作者：默思編輯部 發布：2026-07-15
Anthropic 目前每月的運算成本高達 12.5 億美元——這個數字之所以驚人，是因為它只是「運算」這一項支出，還不包含研發、人力等其他營運成本。這樣的規模，正在促使 Anthropic 認真考慮繞過完全仰賴 Nvidia GPU 的模式，開始與三星洽談客製化 Claude 推理晶片的合作。
目前主流 AI 實驗室高度仰賴 Nvidia 的通用 GPU 進行模型訓練與推理，但通用 GPU 的設計必須兼顧各種不同的運算負載,不會針對特定公司自家模型的架構做極致優化。客製化晶片（也就是所謂的 ASIC，特殊應用積體電路）的思路是：既然運算規模已經大到一定程度，針對自家模型架構量身訂做晶片，長期而言能換取更好的成本效益與能源效率——Google 的 TPU、Amazon 的 Trainium，都是同樣邏輯下的產物，Anthropic 現在也在往這個方向布局。
不管各家 AI 實驗室最終選擇用誰的晶片，最終幾乎都要透過台積電的先進製程代工生產——這也是為什麼台積電 2026 年 6 月營收創下歷史新高，年增達 68%，第二季營收來到 396 億美元，其中最先進的 3 奈米製程（N3）產能已經完全訂滿到年底。這個數字某種程度上比任何一家 AI 實驗室的財報，都更直接反映了整個 AI 產業對運算基礎設施的真實需求規模。
Anthropic 考慮自研晶片這件事，反映出一個產業趨勢：當 AI 公司的運算規模成長到一定門檻，「用不用得起現成 GPU」開始讓位給「值不值得自己投資客製化硬體」這個更根本的問題。這條路線過去只有 Google、Amazon 這種本身就有龐大雲端基礎設施的巨頭才走得通，現在連 Anthropic 這種相對年輕的 AI 實驗室,也開始認真評估這個選項,顯示整個產業對運算成本的敏感度正在快速提升——這也跟先前提到的「企業 AI 支出從瘋狂堆量轉向講求效率」這個大趨勢彼此呼應,只是這次發生在供應端,而不是需求端。
對於長期關注 AI 基礎設施發展的開發者而言，這類供應鏈與晶片布局的新聞，雖然不會直接影響你今天寫的程式碼，但長期會決定各家 AI API 的價格走勢與穩定性——理解這些底層的成本結構,有助於判斷未來 AI 服務的定價趨勢是否合理,以及各家供應商在成本壓力下可能採取的策略調整。