一顆芯片，暴露了DeepSeek更大的野心

最近這段時間，硅谷AI界可謂大招頻發，前有Fable5發布，后有馬斯克的Grok-4.5問世，上個星期，OpenAI的GPT-5.6也發布了。

雖然在性能上，這些個發布的新模型，一個比一個強大，不斷在高攀AI智能的最高峰，但在實際體驗過程中，越來越多的人，尤其是一線開發者，開始在乎另一件事：使用成本。

具體來說，以最新發布的GPT-5.6為例，在其發布的三個版本中，最強大的旗艦版Sol，在CdoeX中跑任務時，隨便跑幾下，1小時就耗光了原先的5小時額度；以至于有開發者說道：“5.6 簡直就是額度侵蝕怪獸”。

而原先的Fable5更恐怖，在達到驚人智能的同時，Token消耗的幅度，也達到了一個變態的地步。

舉個例子：今年6月，36氪用Claude Code實測Fable 5：兩小時內，Token成本就達到56.99美元，約合400元人民幣，而Fable 5官方API價格高達每百萬輸出Token 50美元，是Opus 4.8的兩倍。

而就在這個眾人不斷刷新智能最高峰的當下，國內AI的“獨孤劍客”DeepSeek，卻冷不丁干了件低調的事——自研芯片。

2026年7月7日，國內媒體報道，DeepSeek的推理芯片項目已秘密推進約一年，目前正接洽芯片設計、晶圓代工和存儲廠商，并通過非公開渠道擴招芯片工程師。

同樣地，國內的智譜，也傳出了要自研芯片的打算；

如果將視角拉到全球，這實際上不是個孤立的現象：

OpenAI、Anthropic這些巨頭，都已經、或正在自研自己的芯片；

這場AI企業自研芯片浪潮的背后，實際上有一個共同的危機——全球的算力，越來越不夠用了。

算力之困

實際上，阻礙當前AI落地的最大局限，早已不是模型的智能，說實話，現在AI的“頂”已經夠高了，但問題是用起來很肉疼。

這個痛點，即使是相對寬裕的美國企業，也感受到了。

為應對捉襟見肘的算力，OpenAI、Anthropic的頂級模型，最近紛紛遭遇了“降智”，

今年3月到4月，Anthropic的Claude Code被大量開發者投訴"變笨"。

AMD AI高級總監Stella Laurenzo經過調查發現：發現從2月份起，Claude的推理深度中位數從約2200字符暴跌到約720字符，降幅67%；模型每三次修改中就有一次是在沒讀文件的情況下瞎改。

同樣地，到了5月的時候，OpenAI開發者論壇上，有用戶報告到：GPT-5.5最近連最簡單的UI改動都搞不定；GPT-5.5-xhigh也不再像以前那樣能跑幾個小時深度修復問題，回答起來明顯沒那么“智能”了；

在這里，模型缺的算力，其實主要就是推理算力；

這樣的情況，就好像AI廠商造了一種特別強大的武器（模型），但卻苦于沒有足夠的彈藥（算力），且彈藥的供應鏈還被別人卡著脖子。

于是，各大AI企業，紛紛下場親自造芯片，也就不足為奇了。

今年6月24日，OpenAI聯合博通正式發布了首款自研芯片，定位極其明確：只做推理，不做訓練。從架構設計到流片交付，僅用了9個月。

可能有人會問：英偉達作為全球算力巨頭，在訓練芯片上收割那么多利潤，也就算了，為什么連推理芯片也不肯放松一下，稍微降低點成本，一定要把下游的AI企業、應用企業逼到墻角呢？

這背后，其實有一個很諷刺的悖論：英偉達不是"不肯"降，而是"不能"降——降價等于自己拆自己的臺。

因為從技術角度上說，英偉達的GPU在進行推理時，不可避免地會產生H100為了兼容所有可能的模型、所有可能的算子，保留了大量靈活性電路，這些資源，在固定模型的推理場景下是浪費的。

英偉達最新的B200，制造成本約6,400美元，其中真正的"英偉達技術結晶"——那個2,080億晶體管的GPU核心——成本只有850美元，占總成本的13%。 但它的終端售價卻是3萬到4萬美元，甚至市場上炒到4.5萬到5.5萬美元。毛利率高達84%。

如果英偉達推出一款"低成本推理卡"，比如成本2000美元、售價5000美元，性能還比H100做推理強——那它就等于親口承認："原來我之前的GPU里，有80%的電路是浪費的，你們多花的3萬美金是冤枉錢。"

那以后H100/B200的訓練溢價還怎么維持？

所以，這場推理層面的價格革命，不可能由英偉達這個“算力領主”自身來完成。

英偉達的挑戰者

實際上，除了DeepSeek、OpenAI這些AI企業之外，現在有越來越多的后來者，正在推理這條賽道上，挑戰英偉達的地位。

例如Groq、Etched、Cerebras這些企業，走的就是專用推理芯片對抗英偉達GPU的路子，

總體上來看，它們的路線大體就是，將某一特定架構（例如Transformer）的機制直接燒進硅電路，通過舍棄可編程性、通用性，來換取在推理場景下極大的效率提升；

像是Sohu的芯片，就沒有任何可編程性，它生來就是為了跑Transformer，而且只跑Transformer。

而Cerebras則更極端，更變態：它索性不切晶圓，而是把整片晶圓做成一顆芯片。WSE-3面積達46225平方毫米，集成4萬億晶體管，這外觀，看上去就跟個“大餅”一樣。

其核心思路，是用晶圓內通信取代GPU集群昂貴的跨卡數據搬運；

但問題是：這么搞，良率、散熱與整機成本也同樣很極端了。

但盡管如此，要想在推理場景上戰勝英偉達，也絕非一件易事，

原因主要有兩點。

其中第一點，就是專用架構隨時被顛覆的風險。

這是所有專用路線最大的命門。

雖然Transformer從2017年到現在都八年了，架構并沒有發生顛覆性變化。

但在2024到2026年這兩年，由于DeepSeek的發力，業界紛紛看到了MoE的潛力，于是紛紛開始轉向MoE（混合專家） 這個轉變，就已經要了Etched半條命。

Etched的Sohu是純Dense Transformer硬化，硬編碼不支持MoE的動態專家路由。 而現在的DeepSeek V4、Qwen3-235B-A22B、GPT等前沿模型，幾乎全是MoE。

而第二點，則是“產能地獄”的困境。

就算你在專用的推理場景下，比英偉達的GPU更有效率，你還得跟人家搶產能。

Etched的Sohu，號稱采用臺積電4nm工藝，并宣稱預售合同超10億美元，但截至2026年中，Etched還沒有任何芯片向客戶交付。

一個很現實的原因是：臺積電4nm的產能，英偉達、蘋果、AMD都在搶，臺積電董事長魏哲家曾直言，7nm及以下先進制程產能，現在與大客戶需求相比“還差約3倍”。

在這種情況下，Etched、Groq作為一個豆粒大的小初創公司，優先級在哪？

產能風險是"絞索"，每天都在收緊；架構風險是"斷頭臺"，不一定天天要面對，但落下來就身首異處；

那以后DeepSeek自研、自造芯片，是否也會面臨同樣的問題？

從商業上來看，Groq、Etched們造芯片是為了賣給別人，所以必須追求性能極致、必須用最先進的制程，否則沒人買，

DeepSeek造芯片是為了跑自己的模型、降低自己的API成本。因此反而可能沒那么依賴臺積電的尖端制程。

因此，一種最有可能的情況是：DeepSeek的自研推理芯片，大概率不會是一顆3nm的尖端ASIC，而更可能是國產的7nm或更成熟制程，而內存用的則是國產HBM或LPDDR，雖然性能稍遜，但推理場景足夠用。

在性能方面，它可能比英偉達GPU做推理差一個檔次，但單位token成本可能真的低一個數量級。

而這樣的自研，除了“節約算力”這樣的表面原因外，更深層次的動機，則是將AI架構發展的自主權，重新奪回自己的手里。

軟硬協同

總的來看，DeepSeek造芯，走的可能并不是Groq、Etched、Cerebras這樣劍走偏鋒式的路線，前者是為在英偉達的陰影下，分一杯羹，取得些許市場份額。

但對DeepSeek而言，一個更大的理想是：在實現AGI的路上，中國能不能自由選擇模型的路線、架構？

這背后就涉及到一個軟硬協同的問題。

現在DeepSeek設計V4、R1時，有一個隱形的約束條件：MoE的路由策略、MLA的KV壓縮、FP8的量化方案——這些都不是"純算法最優解"，而是"算法+現有硬件特性"的妥協解。

具體來說，以前的Dense（稠密）模型在GPU上像"統一軍訓"——所有Token做一樣的動作，整齊劃一，GPU的架構就擅長這個；

但是MoE的核心是稀疏激活+動態路由：一個token進來，先過一個門控網絡（Gating Network），再算出它應該去哪個專家。

就好像春運的時候，每個人要去不同的檢票口，得先查票（門控），再拖著行李跑到對應的站臺（專家）。

如果DeepSeek自己造芯片，它可以把專家選擇邏輯與硬化成硅電路——不是"軟件判斷該調哪個專家"，而是"硬件自動把token送到對應的專家單元"。這樣MoE的稀疏性就從"軟件模擬"變成"硬件原生"，專家數量可以做得更大、路由延遲可以更低、激活比例可以更激進。

這意味著，以后DeepSeek可以進行更大膽、更創新的嘗試，以前不敢試的架構（比如專家數翻10倍、比如更激進的動態稀疏），現在因為有了硬件支持，變成了可選項；

對DeepSeek這樣的AI企業來說，這才是真正“降維打擊”的地方。

因為像Groq、Etched、Cerebras這樣的半導體企業，因為選擇了專用路線，必須一直押注接下來行業的主流架構是什么。

押錯了，之前的努力就全白搭，這很被動。

但DeepSeek自己就是模型架構的定義者。

DeepSeek做推理芯片的"容易"，就在于將很多設計、軟件方面的工作給降維了，因為算法固定，驗證空間小；因為不需要通用性，后端布局簡單；

在頂層架構固定的情況下，剩下的，就是搞定各種工程、制造環節的苦活、累活，本質上沒有太大的技術難度。

也正因如此，DeepSeek自研AI推理芯片的機會非常大。

這里提醒大家一個重要的細節：雖然DeepSeek現在開源了自身模型的權重參數集，但其并沒有開放自己的訓練的代碼、調優的方法，以及訓練數據的流程模型的配方。

因此，在算法層面，DeepSeek的壁壘仍然非常大。而這樣的軟硬件協同能力，是其他廠商不具備的。

而這種軟硬件協同的能力，實質上也對未來中國AI的發展路線，留下了一個潛在的彎道超車的機會。

成為定義者

如果回看，之前各路英偉達的挑戰者，例如Groq、Etched、Cerebras等，你會發現，他們往往都將逆襲的關鍵，押在了單一的硬件性能上。

但問題是，英偉達真正強大的地方，從來不只是GPU本身，而是CUDA、軟件生態和開發者體系形成的閉環。

所以，DeepSeek自研芯片，并不意味著只要設計一顆ASIC，就能立刻擺脫英偉達。

DeepSeek真正試圖做的，是反過來讓硬件適應模型。

過去幾十年，人工智能的發展路徑，本質上是算法適應硬件：研究者必須在GPU允許的計算模式內設計模型。

這也是DeepSeek與Groq、Etched這些芯片創業公司的最大區別。

后者是在英偉達定義的游戲規則中，試圖通過極致的局部優化，從巨頭的陰影下分些殘羹冷炙；

而DeepSeek如果進入芯片領域，更有可能是為中國AI探一條新的自主之路：

在這以后，不是模型適應芯片，而是算法怎么進化，硬件就跟著調整。

這條路初期雖然會很艱難，但它最大的價值，是讓中國AI產業獲得了參與定義下一代AI計算架構。

在之前的計算時代，CPU決定了計算規則；到后來的移動時代，ARM定義了終端生態；在這兩次半導體革命中，中國都只是跟隨者：

而在AI時代，真正決定未來的，可能是模型、算法與芯片之間的協同關系。

這也是為什么OpenAI、Google、Amazon、Meta紛紛自研芯片，因為它們意識到：只有將模型算法、芯片進行垂直整合，打造一種類似“AI界的特斯拉或SpaceX”，才可能突破原有產業鏈的“接口限制”。

因為當長上下文場景越來越多，AI Agent興起，推理成為主要成本后，新的瓶頸就變成了數據怎么流動、專家怎么調度、KV Cache怎么管理、通信延遲怎么降低。

DeepSeek自研芯片如果成功，并不會馬上打破英偉達的高墻。

但它至少意味著，中國AI產業正在從亦趨亦步的模仿者，走向“嘗試參與定義下一代計算平臺”，成為創造未來的定義者。

這，或許才是這場AI芯片浪潮最值得關注的地方。