出品 | 网易智能
作者 | 辰辰
编辑 | 王凤枝
DeepSeek决定自己下场，造推理芯片了。
据路透社7月7日报道，三位知情人士透露，DeepSeek正在开发自己的AI芯片。项目大约一年前启动，目前仍处于早期阶段；公司已经接触外部芯片设计公司、代工厂和存储厂商，也在私下招聘芯片设计工程师。
如果只把这件事写成"DeepSeek要挑战英伟达"，这个叙事就有点窄了。
更值得看的，是它为什么要往芯片层走，以及为什么偏偏是现在。
路透社说项目大约一年前启动。往回看，正好接近DeepSeek-V3论文发布前后。那篇论文里有一节《硬件设计建议》，研究团队直接把需求写到了芯片层：通信任务要从计算单元上卸载，张量核累加精度要更高，还要支持更细粒度的量化。
这是一份甲方需求书。
意思很明确：现有AI芯片，还没有完全长成DeepSeek想要的样子。
从这个角度看，自研芯片不是突然冒出来的念头，而是DeepSeek模型路线往下走到硬件层之后，迟早会碰到的问题。
但驱动力不只是"芯片还不够理想"。更现实的压力来自供应和成本：英伟达高端芯片被出口管制卡住，有钱也不一定买得到；华为昇腾是国产替代，但所有中国AI公司都在抢同一批产能；模型调用量每天都在涨，推理成本会像水电费一样变成长期账单。
所以，这件事的核心不只是野心，也是生存逻辑。
当模型、用户和调用量都长起来之后，有一个问题迟早绕不过去：自己的成本结构和算力供应，还能一直攥在别人手里吗？
DeepSeek用一年的沉默，给出了答案。
一、不是要"干掉"谁，是不想再受制于人
先厘清一个关键事实：DeepSeek做的是推理芯片，不是训练芯片。
这可以解释为什么一家创业公司敢碰芯片。因为训练芯片和推理芯片，难度并不在一个量级。
训练芯片更像造F1赛车。它需要在连续数月的满负荷运转中不出任何差错，一次意外中断造成的沉没成本可能高达数百万美元。它需要万卡甚至十万卡级别的集群协同，芯片之间的通信延迟必须压到极限。英伟达为此专门研发了NVLink 6高速互联技术。
它还需要一套完整的软件工具链：编译器、驱动、算子库、分布式训练框架，全部要深度绑定在硬件上。英伟达的CUDA生态积累了二十年，全球超过600万开发者、3000多个优化到极致的加速应用、大量AI论文和工程基准，都在这个生态下完成和优化。这不是一个单纯的软件问题，而是一套由时间、开发者习惯和工程积累堆起来的体系。要替代它，不是一家创业公司短期内能轻易完成的事。
推理芯片更像是家用小轿车。它不需要承担从零训练大模型的全部负载，推理只走一遍前向传播，没有训练阶段反向传播和梯度更新带来的巨额计算量。它也不一定需要万卡互联，单卡或多卡小集群就能覆盖大量场景。推理阶段的算子种类更少、计算图更固定，编译优化的搜索空间也更可控。
推理芯片最后要比的，往往不是峰值算力看起来有多高，而是每瓦能产出多少token、每个token成本能不能比采购现成芯片更低。
这种架构层面的分化，2026年已经走到了一个标志性节点。谷歌的TPU迭代到第八代时，首次把训练和推理拆成两条独立产品线：TPU 8t攻训练，TPU 8i攻推理。两者的SRAM大小、互联拓扑和片上加速器设计都不同。训练追求吞吐优先，推理追求延迟优先。连谷歌这种"我全都要"的公司，都认为推理值得一条单独路线。
训练更容易上头条，推理更像长期账单。但如果一家公司拥有几千万日活用户，每次对话都要在后台跑一遍模型，推理的长期成本就可能比一次性训练更敏感。AI行业正在经历一个不太显眼但很关键的变化：算力需求的重心，正在从训练端滑向推理端。
OpenAI算的也是这笔账。据报道，它上个月发布了Jalapeño推理芯片，由博通负责硅实现、台积电代工；从设计到流片只用了约九个月，速度反常地快，报道中称其中也用到了OpenAI自己训练的模型辅助芯片设计。Anthropic也在评估自己的芯片路线。谷歌有TPU，亚马逊有Trainium，Meta的MTIA加速器已经在跑Facebook和Instagram上相当比例的AI负载。
英伟达自己也在补推理这块拼图。据TechCrunch报道，英伟达去年底与AI芯片创业公司Groq达成了一笔约200亿美元的"非完全收购式"协议：部分Groq高层转向英伟达，Groq的硬件技术也被授权给英伟达使用，而Groq继续推进自己的推理云业务。这个细节如果属实，说明推理芯片不再只是创业公司的边缘赌注，而是连英伟达都要补强的战场。
每一家有规模的AI公司，最后都绕不开同一个问题：芯片不能只靠买。
但DeepSeek跟它们又不完全一样。
OpenAI、谷歌、亚马逊做芯片，要么是为了撑起吉瓦级的算力容量，要么是把芯片塞进云产品矩阵里卖给客户。
DeepSeek不做云，不做平台，也不卖芯片。它造芯如果推进下去，最直接的目的只有一个：让自己的模型跑在自己的芯片上，比买别人的更便宜、更可控。它没有对外销售的压力，不需要把芯片做得足够"通用"，只需要让它跟DeepSeek自家模型的MLA注意力机制、MoE专家路由定向适配。
一颗为DeepSeek模型量身定做的芯片，可以减少与自家模型无关的功能单元，把每一平方毫米硅片都用在刀刃上。
梁文锋在2024年接受36氪采访时，被问到最大的挑战是什么。他没有把"资金"放在第一位。幻方量化在背后提供弹药，钱确实不是最早的瓶颈。他说的是："我们面临的问题从来不是钱，而是高端芯片被禁运。"
两年后回头看，这句话更像DeepSeek后来一系列动作的背景。
二、为什么是推理芯片：从"后台成本"到"战略战场"
上面解释了为什么推理芯片"做得了"：门槛比训练芯片低一个量级。但"做得了"不等于"非做不可"。
让DeepSeek下定决心的，还是一笔经济账。
咨询公司Deloitte的数据显示，2026年全球AI推理芯片市场规模预计突破500亿美元，比2025年的200亿美元翻了一倍还多。市场研究机构TrendForce的测算更直观：2026年北美前五大云厂商的训练算力需求增长56%，而推理算力需求增长122%，推理增速明显高于训练。
这不是短期的需求脉冲。这是一个结构性的翻转。
联想CEO杨元庆在今年的一次演讲中给出过一组判断：目前约70%到80%的AI算力花在训练上，推理只占20%到30%，但"这个比例很快就会逆转，推理将占到70%以上"。英伟达CEO黄仁勋的说法更极端，他认为推理规模最终可能会达到训练的"十亿倍"。
逻辑并不复杂。训练是一次性的研发投入，训完就结束了。但一个模型上线之后，每一次用户提问、每一次API调用、每一次代码生成，都在消耗推理算力。模型用得越多，推理成本在总账本里的占比就越大。有研究指出，在一套AI系统的全生命周期成本中，推理可以占到80%到90%。
训练是一次性门票，推理是每个月都要交的水电账单。
GPU数量仍然重要，但当模型调用量上来之后，每个token的交付成本也会直接影响产品价格和毛利空间。
把这个逻辑放到DeepSeek身上，一切就清楚了。
DeepSeek的模型免费开放，网页端不收费，API价格长期压得很低。比如V4 Flash，每百万token输出仅2元钱人民币，不到GPT-5.5的二十分之一。根据相关数据，DeepSeek V4 Flash仅通过第三方平台OpenRouter路由的调用量就达到每周4.66万亿个token，而且这个数字还在增长。
今年6月底，DeepSeek推出了中国大模型行业首个"峰谷定价"机制：工作日上午和下午高峰时段API价格翻倍，夜间和节假日恢复原价。官方解释很直接：GPU集群白天太挤了，用价格信号把一部分批处理任务推到晚上。这跟电网的峰谷电价逻辑类似。
峰谷定价本身就是一个信号。它不一定能证明DeepSeek的推理算力已经"完全跑满"，但至少说明白天高峰期的推理资源已经足够紧张，需要靠价格机制调节需求。
在这种量级下，推理成本就不再是IT预算表里的一行数字，而是战略问题。OpenAI的Jalapeño、谷歌的TPU 8i、亚马逊的Trainium、Meta的MTIA，背后都在回答同一个问题：当token量大到一定程度，账就变了。买别人的芯片省事，但未必一直省钱；自己造芯片很贵，但摊到每一次推理上，反而可能更划算。
如果调用量继续增长，DeepSeek确实到了必须认真计算自研推理芯片账本的阶段。
三、四堵墙，每一堵都不低
但安静推进，不等于容易推进。DeepSeek面前有几道实打实的门槛。
第一堵墙是制程。
美国禁令切断了先进制程的部分路径。中芯国际目前成熟的量产工艺主要仍在7纳米附近，更先进节点还在爬坡。DeepSeek即便能设计出一流的芯片架构，真正生产出来的物理成品，在制程上也很难和英伟达最新一代芯片站在同一起跑线。这跟设计能力无关，更多是制造环节的问题。
第二堵墙是高带宽内存。
AI推理的速度瓶颈不只在计算，也在内存带宽。模型需要在极短时间内把大量参数从存储搬进计算单元。高带宽内存HBM全球主要由SK海力士、三星、美光等厂商供应。没有足够的HBM，再好的推理芯片也很难发挥全部性能。这不是单靠架构优化就能完全绕开的约束。
第三堵墙落在软件生态上。
尽管推理的软件栈比训练简单得多，它仍然不是一个从零开始就能轻松解决的问题。一块裸硅不等于可用芯片。它需要编译器、驱动、算子库、框架适配和持续优化。英伟达花了二十年建成CUDA生态。DeepSeek即便把硬件做出来，还要让自己的模型能在自研芯片上稳定、高效地跑起来。硬件只是第一步，软件栈决定它能不能真正进入生产环境。
第四堵墙是钱和时间。
一颗能上战场的AI芯片，从设计到流片到量产，通常需要几年时间和几十亿美元，也要做好不止一次流片失败的准备。DeepSeek的项目据称刚推进一年。路透社的消息也说，它仍在接触外部合作伙伴。这意味着它更可能是自己定义需求、参与设计，而不是所有环节都完全自己做。
好消息是，钱的问题相对缓和。今年6月DeepSeek已经完成首轮约70亿美元融资，估值超过500亿美元，而且外部投资方无投票权、无董事席位。梁文锋在2024年接受采访时曾说："我们不着急商业化，我们着急做技术。"如果这笔融资安排属实，它确实给DeepSeek留出了继续按自己节奏推进技术路线的空间。
四堵墙都不低。但有意思的是，这些限制并不是第一次出现在DeepSeek面前。2025年初R1刚发布时，外界普遍认为前沿模型必须依赖大量顶级GPU。DeepSeek用相对有限的算力做出了足够接近前沿的结果。限制不值得歌颂，但限制确实会迫使公司寻找非常规方案。办法一旦跑通，就可能变成别人不容易复制的能力。
有半导体行业人士在社交媒体上评论称："设计定制芯片极其昂贵和困难，但DeepSeek显然有工程人才和资本支撑来做一次真正的尝试。"
四、真正的问题，是算力供应能不能自己控制
理解DeepSeek为什么要造芯，得先看清楚它卡在什么位置。
它现在主要依赖两类芯片：英伟达和华为。
R1是用英伟达H800训练的。H800是英伟达专为中国市场定制的降级版芯片，2023年底被华盛顿追加禁令后，继续采购变得困难。
DeepSeek不是没有准备。禁令升级前，它和其他AI公司一样，在窗口期抢购、囤货。业内估测DeepSeek积累了数万张Hopper架构GPU，靠这批库存撑过了V3和R1的训练。
但库存是有限的，用一张少一张。
禁令之后，DeepSeek加速转向华为昇腾。路透社称，DeepSeek今年4月发布了适配华为昇腾芯片的V4模型；华为也表示，其处理器参与了轻量版V4-Flash的部分训练。
这让DeepSeek至少有了两条路：一条是受出口管制影响的英伟达，另一条是国产替代里的华为昇腾。
但这两条路都有约束。
英伟达的问题是供应不确定。你不可能把公司长期路线图建在"假设未来一直能无限获取最好芯片"的前提上。
华为的问题在于产能要同时服务多家公司。华为占了国内AI芯片市场相当重要的位置，但它也要给阿里、字节、DeepSeek等多家公司供货。如果所有中国AI公司都在抢同一批昇腾芯片，DeepSeek仍然无法完全控制自己的供应节奏。
一位科技投资人在X上把DeepSeek的问题拆成三点：
第一，英伟达的通道被美国出口管控卡住。
第二，华为是国产替代，但不是DeepSeek独享资源。
第三，推理经济学正在成为真正的战场。如果DeepSeek的token量级持续膨胀，更大的长期成本是把模型每天跑起来。自研芯片如果能把每token成本打下来，这笔账就值得算。
总结成一句话：DeepSeek想解决的，不只是算力够不够，而是算力供应能不能自己控制。
五、出口管控正在改变中国AI公司的选择
这件事的一个背景，是美国的出口管控。
出口管控的本意，是限制中国AI公司获得最先进的训练芯片，让中国模型在算力层面面临天花板。设想中的逻辑很简单：不给最好的芯片，就会影响最强模型的训练。
但现实更复杂。
R1用受限芯片做到了前沿水平，2025年1月震动硅谷；V4开始适配国产芯片；现在同一家公司被曝已经启动自研芯片项目，而且是推进了一年后才被媒体挖出来。
有用户在X上把这件事概括为："出口管控本想卡住脖子，结果逼出了自己的手。"
这句话带有情绪化表达，但它确实反映了一部分讨论氛围：限制没有简单让中国AI停下来，反而让一些公司更早考虑自研和替代路线。
对英伟达来说，短期冲击有限。中国市场在现有管制下，本就受到限制。但长期风险不在某一个客户的市场份额，而在一种学习效应：每有一家公司成功跑通自研芯片，依赖外部供应商的惯性就会弱一分。
这也不是孤例。阿里巴巴在做自己的AI芯片，百度也有自己的AI芯片路线。而就在同一天晚上，硅谷科技媒体The Information又追了一条独家：另一家中国顶级AI公司也在评估类似方向。
六、群雄逐鹿：一场静默的行业重构
The Information披露的细节是：三位直接知情人士透露，智谱AI也在评估自研AI芯片的计划。智谱近期已经向多家中国芯片设计公司做了初步询价，探讨为自家模型定制一颗推理处理器。消息人士说，讨论还在很早期，智谱还没有选定设计合作伙伴。
这条消息和DeepSeek的芯片计划放在一起看，就不太像巧合。
需要强调的是，智谱目前只是"权衡"和"初步询问"，不能写成已经立项、流片或量产。它考虑的也不是通用GPU，而是类似ASIC的定制AI处理器，也就是围绕特定模型和特定任务优化的芯片。
但如果把镜头拉远，DeepSeek和智谱的造芯计划指向的不是两家公司的单独转型，而是中国AI芯片市场正在发生的结构性变化。
路透社的数据显示，阿里和百度的自研芯片已经开始蚕食华为在国产AI芯片市场的份额。DeepSeek和智谱如果继续加入造芯行列，只会加速华为芯片从"国产唯一选择"变成"选项之一"。中国AI芯片的供应格局，正在从一家独大走向更多路线并存。
这和硅谷的逻辑相似，但出发点不完全一样。
硅谷AI公司造芯，是在充裕的全球供应链里追求成本最优。它们可以找博通设计、台积电代工、三星或SK海力士供HBM，全球最好的资源都能进入方案。
DeepSeek和智谱造芯，则更多是在限制条件下寻找替代路径。先进芯片采购受限，就要考虑国产供应；国产通用算力紧张，就要考虑定制芯片；推理成本持续上升，芯片就不再只是芯片公司的事。
有韩国分析师在社交媒体上写道："DeepSeek开始自研AI芯片，意义超越减少对英伟达或华为的依赖，它标志着中国AI公司正在把供应链风险，从PPT上的担忧变成车间里的实际行动。"这句话说得有些满，但它能概括外部市场对这件事的一个判断：供应链风险正在从抽象担忧，变成具体工程动作。
从图纸到跑在数据中心里的芯片，中间隔着很多堵墙。DeepSeek能不能跨过去，还要看制程、内存、软件栈和合作伙伴。
回到梁文锋2024年用的那个词："挑战"。
这不是一个可以轻松解决的问题，但DeepSeek过去两年已经证明，它习惯在限制条件下找工程解法。自研推理芯片如果继续推进，也会是同一条路线的延伸：不是突然跨界半导体，而是低成本模型路线继续往下走。
DeepSeek的芯片能不能跑赢英伟达？短期内，这不是最重要的问题。
现在更值得追问的是：当全球顶级AI公司都开始向芯片层下探，当中国AI公司不再只想排队等别人发货，这个行业的底层逻辑会被怎样重新调整。