Anthropic用Claude设计自研AI芯片：IPO路演向投资者展示芯片设计能力，基准测试得分仅16.6%

11月3日，据The Information报道，AI大模型公司Anthropic在近期与潜在IPO投资者的闭门会议中透露：其新组建的15人芯片设计团队，已在定制芯片的工程与设计工作中使用自家Claude大模型，这些芯片用于训练和运行Claude自身。部分知情人士称，工程师发现，与英伟达、AMD等大型芯片厂商的传统工作流程相比，Claude能够缩短芯片设计耗时。

时间点的选择并不偶然：据四位知情人士透露，Anthropic预计本月晚些时候启动IPO，估值有望达到1.5万亿美元。在IPO路演中讲一个"AI设计AI芯片"的故事，显然比单纯讲"我们买了多少GPU"更有想象力。

更深层的驱动力是算力成本。路透社今年4月曾报道，Anthropic当时已在权衡自研芯片，行业估算设计一颗先进AI芯片的成本约为5亿美元；同期Anthropic的年收入运行率已从2025年底的约90亿美元增长到超过300亿美元。当推理请求随产品成功指数级增长，算力不再只是后台成本，而是产品能力本身。

Anthropic的芯片设计努力始于今年8月——公司当时首次公开确认组建内部团队，为训练和运行Claude设计定制芯片，此后还与三星电子洽谈，希望将三星作为潜在芯片代工厂。Anthropic在招聘研究工程师的公告中写道："硬件设计十分困难，而且容错空间极小——这恰恰是我们希望Claude能够胜任的领域。"

对手也在做：OpenAI与博通9个月搞定Jalapeño

竞争对手OpenAI同样盯上了这条路径。OpenAI首席财务官Sarah Friar今年9月在高盛的一场会议上表示，芯片设计与金融服务、生命科学一同，是公司重点瞄准的业务赛道；她表示，OpenAI正依靠自家最前沿的AI模型设计定制芯片Jalapeño，计划明年大规模投入使用——OpenAI称，其与博通合作仅用9个月就完成了Jalapeño芯片的开发。作为对照，传统芯片开发往往需要数年时间，大量精力消耗在对海量微型电路的繁琐设计、测试与验证上。

此外，OpenAI今年9月还官宣了一份与新思科技（Synopsys）的多年合作协议，开发专门适配新思半导体设计工具的专用模型——大模型公司与EDA巨头的竞合关系，由此可见一斑。

会冲击EDA行业吗？

如果AI真能端到端设计芯片，首当其冲的便是EDA（电子设计自动化）双雄：新思科技和楷登电子（Cadence）销售的正是帮助芯片工程师在流片制造前完成设计、仿真与测试的软件与服务，两家合计控制全球约六成EDA市场份额，本财年合计营收预计约160亿美元。消息传出后，市场迅速用脚投票：Synopsys周二股价下跌2.5%，Cadence下跌4.5%。

但一份基准测试揭示了现实的距离。初创公司ChipAgents与英伟达上月联合发布的Build-A-Chip-Bench，要求AI智能体把一颗数字芯片从纯文字规格一路做到可验证的GDS布局。结果并不性感：表现最好的Claude Fable 5.1总分仅为16.6%（功能通过率65%、GDS通过率75%、功耗性能面积PPA达标率25.5%）；排名第二的GPT-6 Astra功能通过率和GDS通过率都达到85%，却只拿到8.7%的总分——因为它的通过设计离PPA目标差得太远；Gemini 3.8 Flash得0.8%，Kimi K3得0.2%，GLM-5.3得0%。

这个分数的含义很清晰：让AI跑通一个"能用的"芯片不难，难的是做出功耗、性能、面积都达标的芯片。16.6%说明Claude目前更像一个能显著加速局部环节的"副驾驶"，而非能端到端接管全流程的"替代者"。这也与Anthropic的对外口径一致——公司说的是"缩短芯片设计所需时间"，而非"取代EDA工具"，且尚未披露将该能力对外商业化的计划。

另一重现实约束是数据与信任。据悉，Anthropic已接触多家EDA厂商，希望采购或获取其专有芯片设计数据以进一步优化模型；但要让对商业机密高度敏感的芯片企业把设计全流程交给外部前沿模型，难度极大——出于数据隐私顾虑，这些企业更倾向于在本地硬件上部署运行开源模型。

综合来看，短期内AI对EDA行业的冲击更可能体现为"赋能"而非"颠覆"：AI成为EDA工具内部的能力模块（正如OpenAI与新思的合作所示），而非绕开EDA的替代路线。真正值得警惕的是中期变量——一些AI芯片设计初创企业高管表示，AI有望把功能完整芯片的设计周期压缩到数月；若大模型的PPA优化能力出现阶跃式突破，EDA工具链的价值分配可能被重新洗牌。

比技术更微妙的是金主变对手

Anthropic自研芯片带来的最微妙影响，可能在资本层面。公司目前使用亚马逊、谷歌、英伟达和AMD的芯片，而这四家公司合计已向Anthropic承诺投资约900亿美元。公司发言人8月曾表示将延续"多芯片"策略，上述硬件仍是核心依托；但一旦自研芯片真正跑起来，这些投资方既是金主、又是供应商，每替代一颗GPU或TPU，都等于削减一位股东的收入，关系将趋于复杂。

此外，专用芯片的优势是"专用"，风险也是"专用"：今天适合某代模型推理模式的芯片，面对下一代模型、下一种Agent工作流未必仍然最优。一旦模型路线变化快过硬件迭代速度，定制芯片就可能从优势变成包袱。未来几年，AI巨头的芯片路线大概率是组合答案——英伟达GPU承担最通用的核心角色，各家自研芯片则在推理等高频、稳定、烧钱的工作负载上寻求成本与能效优势。