跳转至

DeepSeek被曝自研AI推理芯片

Ch01.1510 DeepSeek被曝自研AI推理芯片

📊 Level ⭐⭐⭐ | 9.3KB | entities/deepseek-自研ai推理芯片-路透社-2026-07-08.md

DeepSeek被曝自研AI推理芯片

摘要

据路透社2026年7月报道，DeepSeek正在开发自有AI推理芯片，旨在降低对英伟达和国产芯片的依赖。该芯片专为AI推理环节设计，而非训练环节。此举使DeepSeek加入OpenAI（Jalapeño芯片）和Anthropic（自研芯片早期工作）的行列，标志着全球头部大模型公司向芯片自研的战略转向。然而，DeepSeek面临技术周期、制造工艺壁垒（出口管制限制）和生态系统（CUDA生态）等多重挑战。

核心要点

  • 战略转向：DeepSeek从纯大模型研发转向芯片自研，标志着AI竞争从算法层面向基础设施层面下沉
  • 推理专用：芯片聚焦AI推理环节（已训练模型为用户生成响应），而非模型训练——这是AI算力需求增长最快的细分市场
  • 行业趋势：OpenAI已发布Jalapeño推理芯片（博通参与、台积电代工），Anthropic也已启动自研芯片并与三星接洽2nm制程
  • 地缘因素：美国出口管制切断了DeepSeek获取英伟达高端算力的通道，公司已转向华为昇腾芯片
  • 资金与估值：伴随芯片计划，DeepSeek首次引入外部资本，计划融资70亿美元，估值520-590亿美元

深度分析

AI竞争的基础设施化：从模型到芯片的战略下沉

DeepSeek自研芯片的背后，是AI竞争从算法层面向基础设施层面的结构性下沉。当模型架构趋同（Transformer变体）、训练方法成熟（RLHF、DPO等对齐技术标准化）、数据成为稀缺资源后，能够定义底层硬件——从而在成本、速度和可靠性上获得差异化优势——成为下一阶段竞争的关键。

这一趋势的典型代表是OpenAI的Jalapeño芯片：通过将自身对模型架构、推理模式与服务系统的深度理解直接固化到硬件设计中，实现通用GPU无法达到的软硬协同效率。DeepSeek的自研芯片遵循同样的逻辑——当AI推理成为主要算力消耗场景时，拥有专用芯片意味着对推理成本的直接控制权。这与Agent后端架构中"专用优于通用"的设计理念一致。

DeepSeek的特殊挑战：出口管制下的芯片突围路径

与其他中国AI公司一样，DeepSeek面临独特的双重约束：一方面需要通过自研芯片摆脱对英伟达的依赖（英伟达在中国市场份额已降至零），另一方面受美国出口管制限制，无法获得最先进的海外晶圆代工产能和HBM高带宽内存。

这意味着DeepSeek的芯片设计必须在"可获得的制程"和"目标性能"之间做出权衡。可能的路径包括：利用先进封装技术弥补制程落后、在架构设计上通过稀疏计算和存算一体优化推理效率、以及利用自有大模型完成深度软硬协同适配。后一点是DeepSeek相比其他国产芯片厂商的独特优势——当模型和芯片由同一团队设计时，可以在指令集、算子库和模型结构之间进行联合优化。

这与Alitech标准化实践中提到的"软硬协同设计"理念有相似之处，但DeepSeek面对的地缘政治约束使这一挑战更加复杂。

从H800到昇腾再到自研：DeepSeek算力路线图的演进

DeepSeek的算力路线图展示了中国AI公司在出口管制下的典型适应路径：英伟达H800（2023年之前）→ 华为昇腾（2023年之后，管制升级）→ 自研推理芯片（2026年启动）。每一步的核心驱动力都是算力供应链的可控性。

2026年4月DeepSeek发布适配华为昇腾的V4模型，标志着昇腾生态的成熟度已达到可支撑先进模型训练的水平。自研推理芯片的加入，将使DeepSeek的算力架构形成"训练用昇腾+推理用自研"的双轨格局——训练阶段依赖国产成熟芯片，推理阶段通过自研芯片实现成本优化和差异化。

这种双轨格局与AI原生企业转型中的渐进式架构迁移策略类似：在不中断现有业务的前提下，逐步构建自主可控的基础设施。

规模效应对自研芯片经济的约束

DeepSeek面临一个典型的"先有鸡还是先有蛋"困境：芯片自研需要大规模出货才能摊薄NRE成本（流片、掩模、设计验证），但如果芯片仅服务于DeepSeek自有模型，规模效应不足将推高单位成本。这与英伟达的GPU模式形成鲜明对比——英伟达的CUDA生态覆盖了从AI到图形处理的广阔市场，规模效应使其能够持续投入先进制程。

DeepSeek的解题思路可能在于软硬件的深度耦合：虽然芯片出货量有限，但自有模型的推理负载集中、特征明确，可以在芯片架构上做到极致优化，从而在性能/成本比上超越通用GPU。这与Agent系统生产化部署中的场景特化优化思路一致——通用方案在特定场景下往往不如特化方案高效。

全球大模型三巨头的芯片自研竞赛

OpenAI（Jalapeño，2026年6月发布）、Anthropic（与三星接洽2nm，2026年启动）、DeepSeek（路透社爆料，2026年7月）——全球排名前三的大模型公司几乎同期推进芯片自研。这不是巧合，而是AI产业成熟化的必然结果：

  • 成本控制：推理成本是API定价的核心变量，自研芯片可以实现2-5倍的推理成本优化
  • 差异化竞争：当模型质量趋同时，性价比成为关键竞争维度
  • 供应链安全：地缘政治因素使芯片供应成为战略风险点

这一趋势的长期影响将是AI产业的垂直整合——顶尖AI公司不再是单纯的软件/模型公司，而是"模型+芯片+服务"的垂直一体化平台。这对硬件初创公司和云服务商将产生深远影响。

实践启示

  1. 推理算力的战略优先级：随着AI应用普及，算力重心正从训练转向推理。在基础设施投资中，应优先考虑推理场景的专用优化方案（推理芯片、模型量化、KV缓存优化等），而非仅关注训练算力。

  2. 软硬协同设计的长期价值：模型团队与硬件团队的深度协作可以带来远超通用方案的成本/性能优化。即使不亲自造芯片，也应保持对底层硬件的理解，在模型设计时考虑硬件特性（算力拓扑、内存带宽、算子加速等）。

  3. 供应链多元化的紧迫性：DeepSeek的经历表明，对单一芯片供应商的依赖存在战略风险。在选择AI基础设施时，应构建多元化的算力供应链，并验证各方案上的模型兼容性。

  4. 出口管制下的替代路线：在先进制程受限的环境下，可通过架构创新（稀疏计算、存算一体、先进封装）弥补制程不足。不应将"先进制程"视为性能提升的唯一路径。

  5. 自研芯片的经济性评估：在决定是否自研芯片时，需审慎评估规模效应——如果芯片仅服务内部场景，需要在特化优化带来的增益和NRE成本分摊之间找到平衡点。

相关实体

→ 原文存档