DeepSeek为什么要自研推理芯片？

发布时间：2026-07-17 10:39:23 来源：安智兰德资讯网 作者：焦点

► 文 观察者网心智观察所

2026年7月7日，自研路透社援引三位知情人士披露，推理DeepSeek正全力开发自有AI推理芯片。芯片该项目启动约一年，自研目前尚处早期阶段，推理公司已密集接触芯片设计商、芯片晶圆代工厂及存储供应商。自研近期，推理DeepSeek大幅加速芯片设计工程师招聘，芯片且全部采取非公开模式。自研

与此同时，推理多家媒体证实，芯片DeepSeek正在为这款推理芯片物色代工合作伙伴。自研

消息一出，推理舆论普遍产生一种直观联想：DeepSeek也要下场造GPU，芯片意图挑战英伟达的市场地位。

这种理解虽符合直觉，却失之偏颇。

从“适配英伟达”到“优先国产”

回溯至两年前，AI模型公司自研芯片被视为天方夜谭。彼时，行业核心战场在于“模型能力”的军备竞赛：参数规模不断膨胀，训练集群、算法突破与排行榜成绩是唯一的衡量标准。

在那段时期，芯片仅被视为基础工具。

而今，芯片本身已演变为竞争的核心要素。

2026年2月，路透社报道了一个标志性转折：在发布下一代旗舰模型V4前夕，DeepSeek打破行业惯例，未向英伟达和AMD开放早期模型访问权限，反而让华为等中国芯片厂商提前数周介入，进行处理器软件适配与优化。

按照常规流程，AI开发者通常会向英伟达、AMD等头部厂商提供预发布模型，以确保软件在主流硬件上的高效运行。DeepSeek此前与英伟达技术团队合作紧密，此次“反常”举动被外界广泛解读为供应链策略的重大调整。

然而，这仅仅是表象。

全球AI巨头为何集体“造芯”？

DeepSeek并非孤军奋战。全球AI领军企业正经历从“软件公司”向“系统公司”的深刻转型。

• Google：坚持推进TPU研发逾十年；
• Meta：推出MTIA芯片，承担日益增长的推荐及生成式AI任务；
• Amazon：连续发布Trainium（训练）与Inferentia（推理）芯片；
• Microsoft：推出Maia芯片；
• OpenAI：2026年6月发布与博通联合打造的首款定制AI推理芯片Jalapeño。

几乎所有处于第一梯队的大模型公司，都将资源重心向芯片领域倾斜。

过去，人们误以为这些巨头竞争的是模型算法。

今天，它们真正角逐的，是整个计算系统的效能。

许多人将此归因于美国芯片出口限制或英伟达GPU价格高昂。这些因素固然存在，但并非根本驱动力。真正促使所有AI公司走向自研芯片的，是AI商业模式本身的结构性变革。

从“训练竞赛”到“推理战争”

过去两年，大模型行业经历了一次显著的重心转移。

第一阶段：训练为王。
行业焦点在于谁拥有更多GPU、能训练更大模型、在排行榜上占据先机。训练虽昂贵，但属于一次性研发投入。模型成型后，边际成本随用户规模扩大而急剧摊薄。

第二阶段：推理时代到来。
“推理”是指模型回答用户问题、生成代码、撰写文章或调用Agent执行复杂任务的全过程。每一次交互、搜索或内容生成，后台均需消耗推理算力。

若训练是有限次的“爆发”，推理则是近乎实时的“常态”。用户越多、调用越频，推理成本越高。

这导致大模型行业呈现出与互联网时代截然不同的商业特征：
* 互联网平台：边际成本递减，新增用户带来的服务器成本增加有限。
* AI行业：边际成本递增，每增加一位活跃用户，意味着更多Token生成、更多GPU持续运转。模型越成功，成本反而越高。

正因如此，过去一年，领先大模型企业反复强调的核心指标不再是模型参数规模，而是每百万Token的推理成本。

DeepSeek将这一逻辑推向极致。自V2版本起，DeepSeek致力于在提升模型性能的同时，将推理成本压缩至行业最低。无论是大规模采用MoE（混合专家）架构，还是引入MLA（多查询注意力）、多Token预测等技术，其核心指向一致：减少计算冗余，提升单卡有效推理吞吐量。

然而，算法优化触及天花板后，硬件瓶颈随之显现。

因为GPU并非为推理而生。

英伟达GPU的成功源于其通用性——兼顾训练、科学计算、图形渲染及自动驾驶。但“全能”往往意味着“非极致”。训练需要高度通用的算力，而推理日益演变为固定、重复、流程明确的计算任务。随着模型结构稳定，大量矩阵运算、KV Cache管理及专家路由流程，完全可通过专用芯片重新设计，从而摆脱GPU为兼容多场景所付出的复杂性代价。

DeepSeek面临的真正问题，已非“是否有GPU可用”，而是“是否存在更廉价、更契合自身模型的计算方案”。这也解释了为何其瞄准的是推理芯片而非训练GPU——决定AI公司未来盈利能力的，不再是单次训练成本，而是持续为全球用户提供推理服务的长期运营成本。

模型定义芯片

推理芯片的价值，远超成本节约。

它标志着大模型公司首次获得定义芯片的能力。

过去数十年，软件被动适应硬件：CPU指令集决定软件优化方向，GPU架构决定AI模型计算方式。如今，这一关系发生逆转。

DeepSeek采用的大规模MoE架构仅激活少量专家，MLA技术缓解KV Cache显存压力，超长上下文改变内存访问模式——这些模型层面的演进，直接决定了芯片的形态。

未来的逻辑不再是“有什么GPU，就训练什么模型”，而是“模型需要什么能力，芯片就设计什么能力”。这正是Google TPU与Meta MTIA迭代的底层逻辑。芯片不再仅是算力提供者，而是成为模型架构的有机组成部分。

许多人将DeepSeek自研芯片解读为“国产替代”，实则这是一次产业升级。

若仅为替代英伟达，采购并适配国产GPU即可满足推理需求。投入巨资重新设计芯片，目标绝非“能否运行”，而是“能否以更低成本、更高速度、更优能效运行于特定模型之上”。

两条不同的路径

当然，这条路布满荆棘。

2025年8月，《金融时报》曾详细报道，DeepSeek在R1模型发布后，受有关部门鼓励，尝试采用华为昇腾处理器训练下一代R2模型，而非沿用英伟达芯片。然而，在使用昇腾芯片训练R2时，DeepSeek遭遇持续技术故障，最终被迫回归英伟达芯片进行训练，仅将华为芯片用于推理环节。

尽管华为派遣工程师团队进驻DeepSeek协助开发R2，但即便有原厂支持，DeepSeek仍未实现成功的训练运行。这成为R2模型从原定5月发布一再延期的主因。DeepSeek创始人梁文锋曾在内部对R2进展表示不满，强调需投入更多时间构建先进模型，以维持行业领先地位。

业内人士指出，国产芯片在稳定性、芯片间互联速度及软件生态方面，仍与英伟达存在差距。

这恰恰印证了训练芯片与推理芯片是两条截然不同的发展路径：
* 训练芯片：需极高通用算力，依赖数万张GPU长时间稳定协同，对网络互联、编译器及通信协议要求极苛刻。
* 推理芯片：面对海量、重复且固定的计算流程，更易通过专用架构获得数量级的成本优势。

AI产业的角色之变

事实上，AI行业正经历一场隐蔽的角色重塑。

过去，OpenAI、DeepSeek、Anthropic等企业被视为软件公司。如今，它们越来越像系统公司。模型仅是技术栈的一层，向下延伸至框架、编译器、运行时、芯片、网络、数据中心、散热及电力。整个技术栈正在重新整合。未来参与竞争的，不再是单一模型，而是整套计算系统。

• 过去十多年：互联网行业竞争流量。
• 过去两年：大模型行业竞争模型能力。
• 未来几年：胜负手在于谁能以最低成本，将最多Token送达用户。

因此，DeepSeek自研推理芯片的真正意义，不在于中国又多了一家芯片设计公司。它释放的信号是：AI产业的竞争逻辑已发生根本性改变。

模型战争远未结束，但参数规模与Benchmark排行榜已不再是唯一焦点。真正的较量，正转向：
* 每一瓦电力能完成多少推理？
* 每一美元算力能生成多少Token？
* 每一座数据中心能支撑多少智能体同时运行？

模型仍是AI时代最耀眼的明星，但决定其能走多远的，是幕后那套日益庞大、复杂且昂贵的计算系统。

DeepSeek迈出的这一步，与其说是制造一颗芯片，不如说是提前押注下一阶段AI竞争的真正战场。

来源|心智观察所

相关文章