Anthropic 開出近百萬美元年薪教 AI 設計晶片，實際造 ASIC 的工程師薪酬卻低逾一半

Anthropic 正在打造自己的晶片能力

Anthropic 近年從單純開發大型語言模型，逐漸向 AI 基礎設施的更深層環節延伸。公司先前在與 Samsung 的合作討論中提及「logic chips」，一度引發外界對其可能進行 ASIC 或其他客製化晶片合作的猜測。如今，Anthropic 已向 Business Insider 確認，公司正在組建內部 silicon design team，並計畫採取「multi-chip approach」，顯示客製化晶片已不再只是市場傳聞，而是其長期硬體策略的一部分。

這項策略背後的核心原因並不難理解。AI 模型的訓練與推理需求持續增加，通用 GPU 雖然具有高度彈性，但對於特定工作負載而言，客製化 ASIC 可以針對運算、記憶體存取、資料流與能源效率進行最佳化。對 Anthropic 這類 AI 模型公司而言，如果未來能夠將模型需求直接轉化為專用硬體架構，理論上就能進一步控制整個 AI 運算堆疊。

最引人注意的是：AI 晶片研究職缺薪酬更高

隨著 Anthropic 擴大 silicon 團隊，一個相當特殊的薪酬差異開始浮現。

根據文章整理的職缺資訊，Anthropic 願意為負責研究如何讓 AI 模型參與晶片設計的 Research Engineer 提供約 50 萬至 85 萬美元的年薪；相較之下，負責實際晶片設計工作的 Silicon Engineer，年薪約落在 32 萬至 48.5 萬美元。

換算之後，兩者最高薪資差距達到約 36.5 萬美元。換句話說，一名負責研究「如何讓 AI 設計晶片」的工程師，其最高年薪可以明顯高於實際負責 ASIC 開發與實作的工程師。

這並不代表傳統 silicon engineering 的重要性正在消失。相反地，真正將晶片從設計概念推進到可製造狀態，需要處理大量極其複雜的工程問題，包括 RTL 設計、驗證、physical design、timing、功耗、面積、DFT，以及最終的 tape-out。任何一個環節出錯，都可能造成昂貴的重新設計甚至晶圓製造損失。

因此，這種薪酬差距更值得被理解為 AI 產業正在重新評估「稀缺人才」的方式。

兩種職位，其實需要大量重疊的硬體能力

有趣的是，這兩類職位並不是傳統意義上完全不同的專業。

相關職缺要求涵蓋完整 ASIC/FPGA design flow，以及從 RTL 到 tape-out 的實務經驗；同時還涉及 UVM、formal verification、physical design、PPA、DFT 和各類 EDA 工具。

也就是說，Anthropic 所尋找的 AI research engineer 並不是只需要懂 AI 演算法的人。他們同樣需要深入理解晶片設計流程，才能研究如何把 AI agent 或模型導入硬體設計工作。

這裡真正稀缺的能力，可能正是「AI + Silicon」兩個領域的交集。

傳統晶片工程師熟悉的是如何設計與驗證一顆晶片，而新的 AI-oriented hardware researcher 則需要進一步思考：能不能讓 AI 自己完成其中一部分？哪些設計工作適合由模型執行？如何讓模型理解 RTL、constraint、PPA 與 verification feedback？又要如何建立自動化流程，讓 AI 能夠反覆修改設計、驗證結果，再繼續最佳化？

一旦這些流程成熟，工程師的角色可能就會逐漸從「親自完成每一個設計步驟」，轉變為「設計一套讓 AI 能夠完成設計工作的系統」。

AI 正從使用晶片，走向設計晶片

Anthropic 並不是第一家嘗試讓 AI 參與晶片設計的公司。

近年來，AI 輔助 EDA 已經成為半導體產業的重要研究方向。AI 可以被應用在 RTL generation、verification、floorplanning、placement、routing、PPA optimization 等不同階段，目標是降低人工反覆調整的成本，同時探索傳統工程師不容易搜尋到的設計空間。

文章同時提到 Moonshot 的 Kimi K3。相關報導宣稱，該模型曾在約 48 小時內自主完成一項晶片設計工作，使用開源 EDA 工具與 Nangate 45nm library，並自行建立 GPU compiler；模擬結果則顯示該虛擬晶片具備超過 8,700 tokens/second 的 decoding throughput。

這類案例真正值得注意的地方，不一定是單一晶片的性能數字，而是 AI 開始被放進完整硬體設計迴圈之中。

過去的典型模式是「人類設計晶片，AI 使用晶片」。現在則逐漸出現另一種模式：「人類建立設計流程，AI 協助甚至嘗試主導部分晶片設計」。

這會取代 silicon engineer 嗎？短期內恐怕還沒那麼快

如果只看薪酬差距，很容易得出「AI 正準備取代晶片工程師」的結論，但實際情況遠比這複雜。

晶片設計與軟體開發最大的差異之一，在於錯誤的成本非常高。軟體可以快速修改並重新部署，但晶片一旦進入 tape-out 與製造階段，錯誤可能直接造成數百萬美元甚至更高的成本與數月的時程延誤。

因此，即使 AI 能夠生成 RTL、提出架構方案或搜尋 PPA 最佳解，仍然需要大量 verification、physical implementation、sign-off 與工程審查來確保最終設計可以真正製造並可靠運作。

更合理的發展方向，可能不是「AI 取代 silicon engineer」，而是「一名 silicon engineer 管理更多由 AI 驅動的設計流程」。

這也解釋了為什麼 Anthropic 願意高價招募能夠研究 AI hardware co-design 的人才。真正具有價值的可能不是單純會使用 EDA 工具的人，而是能夠把 AI 模型、agent、EDA flow 與實際晶片工程串接起來的人。

半導體人才市場可能正在出現新的分水嶺

Anthropic 的招聘策略透露出一個值得半導體產業關注的訊號：未來最昂貴的硬體人才，可能不一定是最擅長「親手設計一顆晶片」的人，而是最懂得如何讓 AI 幫助設計下一代晶片的人。

這種轉變與過去軟體產業導入 AI 的過程非常相似。當工具開始能夠生成程式碼後，市場對工程師的要求並沒有立即消失，而是逐漸向系統架構、驗證、AI orchestration 與複雜問題解決能力集中。

如果 AI 最終真的能夠可靠地參與 ASIC design flow，那麼晶片工程師的生產力可能會被大幅放大。一名工程師不再只操作一套 EDA 工具，而可能同時管理多個 AI agent，讓它們探索不同架構、生成 RTL、執行 verification，再依照 PPA 結果反覆迭代。

對 Anthropic 而言，這甚至可能形成一個更大的戰略循環：AI 模型協助設計更適合 AI 工作負載的晶片，而更適合 AI 的晶片又能提供更多運算資源，進一步支援下一代模型開發。

因此，這場競爭真正的終點可能不是「誰擁有更多 GPU」，而是「誰能最快建立 AI 設計硬體的能力」。

而 Anthropic 願意為這個方向的研究人才支付接近百萬美元級別的年度總薪酬，至少說明了一件事：在 AI 與半導體開始深度融合的時代，懂得讓 AI 自己學會造晶片的人，正在成為極度昂貴的人才資產。