► 文 观察者网心智观察所

2026年7月7日，路透社援引三位知情人士报道称，DeepSeek正在开发自有的AI推理芯片。该项目大约在一年前启动，目前仍处于早期阶段，公司已与芯片设计企业、晶圆代工厂及存储厂商展开接洽。近几个月，DeepSeek还加大了芯片设计工程师的招聘力度，但相关招聘均以非公开方式进行。

几乎同一时间，多家媒体又披露，DeepSeek正在为这款推理芯片寻找代工合作伙伴。

消息传出后，很多人第一反应都是：DeepSeek也要造GPU了，要和英伟达竞争了。

这其实是一个很容易产生，却又并不准确的理解。

从“适配英伟达”到“优先国产”

如果把时间拨回两年前，没有人会觉得一家AI模型公司有必要去设计芯片。那时，大模型行业最重要的竞争是谁能训练出更聪明的模型。模型能力不断刷新纪录，参数规模越来越大，整个行业都集中在训练集群、训练算法和模型排行榜上。

那时，芯片只是工具。

今天，芯片正在变成竞争本身。

2026年2月，路透社报道了一个意味深长的变化：DeepSeek在发布下一代旗舰模型V4之前，打破行业惯例，没有向英伟达和AMD提供模型早期访问权限，转而让华为等中国芯片制造商提前数周开展软件适配处理器的优化工作。

按照行业常规，AI开发者通常会向英伟达、AMD等头部芯片厂商提供预发布模型以进行性能优化，确保软件能在主流硬件上高效运行，DeepSeek此前便与英伟达技术人员有着紧密合作。这一次打破惯例，外界普遍解读为供应链调整。

但这只是表象。

全球AI公司为何集体“造芯”？

DeepSeek并非孤例。全球AI头部企业正纷纷从“软件公司”向“系统公司”转型。

Google坚持推进TPU已经超过十年；Meta推出了MTIA，承担越来越多的推荐和生成式AI任务；Amazon连续发布Trainium和Inferentia；Microsoft推出Maia；OpenAI于2026年6月发布与博通联合打造的首款定制AI推理芯片Jalapeño。几乎所有站在第一梯队的大模型公司，都在把越来越多资源投入芯片。

过去，人们以为这些公司之间竞争的是模型。

今天，它们真正竞争的，是整个计算系统。

很多人以为，这是因为美国限制芯片出口，或者英伟达GPU太贵。这些因素当然存在，但它们都不是最根本的原因。真正推动所有AI公司走向自研芯片的，是AI商业模式本身发生了根本变化。

从“训练竞赛”到“推理战争”

过去两年，大模型行业经历了一次明显的重心转移。

第一阶段，所有公司都在拼训练。谁拥有更多GPU，谁就能训练更大的模型；谁拥有更大的模型，谁就在排行榜上领先。训练阶段虽然昂贵，但更像是一笔一次性的研发投入，模型训练完成之后可以服务无数用户，成本会随着用户规模扩大不断被摊薄。

真正改变行业成本结构的，是推理时代的到来。

所谓推理，就是模型真正开始回答用户问题、生成代码、撰写文章、调用Agent完成复杂任务的整个过程。每一次聊天、每一次搜索、每一次自动生成内容，后台都会消耗一次推理算力。

如果说训练只发生有限次，那么推理几乎每时每刻都在发生。用户越多，调用越频繁，推理成本就越高。

这意味着，大模型行业出现了一个与互联网时代截然不同的商业特征。互联网平台的边际成本通常越来越低，多增加一名用户，服务器成本增加有限。AI却恰恰相反，每增加一位活跃用户，都意味着更多Token需要生成，更多GPU需要持续运转。模型越成功，成本反而越高。

这也是为什么过去一年，几乎所有领先的大模型企业都在反复强调每百万Token的推理成本，而不是模型参数数量。

DeepSeek恰恰是把这种变化推到了极致。从V2开始，DeepSeek就在不断追求一个目标：让模型性能继续提升，同时把推理成本压到行业最低。无论是MoE架构的大规模采用，还是MLA、多Token预测等一系列技术路线，几乎都指向同一个方向：减少计算量，提高每一块GPU能够完成的有效推理任务。

但算法优化做到一定程度后，很快会遇到新的天花板。

因为GPU本身，并不是专门为推理设计的。

英伟达GPU之所以如此成功，是因为它足够通用，训练、科学计算、图形渲染、自动驾驶，几乎什么任务都能完成。但一把能完成所有工作的工具，很难针对某一种工作做到成本最低、效率最高。训练需要高度通用的计算能力，而推理越来越像一项固定、重复、流程明确的任务。随着模型结构逐渐稳定，大量重复性的矩阵运算、KV Cache管理、专家路由等流程，完全可以围绕固定任务重新设计芯片，而不必继续承担GPU为兼顾各种场景付出的复杂性代价。

DeepSeek今天真正面对的问题，已经不是“有没有GPU”，而是“有没有一种更便宜、更适合自己模型的计算方式”。这也是为什么它瞄准的是推理芯片，而不是训练GPU——因为真正决定一家AI公司未来盈利能力的，越来越不是训练一次模型花了多少钱，而是未来每时每刻为全球用户提供推理服务要花多少钱。

模型开始定义芯片

推理芯片的意义，并不仅仅在于节约成本。

它意味着，大模型公司第一次拥有了定义芯片的能力。

过去几十年，软件一直在适应芯片。CPU有什么指令集，软件就围绕它优化；GPU采用怎样的架构，AI模型就尽量去适应这种计算方式。今天，这种关系正在发生逆转。DeepSeek采用的大规模MoE架构只会激活少量专家模型，MLA不断减少KV Cache带来的显存压力，越来越长的上下文意味着内存访问方式不断变化——这些模型层面的变化，都在直接决定芯片究竟应该长成什么样。

未来不会再是“有什么GPU，就训练什么模型”，而是“模型需要什么能力，芯片就围绕它设计什么能力”。这也是Google TPU发展到今天的逻辑，也是Meta不断更新MTIA的原因。芯片不再只是提供算力，而是开始成为模型架构的一部分。

很多人把DeepSeek自研推理芯片理解成一次国产替代，实际上它更像是一次产业升级。

如果只是为了替代英伟达，购买国产GPU、适配国产GPU同样能够完成推理任务。真正投入巨大资源重新设计一颗芯片，意味着目标已经不是“能不能跑”，而是“能不能跑得更便宜、更快、更适合自己的模型”。

两条不同的路

当然，这条路并不轻松。

2025年8月，《金融时报》曾详细报道，DeepSeek在R1模型发布后，受到有关部门鼓励，尝试采用华为昇腾处理器训练下一代R2模型，而非继续使用英伟达芯片。但这家中国初创公司在使用昇腾芯片训练R2模型时遭遇了持续的技术问题，最终不得不使用英伟达芯片进行训练，而将华为芯片用于推理。

华为曾派工程师团队进驻DeepSeek办公室协助使用昇腾芯片开发R2模型，但即便有华为团队在场，DeepSeek仍未能完成成功的训练运行。这正是R2模型从原定5月发布时间一再延迟的主要原因。DeepSeek创始人梁文锋曾在内部表达对R2进展的不满，强调需要投入更多时间建立先进模型，以维持公司在AI领域的领先地位。

业内人士指出，国产芯片在稳定性、芯片间互联速度和软件生态方面仍落后于英伟达产品。

这恰恰说明，训练芯片和推理芯片本就是两条不同的发展路径。训练需要极高的通用计算能力，需要数万张GPU长时间稳定协同工作，对网络互联、编译器、通信协议提出极高要求。推理则面对的是海量、重复且高度固定的计算流程，更容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行业正在经历一次容易被忽视的角色变化。

过去，人们习惯把OpenAI、DeepSeek、Anthropic这些企业看作软件公司。今天，它们越来越像系统公司。模型只是其中的一层，往下还有框架、编译器、运行时、芯片、网络、数据中心、散热、电力，整个技术栈正在重新整合。未来真正参与竞争的，不再是某一个模型，而是一整套计算系统。

过去十多年，互联网行业竞争的是流量。过去两年，大模型行业竞争的是模型能力。而未来几年，真正决定胜负的，很可能是谁能够以最低的成本，把最多的Token送到用户面前。

所以，DeepSeek自研推理芯片真正值得关注的，并不是中国又多了一家芯片设计公司。它释放出的信号是，AI产业的竞争逻辑已经开始改变。模型战争远没有结束，但它已经越来越难成为唯一的竞争焦点。真正的较量，正在从参数规模和Benchmark排行榜，转向每一瓦电力能够完成多少推理、每一美元算力能够生成多少Token、每一座数据中心能够支撑多少智能体同时运行。

模型仍然是AI时代最耀眼的明星。但决定明星能走多远的，开始变成幕后那套越来越庞大、越来越复杂、也越来越昂贵的计算系统。

DeepSeek今天迈出的这一步，与其说是在造一颗芯片，不如说是在提前押注下一阶段AI竞争真正的战场。

来源|心智观察所