共计 1199 个字符，预计需要花费 3 分钟才能阅读完成。
Anthropic 为自研 AI 芯片开出高薪, 模型训练岗位薪资高于实际造芯工程师
围绕 Claude 的算力布局 ,Anthropic 正在把触角伸向更底层的芯片环节。最新招聘信息显示, 公司一边组建自研 ASIC 芯片团队, 一边为“让 AI 学会芯片设计”的研究岗位开出高薪, 最高年薪可达 85 万美元, 明显高于部分直接参与芯片设计的工程师岗位。
📌 Anthropic 加速补齐自研芯片能力
从已披露的信息看,Anthropic 正在扩大内部芯片设计团队, 并计划开发自研 ASIC 芯片。这类芯片通常面向特定计算任务进行优化, 对于大模型公司而言, 核心目标往往是提升训练与推理效率、降低长期算力成本, 并减少对外部通用加速卡的依赖。
不过, 目前 Anthropic 尚未公布首款自研 ASIC 的具体规格、代工或制造合作方, 也没有给出明确发布时间。公司此前提到的方向是采用多芯片路线, 以覆盖人工智能模型训练和推理等不同需求。
🔍“训练 AI 设计芯片”岗位薪资更高
这一岗位的重点并不是直接画版图或完成单一模块设计, 而是构建强化学习环境 , 让 Claude 等 AI 模型学习芯片设计流程, 涉及 RTL 代码生成、验证以及物理设计优化等环节。
相比之下, 负责实际芯片设计工作的 Silicon Engineer 岗位, 薪资范围约为 32 万至 48.5 万美元 , 约合人民币 216.4 万至 328 万元。外界因此将这种现象形容为“薪酬倒挂”: 训练模型做芯片设计的人, 薪资上限高于一线造芯工程师。
💡 两类岗位技能重合度并不低
- 完整 ASIC / FPGA 设计流程经验;
- RTL 到流片的工程实践;
- UVM、形式化验证等验证能力;
- 物理设计、PPA 优化与 DFT 经验;
- 熟悉 EDA 工具, 并具备实际芯片开发经历。
也就是说,Anthropic 并不是单纯寻找 AI 研究员, 而是希望找到同时理解大模型、强化学习与芯片工程的人才。这类复合型人才供给有限, 可能也是薪酬拉高的重要原因。
📊 AI 辅助芯片设计正在升温
AI 公司尝试用 AI 反向提升芯片设计效率 , 并不是孤例。此前, 月之暗面 Kimi K3 模型曾被报道可在较大程度上自动化完成芯片设计流程: 利用开源 EDA 工具并构建 GPU 编译器, 在 48 小时内完成一款模拟芯片设计方案。该方案面积约 4mm2, 采用 Nangate 45nm 工艺库, 并在仿真环境中实现超过 8700 tokens/s 的解码吞吐量。
如果 Claude 等模型未来能在 RTL 生成、验证排错、物理设计优化等环节发挥更大作用, 芯片研发流程可能被重新分工: 人类工程师负责架构判断、约束设定和最终把关,AI 则承担更多搜索、生成与优化工作。
🚀 短期看招聘, 长期看算力自主
目前,Anthropic 自研芯片仍处于团队建设和早期布局阶段 , 外界尚无法判断其芯片性能、落地节奏以及实际成本优势。但高薪招聘释放出一个清晰信号: 头部 AI 公司正在把算力竞争从“购买 GPU”进一步推进到“设计更适合自身模型的芯片”。
