Clive Chan, называющий себя вторым аппаратным инженером в истории чипового проекта OpenAI, объявил о переходе в Anthropic. За его плечами — разработка ASIC для Tesla Autopilot и участие в партнёрстве OpenAI с Broadcom. Anthropic, по имеющимся данным, прорабатывает запуск собственного производства AI-чипов. Оба конкурента при этом готовятся к IPO.
Контекст
Гонка за собственный кремний — один из ключевых фронтов в AI-индустрии. OpenAI давно работает над кастомными чипами в партнёрстве с Broadcom, чтобы снизить зависимость от NVIDIA и уменьшить стоимость инференса. Anthropic, судя по найму Чана и ряду других сигналов, движется в том же направлении — хотя публичных заявлений о продуктовой стратегии чипового направления компания пока не делала.
Clive Chan — не рядовой специалист. Статус «второго сотрудника» в программе означает участие в формировании самой архитектуры подхода с нуля. Опыт с Tesla Autopilot ASIC добавляет компетенцию в inference-оптимизированном кремнии для нейросетей — именно то, что нужно при разработке TPU-класса ускорителей.
Оба перехода — из Tesla в OpenAI, из OpenAI в Anthropic — следуют логике «где деньги и амбиции». Накануне IPO обе компании агрессивно набирают экспертизу: инфраструктурный стек становится конкурентным активом не меньше, чем модели.
Аналитика
Почему это важно: тот, кто контролирует кремний, контролирует unit-экономику. Стоимость токена — функция от аппаратуры. Компании, работающие на чужих чипах (читай: NVIDIA H100/H200), платят за инференс premium. Собственный ASIC даёт возможность оптимизировать под конкретную архитектуру модели — меньше памяти, меньше латентности, дешевле API. Именно это сделало Google TPU конкурентным оружием в своё время.
Для Anthropic переход Чана — это сигнал серьёзности намерений. Компания с оценкой в десятки миллиардов долларов не может бесконечно зависеть от внешних поставщиков вычислений. IPO ускоряет эту логику: публичные инвесторы будут требовать роста маржи, а маржа в AI-инфраструктуре во многом определяется стоимостью compute.
Параллельно найм сигнализирует: OpenAI теряет людей в пользу конкурентов даже в самых чувствительных направлениях. Это не катастрофа, но индикатор напряжения внутри компании — особенно когда речь о ранних сотрудниках с institutional knowledge.
Кейсы применения в бизнесе
B2B-SaaS стартап. Если ваш продукт тратит значительную долю выручки на API-вызовы к Claude или GPT-4, следите за развитием событий вплотную. Как только Anthropic или OpenAI выведут собственный кремний в production, стоимость токена для enterprise-клиентов скорее всего снизится. Сценарий для вас: заранее закладывайте в архитектуру возможность быстрого переключения между провайдерами — не привязывайтесь жёстко к одному SDK.
Корпорация с legacy-инфраструктурой. Вопрос о том, покупать ли GPU-кластер или оставаться на облачном API, станет ещё актуальнее. Если Anthropic запустит собственные чипы, это может изменить ценовую политику cloud-инференса. Рекомендация: в 2026–2027 году пересматривайте compute-контракты ежегодно, а не раз в три года.
SMB / локальный бизнес в КР и СНГ. Прямо сейчас — ничего не меняется. Но тренд означает, что через 2-3 года стоимость API для малого бизнеса продолжит снижаться. Это делает AI-автоматизацию доступнее: если сегодня автоматизация кастомер-сервиса через LLM кажется дорогой, ценовая динамика меняется в вашу пользу.
Кейсы в личной жизни
Разработчик. Следи за вакансиями в hardware-направлении у AI-лабораторий — это один из самых дефицитных и дорогих профилей в отрасли. Если есть базовые знания цифровой схемотехники или VLSI, добавить LLM-инференс в свой стек — это карьерный рычаг на несколько лет вперёд.
Контент-мейкер и аналитик. История с переходом Чана — отличный пример для материала о том, как «война за таланты» в AI стала новым фронтом. Такие истории хорошо работают в форматах «разбор» и «что это значит для рынка» — аудитория ценит, когда за кадровой новостью видят структурную логику.
Студент / начинающий специалист. Если выбираешь специализацию — аппаратное направление для AI (ASIC design, ML-accelerators, inference optimization) остаётся крайне дефицитным. OpenAI, Anthropic, Google, Meta — все нанимают с нуля и готовы учить. Это не то, что можно прочитать в LinkedIn — это видно по паттернам найма.
Как применить сегодня
- Если строите AI-продукт: добавьте в архитектуру provider abstraction layer — оберните вызовы к Claude/GPT так, чтобы можно было переключиться за один конфиг, а не рефакторинг.
- Подпишитесь на обновления Anthropic Jobs в разделе hardware/infrastructure — появление новых позиций покажет, когда проект реально запустится.
- Пересмотрите бюджет на compute: если тратите больше $500/мес на API, посчитайте ROI от fine-tuned open-source модели на собственном сервере — иногда это дешевле уже сегодня.
- Для тех, кто изучает AI-инфраструктуру: пройдите курсы по CUDA optimization или TensorRT — понимание inference-стека сделает вас редким специалистом на рынке КР/СНГ.
- Следите за раскрытием информации в рамках IPO обеих компаний — S-1 проспекты дадут редкий публичный взгляд на unit-экономику AI-лабораторий.