Провідний розробник кастомних чипів OpenAI перейшов до Anthropic напередодні IPO

Головне питання, яке цього тижня повинен ставити кожен керівник платформи з багаторічними зобов'язаннями щодо AI-інфраструктури, — чи витримає дорожня карта кастомного кремнію OpenAI відтік кадрів напередодні IPO. Клайв Чан, який описував себе як другого найнятого інженера в програмі кастомних чипів OpenAI, щойно оголосив про перехід до Anthropic. Він зберіг свою посаду (Member of Technical Staff), але змінив роботодавця — і це дуже конкретний сигнал про те, куди зміщується цінність у сфері AI-апаратного забезпечення.

Це не рядовий відхід. Це людина, яка прийшла до команди ще до того, як команда існувала, покидає те, що сама допомогла побудувати, щоб відтворити подібну команду в компанії, яка безпосередньо конкурує за ті самі потужності TSMC, ті самі пакувальні слоти та тих самих інженерів-компіляторів.

Що сталося

Чан опублікував у X те, що він назвав «особистим оновленням», підтвердивши, що залишив OpenAI приблизно після 2,4 років роботи та цього тижня приєднався до Anthropic. Як повідомляє The Times of India, він прийшов до OpenAI у січні 2024 року після двох із половиною років роботи в Tesla, де обіймав посаду старшого інженера-програміста в команді інфраструктури глибокого навчання Autopilot і займався розробкою Dojo.

У своєму дописі Чан написав: «Я вирішив покинути OpenAI. Я пишаюся тим, що був частиною програми кастомних чипів, і вдячний усім, з ким мав змогу будувати та у кого вчитися». Він також окремо відзначив команду, яку залишав: «Щільність апаратних талантів у цій команді є неймовірною, і я не думаю, що десь існує краща команда з дизайну чипів». Про Anthropic він сказав, що був «глибоко вражений талантом, цінностями та амбіціями команди».

Його робота в Tesla, за власним описом, охоплювала «ASIC для навчання машинного навчання: розгортання програмного фреймворку, спільне проектування центрів обробки даних, енергоефективні числові формати, щотижневі зустрічі з CEO». Це не одна дисципліна. Це повний стек між транзистором і циклом навчання. Tesla детально презентувала Dojo у 2021 році, встановила першу систему у 2022 році приблизно з 3000 чипів D1 виробництва TSMC і відтоді втратила кількох старших співробітників: Ганеш Венкатараманан, старший директор з автопілота та керівник проекту Dojo, пішов на початку грудня, а керівник AI-інфраструктури Tesla Тім Заман приблизно через тиждень оголосив про перехід до Google DeepMind.

OpenAI тим часом рухається до IPO. Втратити одного з перших ключових інженерів з апаратного забезпечення на користь найближчого конкурента за кілька кварталів до подачі S-1 — це та деталь, яку банкіри помічають.

Технічна анатомія

Щоб зрозуміти, чому саме цей відхід важливіший за типовий перехід Member of Technical Staff, потрібно подивитися на те, як насправді будуються програми кастомного AI-кремнію. TPU від Google, Trainium від Amazon і Maia від Microsoft — кожен із них зайняв більшу частину десятиліття та пережив кілька поколінь плинності кадрів саме тому, що інституційні знання були розподілені. Програма кастомних чипів OpenAI молодша. Коли Чан називає себе другим найнятим інженером з апаратного забезпечення, він говорить вам про те, що bus factor тут невеликий.

Проектування кастомних ASIC для навчальних робочих навантажень — це не просто RTL. Це щільно пов'язана задача спільного проектування щонайменше на чотирьох рівнях: безпосередньо кремній (числові формати, ієрархія пам'яті, міжз'єднання), компілятор і бібліотека ядер, що відображають графи PyTorch або JAX на цей кремній, конверт потужності та охолодження центру обробки даних, а також інтеграція фреймворку навчання, яка визначає, які операції взагалі надходять до акселератора. Сфера роботи Чана в Tesla, за його власним описом, охоплювала розгортання фреймворку, спільне проектування центрів обробки даних і енергоефективні числові формати. Це сполучна тканина між командою з чипів і командою з моделей. Люди, здатні перебувати в обох кімнатах одночасно, є обмежувальним фактором для цих програм.

Галузеві джерела оцінюють зростання ринку кастомних чипів на рівні 44,6% у 2026 році — приблизно втричі швидше за темпи зростання ринку GPU загального призначення. Якщо ця тенденція збережеться, справжнім дефіцитним ресурсом є не старт виробництва пластин, а інженери, які реально запустили навчальний ASIC у виробничий центр обробки даних. Anthropic, яка поглиблює свої позиції у сфері кремнію та використовує API-стек, задокументований на docs.anthropic.com, щойно найняла людину, яка зробила це двічі.

Вартість відновлення цих інституційних знань всередині OpenAI — це не зарплата. Це 12–18 місяців контексту, якого у нового співробітника немає. Цикли tape-out не зупиняються заради адаптації новачків.

Хто постраждає

Почнемо з самого OpenAI. Компанії напередодні IPO продають нарратив не менше, ніж виручку, і цей нарратив звучав так: ми не будемо вічно залежати від GPU, ми будуємо власний двигун. Кожен відхід із команди з чипів послаблює цю історію для проспекту. Фінансовий директор OpenAI цього тижня повинен запитати себе, як дорожня карта кастомного кремнію буде представлена під пильним поглядом на фактори ризику S-1, якщо за Чаном підуть інші апаратні фахівці, і чи потрібно компанії закріпити утримувальні гранти для решти старших спеціалістів з апаратного забезпечення до відкриття вікна подачі документів. Це питання для скарбника, а не для HR.

Далі — корпоративні клієнти нижче за ланцюгом. Якщо ви є fintech- або iGaming-платформою, яка підписала багаторічні зобов'язання щодо потужностей з OpenAI в розрахунку на те, що кастомний кремній знизить економіку одиниці інференсу до 2027 року, вашій команді закупівель потрібне хеджування. Anthropic зараз є більш достовірною довгостроковою silicon-стратегією у відносному вимірі, що має наслідки для того, як ви збалансуєте стратегію подвійного постачальника та чи прискорите оцінку агентів на базі Claude відповідно до шаблонів, описаних у власній документації платформи OpenAI.

Далі — Tesla, яка за приблизно два з половиною роки втратила Венкатараманана, Замана та раніше Чана зі свого стеку кремнію та AI-інфраструктури. Dojo як конкурентна навчальна платформа завжди був ставкою на те, що Tesla зможе залучати та утримувати людей, які в іншому випадку опинилися б у Nvidia, Google або гіперскейлері. Ця ставка явно слабшає.

Нарешті — GPU-виробники загального призначення. Кожен старший інженер, який переходить із команди кастомних чипів однієї передової лабораторії до іншої, є свідченням того, що індустрія вірить у кастомний кремній як у стратегічний рубіж, а не побічний проект. Саме ця віра, більше ніж будь-який окремий tape-out, чинить тиск на цінову силу GPU.

Стратегія для AI-розробки

Для керівників платформ і CTO, які вирішують, куди спрямувати наступні восьмизначні суми на AI-інфраструктуру, три конкретні кроки варті уваги протягом наступних 90 днів.

По-перше, розглядайте вибір між OpenAI та Anthropic як питання концентрації постачальника, а не питання бенчмарків. Якість моделей зближується. Контроль над ланцюгом постачання розходиться. Запитайте у команд з обох лабораторій чіткі зобов'язання щодо дорожньої карти вартості інференсу на мільйон токенів на 2027 та 2028 роки, і дисконтуйте їхні відповіді залежно від того, наскільки кожна лабораторія залежить від цін на GPU загального призначення порівняно з власним кремнієм.

По-друге, проведіть аудит апаратної грамотності вашої команди. Лабораторії активно переманюють інженерів-компіляторів, фахівців із ML-систем і всіх, хто має досвід роботи з ASIC. Якщо такі люди є у вашій платформній команді, ваш бюджет на утримання повинен відображати нову ринкову ціну, яку встановлюють Anthropic і OpenAI, а не ваш локальний діапазон окладів.

По-третє, якщо ви проектуєте агентні архітектури, робіть їх портативними між постачальниками моделей із самого початку. Специфікація Model Context Protocol на modelcontextprotocol.io існує саме для того, щоб заміна базової моделі була зміною конфігурації, а не переписуванням коду. Лабораторії нестабільні. Ваш шар абстракції — не повинен бути.

Ключові висновки

• Відхід другого найнятого інженера з апаратного забезпечення OpenAI до Anthropic за кілька тижнів до IPO — це ризик для дорожньої карти, а не просто кадрова подія.
• Програми кастомного AI-кремнію обмежені старшими інженерами, які охоплюють чип, компілятор і центр обробки даних, і цей пул талантів явно мігрує.
• Tesla втратила Чана, Венкатараманана і Замана зі свого стеку кремнію та AI-інфраструктури, що послаблює конкурентні позиції Dojo.
• Корпоративні покупці повинні розглядати OpenAI проти Anthropic як рішення про концентрацію ланцюга постачання, де траєкторія кастомного кремнію є ключовим параметром.
• Команди, які оцінюють багаторічні витрати на AI-інфраструктуру, повинні запитати себе, чи витримає їхня агентна архітектура примусову зміну постачальника протягом одного кварталу.