DeepSeek秘密推进自研推理芯片项目，全球AI企业纷纷自研芯片应对算力危机，软硬协同或成中国AI弯道超车的关键。
DeepSeek自研芯片的消息终于从传闻走向媒体确认。2026年7月7日，国内媒体报道，DeepSeek的推理芯片项目已秘密推进约一年，目前正接洽芯片设计、晶圆代工和存储厂商，并通过非公开渠道扩招芯片工程师。几乎同一时间，国内的智谱也传出要自研芯片的打算。如果将视角拉到全球，这并非孤立现象——OpenAI、Anthropic等巨头都已或正在自研芯片。一场AI企业自研芯片的浪潮，正在全球范围内同时展开。
过去几年，AI模型的智能水平不断攀升，但落地应用却越来越「肉疼」。媒体报道显示，以最新发布的旗舰模型为例，在某代码评测中随便跑几轮，1小时就耗光了原先5小时的额度，有开发者直言其「简直就是额度侵蚀怪兽」。另一款以高智能著称的新模型，36氪实测两小时内Token成本就达56.99美元，约合400元人民币，官方API价格高达每百万输出Token 50美元，是前代Opus的近两倍。
智能的「顶」已经够高，但供应链被卡脖子、推理成本居高不下的困境，让各大AI企业不得不亲自下场造芯片。2026年3月至4月，Anthropic的Claude Code被大量开发者投诉「变笨」，AMD AI高级总监Stella Laurenzo的调查显示，Claude的推理深度中位数从约2200字符暴跌到约720字符，降幅67%；模型每三次修改中就有一次在未读文件的情况下瞎改。同年5月，OpenAI开发者论坛也出现用户报告，称最新旗舰模型连最简单的UI改动都搞不定，深度修复能力明显下降。
面对算力焦虑，一个常见的疑问是：英伟达为何不推出一款低成本推理卡？答案藏在一个讽刺的悖论里——降价等于自己拆自己的台。
从技术角度看，英伟达GPU为兼容所有可能的模型和算子，保留了大量灵活性电路，这些资源在固定模型的推理场景下是浪费的。以B200为例，制造成本约6,400美元，其中2,080亿晶体管的GPU核心成本仅850美元，占总成本13%，但终端售价却高达3万至4万美元，市场甚至炒到4.5万至5.5万美元，毛利率高达84%。
若英伟达推出一款成本2000美元、售价5000美元、性能还更强的低成本推理卡，就等于承认此前GPU中80%的电路是浪费的，H100/B200的训练溢价将无法维持。因此，这场推理层面的价格革命，不可能由英伟达自己来完成。
除了AI企业自研，Groq、Etched、Cerebras等公司也在专用推理芯片赛道挑战英伟达。它们的思路大体一致：把Transformer等特定架构直接烧进硅电路，舍弃可编程性以换取推理效率的极大提升。
然而，专用路线有两条命门。
第一条是架构风险。Transformer从2017年至今八年架构未发生颠覆性变化，但2024至2026年，MoE（混合专家）迅速崛起，Etched的Sohu是纯Dense Transformer硬化，硬编码不支持MoE的动态专家路由，而DeepSeek V4、Qwen3-235B-A22B、GPT等前沿模型几乎全是MoE。
第二条是产能地狱。即便专用推理芯片比GPU更高效，仍需与英伟达、苹果、AMD等巨头抢台积电先进制程产能。Etched的Sohu号称采用台积电4nm工艺、预售合同超10亿美元，但截至2026年中仍未向客户交付任何芯片。台积电董事长魏哲家曾直言，7nm及以下先进制程产能与大客户需求相比「还差约3倍」。产能风险是每天收紧的「绞索」，架构风险则是随时可能落下的「断头台」。
与Groq、Etched、Cerebras等半导体创业公司不同，DeepSeek造芯片的最大优势在于：它本身就是模型架构的定义者。
Groq、Etched们造芯片是为了卖给客户，必须追求性能极致、押注行业主流架构，押错了之前的努力全部白搭。DeepSeek造芯片则是为了跑自己的模型、降低API成本，可能没那么依赖台积电尖端制程，更可能采用国产7nm或更成熟制程，搭配国产HBM或LPDDR内存——性能稍逊，但推理场景足够用，单位token成本有望低一个数量级。
更关键的是软硬协同的能力。DeepSeek设计V4、R1时，有一个隐形的约束条件：MoE的路由策略、MLA的KV压缩、FP8的量化方案——这些都不是「纯算法最优解」，而是「算法+现有硬件特性」的妥协解。以前Dense模型在GPU上像「统一军训」，所有Token做一样的动作，GPU架构就擅长这个；但MoE的核心是稀疏激活+动态路由，token进来需先过门控网络，再被送到对应专家。
若DeepSeek自己造芯片，可把专家选择逻辑硬化成硅电路——不是「软件判断该调哪个专家」，而是「硬件自动把token送到对应的专家单元」。MoE的稀疏性就从「软件模拟」变成「硬件原生」，专家数量可以做得更大、路由延迟可以更低、激活比例可以更激进。以后可以尝试以前不敢试的架构，比如专家数翻10倍、更激进的动态稀疏——这些因为有了硬件支持，从不可能变成了可选项。
此外，虽然DeepSeek开源了模型权重参数集，但并未开放训练代码、调优方法和数据流程，在算法层面的壁垒仍然非常大。这种软硬件协同能力，是其他厂商不具备的。
回看英伟达的历任挑战者，大多将逆袭关键押在单一硬件性能上。但英伟达真正强大的地方从来不只是GPU本身，而是CUDA、软件生态和开发者体系形成的闭环。DeepSeek自研芯片并不意味着设计一颗ASIC就能立刻摆脱英伟达，它真正试图做的是反过来让硬件适应模型。
过去几十年，人工智能的发展路径本质上是算法适应硬件：研究者必须在GPU允许的计算模式内设计模型。这与Groq、Etched等芯片创业公司形成鲜明对比——后者是在英伟达定义的游戏规则中试图通过极致局部优化分一杯羹，而DeepSeek若进入芯片领域，则有可能为中国AI探一条新的自主之路：不是模型适应芯片，而是算法怎么进化，硬件就跟着调整。
在之前的计算时代，CPU决定计算规则；移动时代，ARM定义终端生态；这两次半导体革命中，中国都是跟随者。而在AI时代，决定未来的可能是模型、算法与芯片之间的协同关系。这也是OpenAI、Google、Amazon、Meta纷纷自研芯片的根本原因——只有将模型算法与芯片进行垂直整合，才可能突破原有产业链的接口限制。
DeepSeek自研芯片如果成功，并不会马上打破英伟达的高墙，但它至少意味着中国AI产业正在从亦趋亦步的模仿者，走向「尝试参与定义下一代计算平台」，成为创造未来的定义者。这，或许才是这场AI芯片浪潮最值得关注的地方。
