芯片买不到、抢不到、等不起，DeepSeek自己动手了

2026-07-17 07:23:02 [焦点] 来源：盘星资讯网

出品 | 网易智能
作者 | 辰辰
编辑 | 王凤枝

DeepSeek正式宣布下场，芯片启动自研AI推理芯片项目。到抢

据路透社7月7日援引三位知情人士的己动消息，DeepSeek正在开发专属AI芯片。芯片该项目启动于约一年前，到抢目前尚处早期阶段。己动公司已积极接触外部芯片设计公司、芯片代工厂及存储供应商，到抢并在内部秘密招募芯片设计工程师。己动

若仅将此解读为“DeepSeek挑战英伟达”，芯片则严重低估了这一动作的到抢战略纵深。

更核心的己动议题在于：DeepSeek为何必须深入芯片底层？为何选择在此时此刻行动？

路透社指出项目启动时间约为一年前，这恰好对应DeepSeek-V3论文发布的芯片关键节点。在该论文附录《硬件设计建议》中，到抢研究团队直接将需求下沉至芯片物理层：要求将通信任务从计算单元卸载、己动提升张量核累加精度、支持更细粒度的量化技术。

这实质上是一份“甲方需求书”。

其潜台词清晰明确：现有通用AI芯片尚未完全契合DeepSeek的技术愿景。

从技术演进逻辑看，自研芯片并非突发奇想，而是DeepSeek模型路线向硬件层延伸后的必然结果。然而，驱动这一决策的不仅是技术理想，更是严峻的生存现实：

供应瓶颈：英伟达高端芯片受出口管制限制，资金充裕也难以获取；
产能竞争：华为昇腾作为主要国产替代方案，面临所有中国AI公司争夺同一批产能的困境；
成本压力：随着模型调用量激增，推理成本正从一次性投入转化为长期的“水电费”式账单。

因此，这一举措的核心不仅是技术野心，更是供应链安全与成本控制的生存逻辑。当模型规模、用户基数和调用量呈指数级增长时，DeepSeek必须回答一个问题：算力供应与成本结构，能否继续受制于人？

DeepSeek用一年的沉默，给出了答案。

并非“干掉”巨头，而是摆脱“受制于人”

首先需厘清关键事实：DeepSeek聚焦的是推理芯片，而非训练芯片。

这一区分解释了为何一家创业公司敢于涉足芯片领域，因为两者的技术门槛与工程难度不在同一量级。

训练芯片如同制造F1赛车：
* 极端稳定性要求：需在连续数月满负荷运转中零故障，单次中断可能导致数百万美元沉没成本。
* 大规模集群协同：涉及万卡乃至十万卡级别的集群，要求芯片间通信延迟降至极限（如英伟达NVLink 6技术）。
* 深厚的软件生态壁垒：需配套完整的编译器、驱动、算子库及分布式训练框架。英伟达CUDA生态历经二十年积累，拥有超600万开发者及海量优化案例，形成极高的替代壁垒。

推理芯片则更像家用轿车：
* 负载特性不同：仅执行前向传播，无需反向传播与梯度更新带来的巨额计算量。
* 集群规模较小：单卡或多卡小集群即可覆盖大量场景，无需万卡互联。
* 优化空间可控：算子种类较少，计算图固定，编译优化搜索空间更明确。

推理芯片的竞争核心，并非峰值算力，而是能效比（每瓦特产出的Token数）与单Token成本。

2026年，这一架构分化已现标志性节点。谷歌在TPU第八代迭代中，首次将训练（TPU 8t）与推理（TPU 8i）拆分为独立产品线，两者在SRAM大小、互联拓扑及片上加速器设计上截然不同。连谷歌这样的巨头也承认，推理值得单独一条技术路线。

虽然训练更易吸引眼球，但推理才是长期的成本负担。对于拥有数千万日活用户的产品而言，每次对话背后的推理成本敏感度远超一次性训练投入。AI行业正经历重心转移：算力需求正从训练端向推理端结构性倾斜。

OpenAI已发布由博通设计、台积电代工的Jalapeño推理芯片，仅耗时9个月即完成流片；Anthropic也在评估自研路线；谷歌有TPU，亚马逊有Trainium，Meta的MTIA已支撑Facebook和Instagram的大部分AI负载。

英伟达自身也在补强推理拼图。据TechCrunch报道，英伟达去年底与Groq达成约200亿美元的协议，授权其硬件技术，显示推理芯片已成为巨头必争之地。

每一家规模化AI公司，最终都面临同一命题：芯片不能仅靠采购。

但与OpenAI、谷歌、亚马逊不同，DeepSeek不做云平台，不对外销售芯片。其自研目的单一且纯粹：让自家模型在自研芯片上的运行成本低于采购现成芯片，且具备更高的可控性。

由于无需兼顾通用性，DeepSeek可针对自家模型的MLA注意力机制和MoE专家路由进行定向适配，剔除冗余功能单元，将每一平方毫米硅片效能最大化。

梁文锋在2024年接受36氪采访时曾直言：“我们面临的问题从来不是钱，而是高端芯片被禁运。”幻方量化提供的资金支持并非瓶颈，供应链安全才是核心痛点。

两年后回看，这句话构成了DeepSeek后续一系列动作的背景逻辑。

为什么是推理芯片？从“后台成本”到“战略战场”

推理芯片“做得了”，但“非做不可”的动力来自经济账。

市场规模爆发：Deloitte预测2026年全球AI推理芯片市场规模将突破500亿美元，较2025年的200亿美元翻倍。
增速差异：TrendForce数据显示，2026年北美五大云厂商推理算力需求增长122%，远超训练算力的56%。

联想CEO杨元庆指出，AI算力消耗占比将从训练主导（70-80%）逆转为推理主导（70%以上）。英伟达CEO黄仁勋甚至预测推理规模可能达到训练的“十亿倍”。

逻辑很简单：
训练是一次性研发投入，而推理是持续性的运营支出。模型上线后，每一次API调用、用户交互都在消耗推理算力。研究表明，AI系统全生命周期中，推理成本可占总成本的80%-90%。

训练是“门票”，推理是“水电费”。

当模型调用量激增，单Token交付成本直接决定产品毛利与市场竞争力。

以DeepSeek为例：
* 极致低价策略：V4 Flash每百万Token输出仅2元人民币，不到GPT-5.5的二十分之一。
* 海量调用：仅通过OpenRouter路由的周调用量即达4.66万亿Token，且持续增长。
* 峰谷定价机制：6月底推出的API峰谷定价，实质是利用价格信号调节算力负载，侧面印证了白天推理资源的紧张程度。

在这种量级下，推理成本已从IT预算项上升为战略级问题。当Token量大到一定程度，自研芯片虽前期投入巨大，但分摊至每次推理的成本优势将显现。DeepSeek已到了必须认真核算自研芯片经济账的阶段。

四堵高墙：自研之路并非坦途

尽管决心坚定，DeepSeek仍面临四大实质性门槛：

1. 制程工艺限制

美国禁令切断了先进制程路径。中芯国际目前成熟量产工艺主要在7纳米，更先进节点仍在爬坡。即便架构设计一流，物理成品的制程水平难以与英伟达最新一代芯片持平。这是制造环节的硬约束，非设计能力可完全弥补。

2. 高带宽内存（HBM）瓶颈

AI推理速度不仅取决于计算，更受限于内存带宽。HBM全球供应主要由SK海力士、三星、美光垄断。缺乏充足HBM支持，再优秀的推理芯片也难以发挥性能。此约束无法仅靠架构优化绕过。

3. 软件生态缺失

裸硅不等于可用芯片。推理芯片仍需编译器、驱动、算子库及框架适配。英伟达CUDA生态耗时二十年建成。DeepSeek需确保自研芯片能稳定、高效运行自家模型，软件栈的完善程度决定其能否进入生产环境。

4. 资金与时间成本

一款成熟AI芯片从设计到量产通常需数年及数十亿美元，且需承受多次流片失败风险。DeepSeek项目仅推进一年，且仍在寻求外部合作，表明其可能采取“定义需求+参与设计+外部代工”的轻资产模式，而非全环节自研。

利好消息是资金相对充裕。6月DeepSeek完成约70亿美元首轮融资，估值超500亿美元，且投资方无投票权与董事席位，保障了技术路线的独立性。梁文锋曾言：“不着急商业化，着急做技术。”这笔资金为长期技术攻坚提供了缓冲。

虽然四堵墙高耸，但限制往往催生创新。2025年初R1发布时，DeepSeek即在有限算力下逼近前沿水平。限制迫使公司寻找非常规解法，一旦跑通，即构成难以复制的竞争壁垒。

核心诉求：掌控算力供应主权

理解DeepSeek造芯动机，需审视其当前的供应链困境。

目前，DeepSeek主要依赖两类芯片：
1. 英伟达：R1基于H800训练。H800为专供中国市场的降级版，2023年底追加禁令后采购困难。DeepSeek虽在窗口期囤积数万张Hopper架构GPU，但库存终有耗尽之日。
2. 华为昇腾：4月发布的V4模型已适配昇腾芯片。华为成为重要的国产替代选项。

然而，这两条路径均存在约束：
* 英伟达路径：供应不确定性极高，无法作为长期战略基石。
* 华为路径：产能需共享给阿里、字节等多家巨头，DeepSeek无法完全掌控供应节奏。

一位科技投资人将DeepSeek的困境总结为三点：
1. 英伟达通道受出口管制封锁；
2. 华为非独占资源，存在产能竞争；
3. 推理经济学成为新战场，自研芯片是降低长期Token成本的唯一解。

总结而言：DeepSeek要解决的不仅是算力“够不够”，更是算力供应“控不控”。