7月7日，路透社援引三名知情人士稱，DeepSeek正在開發自己的AI晶片，專門瞄準大模型推理。
項目約一年前啟動，最近還在秘密擴充晶片設計團隊，正與晶片設計、晶圓代工和儲存廠商接觸。
同一天，智譜也傳出消息。
The Information報導稱，隨著GLM系列模型需求增長，智譜正在評估自研定製AI晶片的可能性。
鏡頭拉遠，這早已不是中國故事。
6月24日，OpenAI已經公開首款與博通聯合設計的定製推理晶片Jalapeño，目前樣片已在實驗室運行，計畫年底部署。
4月，Anthropic被曝在考慮自研晶片的可能性，六月還挖來了OpenAI晶片項目的核心工程師。
一個耐人尋味的現象出現了。
越來越多的頭部大模型公司，無論中美，無論開源閉源模型，都在同一時間窗口，一頭紮進了晶片這門重資產苦生意。
為什麼模型公司開始集體下場造芯？
01. 模型公司為何要自研晶片？
其實模型公司今天走的路，雲廠商早就走過一遍。
Google有TPU，亞馬遜有Trainium和Inferentia，微軟有Maia，Meta有MTIA。
在中國，華為有昇騰，百度有崑崙芯，阿里有真武。
看上去，全球最有錢、最會買GPU的一群公司，偏偏都在自己造晶片，為什麼？
一個殘酷的事實是，算力帳單越來越貴了。
訓練一個前沿模型固然燒錢，但訓練是階段性的，推理卻發生在每一次真實使用中。
模型使用者越多、Agent運行越久、Token吞吐越大，推理成本就越像水電費一樣持續累積。
這也是為什麼DeepSeek首先瞄準推理晶片。
OpenAI的選擇幾乎一模一樣。
Jalapeño不是用來從零訓練下一代GPT，而是專門處理大模型推理。
其目的也非常直接，降低基礎設施成本，並為輝達GPU增加一個替代選項。
這背後是GPU與定製晶片完全不同的經濟學。
輝達GPU像一把瑞士軍刀，訓練、推理、科學計算、視訊生成，各種場景都能迅速適配。
但一個只需要長期運行固定大模型負載的公司，未必願意永遠為這種通用性付費。
如果DeepSeek未來繼續沿用MoE、MLA和特定低精度計算路線，那麼它就有機會圍繞自己的算子結構、KV Cache管理、Prefill/Decode特徵、記憶體訪問和資料流進行定向最佳化。
這也是為什麼，DeepSeek即使已經適配華為昇騰，仍然可能選擇自己造芯。
對一家前沿模型公司來說，即便把更多負載從輝達遷移到華為，並沒有真正消除單點風險，只是換了一個供應商。
自研晶片一旦成功，DeepSeek得到的不只是更低成本，而是對底層算力更強的控制權。
對中國模型廠商，這層意義尤其特殊。
美國出口管制限制先進輝達晶片供應，而先進AI晶片又高度依賴晶圓代工、HBM和複雜供應鏈。
所以，DeepSeek、智譜等國產模型公司造芯，同時包含了三個層面的考量：Token成本帳、供應安全帳、地緣政治帳。
02. 自研晶片有多難？
既然自研晶片既能降成本，又能擺脫供應商控制，為什麼真正跑出來的玩家仍然屈指可數？
答案很簡單，因為造晶片，遠比造大模型更像一場豪賭。
路透社今年4月援引行業人士估算，設計一款先進AI晶片，成本可能達到約5億美元。
這主要還是設計、工程與驗證階段的巨額投入，並不意味著晶片一定能順利進入大規模生產，更不意味著實際運行後就能在性能和成本上超過輝達。
所以，所謂的“自研AI晶片”，其實有好幾種完全不同的含金量。
最重的一種，是GoogleTPU、亞馬遜 Trainium這類全端路線。
自己長期定義晶片架構，同時建設編譯器、軟體棧、網際網路絡和資料中心系統。
第二種，是模型公司定義需求和關鍵架構，再與成熟晶片公司聯合設計。
OpenAI的Jalapeño就是這類，由OpenAI與博通共同設計。
這仍然屬於深度定製晶片，但與Google十餘年積累的TPU體系，不是同一種成熟度。
再輕一些，則可能是提出模型負載、記憶體、精度和功耗需求，由外部ASIC夥伴承擔更多設計與工程工作。
也就是說，新聞裡都可以叫“自研AI晶片”，背後的實際能力卻可能天差地別。
因此，模型公司下場造芯，往往不會一上來就挑戰最難的訓練市場，而是先盯上推理。
原因是前沿訓練的變數太多，而推理面對的是已經訓練完成、即將長期運行的模型，負載更穩定，也更容易圍繞固定算子、記憶體訪問和Token生成過程做定向最佳化。
而2026年AI晶片行業最大的結構性變化，也正是"推理專用化"的加速。
比如，Google把第八代TPU拆成兩條路線：TPU 8t主攻大規模訓練，TPU 8i主攻低延遲推理和強化學習。
這說明，訓練與推理的最優硬體設計正在進一步分化。
華為的拆分更細。
Ascend 950PR面向推理的Prefill階段和推薦系統，Ascend 950DT則面向Decode階段與模型訓練。
其背後的邏輯不是簡單的“訓練晶片”和“推理晶片”二分，而是進一步按計算密集度、記憶體容量和頻寬需求拆分工作負載。
但即便模型公司選了看起來更容易的推理晶片，其自研晶片在量產經驗、軟體棧、供應鏈和規模部署上，仍可能與成熟平台存在明顯差距。
阿里平頭哥從2018年成立，到自研GPU規模化量產、相關業務年化營收達到百億等級，走了近八年。
GoogleTPU從2015年起步到第八代，是十一年投入。
相比之下，DeepSeek的晶片項目才起步一年，就連節奏最快的OpenAI，從官宣合作到全面規模化量產，仍是一場持續數年的工程。
這場造芯運動的入場券已經買好，但真正兌現的那一天，可能還要再等好幾年。
03. 集體造芯的底層變化
比起誰能更早造出晶片，這輪造芯潮真正值得關注的，反而是背後的產業變化。
第一個變化，是大模型競爭正在從單點的模型戰，進入一場更重的全端戰爭，模型-晶片-雲-資料中心，開始被綁成同一套系統。
Google已經證明了這條路，明確地把矽片、網路、軟體、模型架構和應用需求協同最佳化。
Google知道未來模型需要什麼，TPU團隊就能提前改晶片；TPU知道硬體最擅長什麼，模型團隊又可以反過來調整架構。
Google手裡同時有模型、晶片、雲和資料中心，晶片成本降低，可以壓低Token價格；Token更便宜，可以吸引更多使用者；使用者呼叫量越大，又能反過來攤薄晶片研發成本。
於是，一條新的閉環出現了：
晶片生產算力，模型生產Token，雲把Token賣給客戶，客戶規模再反過來養晶片。
Google試圖把AI時代最重要的幾層利潤——晶片、算力、模型、Token和應用入口，儘可能留在自己的體系裡。
模型廠商今天集體造芯，本質上也是被同一股力量推著向前走。
第二個變化，是去供應商依賴。
對OpenAI來說，這是減少對輝達單一硬體路線的依賴。
對DeepSeek等國產模型而言，是同時降低對輝達和國產晶片的依賴。
但無論換成那家供應商，只要命運的開關握在別人手裡，漲價、斷供、產能擠兌就隨時可能發生。
第三個變化，直接指向下一輪模型價格戰。
當Token價格捲到今天這個地步，誰的推理成本更低，誰就有更大的降價空間。
沒有晶片能力、只能靠採購通用GPU的純模型公司，很可能被兩頭夾擊：
上游議價能力不如晶片廠商，下游價格戰又打不過有全端能力的對手。
當然，這不意味著所有模型創業公司都會去造晶片。
做一家模型創業公司，門票大概是10億美元；做一個前沿模型，門票要到300億美元起；
而當一家公司同時下注模型、晶片、雲和資料中心，它面對的已經是1000億美元級的全端戰爭。
這不是每家公司都掏得起的錢，也不是每家公司都需要掏的錢。
但造芯這件事，已經開始讓產業有了新的變化：
AI競爭的終局，可能不再屬於模型最好的公司，而是那些有能力把Token一路做到矽片裡的公司。 (功夫財經)