Anthropic聘请谷歌TPU创始负责人Amir Salek，加速自研芯片

Anthropic挖来谷歌TPU前七代核心负责人Amir Salek，补齐硬件能力，加速自研AI芯片布局，应对算力成本与供应链压力。

Amir Salek是谷歌TPU定制芯片项目创始人，2013年至2022年期间，他在谷歌负责TPU项目，领导团队完成前七代TPU的研发和落地。加入谷歌之前，他在英伟达工作八年，参与创立和扩展英伟达片上系统（SoC）业务，主导了25个以上的GPU和Tegra芯片开发项目。离开谷歌后，他进入私募股权机构Cerberus Capital Management担任高级董事总经理。

Salek的加入意味着Anthropic正在加速补齐硬件能力。此前Anthropic已释放出组建自研芯片团队的信号：本月初官网招聘信息明确披露"公司正在组建自研定制芯片团队"。据此前报道，Anthropic已与三星电子接洽，计划采用三星2nm制程和先进封装服务来生产AI芯片。

Anthropic的算力策略呈现双轨并行：自研芯片尚未落地前，公司已与英国初创Fractile达成约2.5亿美元首批芯片订单，并扩大与谷歌、博通合作锁定2027年约3.5GW下一代TPU容量，同时与Riot Platforms、Volta Infra Holdings等签署数据中心协议。

一、Anthropic自研芯片的前置布局

• 算力采购现状‌：此前Anthropic长期依赖英伟达GPU、谷歌TPU、亚马逊AWS芯片等多外部供应商，支撑Claude系列模型的训练与推理需求。
• 算力投入规模‌：2026年Anthropic全年计算投入预计达到约190亿美元，持续外购芯片带来的成本与供应链压力持续攀升。
• 前期人才储备‌：2026年6月已招募OpenAI自研芯片团队早期核心成员Clive Chan，同步启动相关岗位招聘，搭建内部硬件研发团队框架。
• 外部资源锁定‌：与英国硬件初创公司Fractile达成约2.5亿美元的初始芯片采购协议，同时和Riot Platforms、Volta Infra Holdings等厂商签订大额数据中心基础设施合同，提前锁定服务器算力资源。
• 产业合作洽谈‌：已与三星电子晶圆代工部门展开接触，探讨芯片流片生产的潜在合作可能。

二、自研芯片的核心战略逻辑

• 破解供应链瓶颈‌：缓解AI芯片市场长期供应紧张的局面，降低对单一外部供应商的依赖，保障大模型迭代的算力稳定供给。
• 优化长期成本结构‌：针对Claude系列模型的运算特性定制硬件架构，大幅提升推理效率，降低长期推理环节的高频运营成本。
• 掌握底层优化空间‌：实现算法与硬件的深度协同，在模型运行层面挖掘更多性能优化空间，构建区别于其他AI厂商的差异化算力壁垒。

三、同类对标进展

• OpenAI路线‌：同步推进自研推理芯片项目Jalapeño，联合博通、Celestica共同开发，计划2026年内正式量产落地，聚焦大语言模型推理场景优化。
• 行业共性趋势‌：头部AI企业均从纯模型研发向“模型+算力基础设施”全链条延伸，AI行业竞争焦点从模型参数规模比拼，转向完整计算体系能力的对抗。

四、挑战与后续

• 研发周期压力‌：先进AI芯片从架构设计到流片量产通常需要数亿美元投入，且要经历数年的漫长周期，短期难以完全替代外购芯片。
• 过渡阶段策略‌：Anthropic将长期维持多供应商采购路线，在自研芯片落地前持续依托英伟达、谷歌等现有合作伙伴保障算力供给。
• 产业格局影响‌：头部AI企业集体下场自研芯片，将逐步改变当前英伟达一家独大的AI加速芯片市场格局，推动算力供应链向多元化方向发展。

五、产业生态

自研芯片是AI巨头降低对外部供应商依赖、提升云服务毛利率的关键途径。谷歌通过TPU构建自己的AI基础设施，苹果围绕终端芯片打造软硬件协同能力，微软也在探索自研AI芯片（Maia系列）。Anthropic预计2026年计算投入可能达到约190亿美元，自研芯片有望在长期降低成本。

附：Amir Salek 经历

作为谷歌TPU项目的创始负责人，在2013年至2022年任职期间主导交付了前七代TPU芯片，是谷歌TPU技术体系从0到1搭建的核心人物。

1.主导的TPU核心技术成果

1. TPU 1代‌：2015年正式部署在谷歌数据中心，是全球首款面向神经网络推理场景的定制ASIC芯片，专门加速深度学习推理阶段运算，相比同期服务器级英特尔Haswell CPU、英伟达K80 GPU，在特定神经网络任务上实现了性能与能效的显著提升。
2. TPU 2代‌：首次从单一推理场景扩展至训练+推理双场景，引入高带宽HBM内存，大幅提升大模型训练的并行算力支撑能力，首次让谷歌具备了完全自主可控的大规模AI集群搭建能力。
3. TPU 3代‌：在TPU 2代基础上实现算力密度翻倍，优化了芯片间的互联通信架构，支持更大规模的TPU集群组网，适配当时快速增长的大模型训练算力需求。
4. TPU 4代‌：采用更先进的制程工艺，强化了张量运算核心的并行度，针对Transformer类模型的运算特性做了定向硬件优化，大幅降低大模型训练的单位算力成本。
5. TPU 5代‌：进一步优化片上存储层次结构，提升了推理场景下的低延迟表现，同时强化了多芯片协同的通信效率，支撑谷歌旗下搜索、YouTube等核心业务的大规模AI推理部署。
6. TPU 6代‌：针对大参数大模型的分布式训练场景做了深度硬件适配，优化了集合通信引擎，大幅降低多芯片集群训练时的通信开销，提升万卡级集群的线性加速比。
7. TPU 7代‌：完成了训练型与推理型芯片的架构细分设计，首次实现训练、推理两条独立产品线的技术分叉，为后续谷歌TPU 8代拆分出训练型TPU 8t和推理型TPU 8i奠定了技术基础。

2. 体系化技术沉淀成果

• 从零搭建起谷歌完整的定制AI芯片研发体系，覆盖芯片设计、验证、软硬件协同优化全流程，建立了谷歌自研AI芯片的标准化开发流程。
• 主导构建了TPU专属的编译栈与软件生态，实现了TensorFlow框架与TPU硬件的深度协同适配，让谷歌成为全球首个完全摆脱对英伟达GPU算力依赖的超大规模云服务商。
• 建立了谷歌数据中心内TPU集群的大规模部署与运维标准，支撑了谷歌搜索、谷歌翻译、YouTube推荐等核心业务的AI化算力升级。