款專用架構：TPU 8t 負責訓練，TPU 8i 負責推論 。此外，外媒報導 Google 已委託 AMD 協助設計其第十代 TPU 。

值得注意的是，Google 也根據一筆價值數百億美元的巨額合約，向 Anthropic 提供 TPU 晶片，數量最多可達 100 萬顆 。

Meta 與 MTIA 家族

2026 年 3 月，Meta 公布了其 Meta 訓練與推論加速器（MTIA） 家族的四款新晶片藍圖 。其中 MTIA 300 已部署，而 MTIA 400、MTIA 450 與 MTIA 500 則預計在 2027 年之前，約每六個月推出一款新晶片 。

Meta 與博通共同開發這些晶片，並計畫於 2026 年 9 月開始量產其中一款，目標是將其總體運算能力翻倍 。MTIA 家族不僅涵蓋推論晶片，也首次包含了專為訓練設計的晶片——在此之前，Meta 完全依賴 Nvidia GPU 來訓練模型 。

自研 AI 晶片計畫總覽

這對 AI 硬體版圖意味著什麼？

朝向客製化晶片的轉變，代表了 AI 公司處理基礎設施方式的根本性變革。這些業界領導者不再只比拚模型架構與訓練資料，而是開始將硬體打造為新的競爭優勢。

對於 Anthropic 而言，其自研晶片計畫仍處於最早期階段——量產時程、架構細節與製造協議均尚未公布 。但此舉明確傳達了一個訊息：Anthropic 將晶片設計視為其長期策略的核心，尤其是在服務規模持續擴大、推論成本不斷增長的此刻。

放眼整個產業，降低對 Nvidia GPU 的依賴可能帶來深遠影響。若這些客製化晶片真能實現降低成本與提升效能的承諾，AI 推論的經濟模式將可能大幅改寫，使 AI 應用變得更為平價且普及。

參考資料：本篇報導綜合整理自 Reuters、TechTimes、Forbes、Ars Technica、CNBC 等多家媒體報導 。