最近这段时间，硅谷AI界可谓大招频发，前有Fable5发布，后有马斯克的Grok-4.5问世，上个星期，OpenAI的GPT-5.6也发布了。
虽然在性能上，这些个发布的新模型，一个比一个强大，不断在高攀AI智能的最高峰，但在实际体验过程中，越来越多的人，尤其是一线开发者，开始在乎另一件事：使用成本。
具体来说，以最新发布的GPT-5.6为例，在其发布的三个版本中，最强大的旗舰版Sol，在CdoeX中跑任务时，随便跑几下，1小时就耗光了原先的5小时额度；以至于有开发者说道：“5.6 简直就是额度侵蚀怪兽”。
而原先的Fable5更恐怖，在达到惊人智能的同时，Token消耗的幅度，也达到了一个变态的地步。
举个例子：今年6月，36氪用Claude Code实测Fable 5：两小时内，Token成本就达到56.99美元，约合400元人民币，而Fable 5官方API价格高达每百万输出Token 50美元，是Opus 4.8的两倍。
而就在这个众人不断刷新智能最高峰的当下，国内AI的“独孤剑客”DeepSeek，却冷不丁干了件低调的事——自研芯片。
2026年7月7日，国内媒体报道，DeepSeek的推理芯片项目已秘密推进约一年，目前正接洽芯片设计、晶圆代工和存储厂商，并通过非公开渠道扩招芯片工程师。
同样地，国内的智谱，也传出了要自研芯片的打算；
如果将视角拉到全球，这实际上不是个孤立的现象：
OpenAI、Anthropic这些巨头，都已经、或正在自研自己的芯片；
这场AI企业自研芯片浪潮的背后，实际上有一个共同的危机——全球的算力，越来越不够用了。
算力之困
实际上，阻碍当前AI落地的最大局限，早已不是模型的智能，说实话，现在AI的“顶”已经够高了，但问题是用起来很肉疼。
这个痛点，即使是相对宽裕的美国企业，也感受到了。
为应对捉襟见肘的算力，OpenAI、Anthropic的顶级模型，最近纷纷遭遇了“降智”，
今年3月到4月，Anthropic的Claude Code被大量开发者投诉\"变笨\"。
AMD AI高级总监Stella Laurenzo经过调查发现：发现从2月份起，Claude的推理深度中位数从约2200字符暴跌到约720字符，降幅67%；模型每三次修改中就有一次是在没读文件的情况下瞎改。
同样地，到了5月的时候，OpenAI开发者论坛上，有用户报告到：GPT-5.5最近连最简单的UI改动都搞不定；GPT-5.5-xhigh也不再像以前那样能跑几个小时深度修复问题，回答起来明显没那么“智能”了；
在这里，模型缺的算力，其实主要就是推理算力；
这样的情况，就好像AI厂商造了一种特别强大的武器（模型），但却苦于没有足够的弹药（算力），且弹药的供应链还被别人卡着脖子。
于是，各大AI企业，纷纷下场亲自造芯片，也就不足为奇了。
今年6月24日，OpenAI联合博通正式发布了首款自研芯片，定位极其明确：只做推理，不做训练。从架构设计到流片交付，仅用了9个月。
可能有人会问：英伟达作为全球算力巨头，在训练芯片上收割那么多利润，也就算了，为什么连推理芯片也不肯放松一下，稍微降低点成本，一定要把下游的AI企业、应用企业逼到墙角呢？
这背后，其实有一个很讽刺的悖论：英伟达不是\"不肯\"降，而是\"不能\"降——降价等于自己拆自己的台。
因为从技术角度上说，英伟达的GPU在进行推理时，不可避免地会产生H100为了兼容所有可能的模型、所有可能的算子，保留了大量灵活性电路，这些资源，在固定模型的推理场景下是浪费的。
英伟达最新的B200，制造成本约6,400美元，其中真正的\"英伟达技术结晶\"——那个2,080亿晶体管的GPU核心——成本只有850美元，占总成本的13%。 但它的终端售价却是3万到4万美元，甚至市场上炒到4.5万到5.5万美元。毛利率高达84%。
如果英伟达推出一款\"低成本推理卡\"，比如成本2000美元、售价5000美元，性能还比H100做推理强——那它就等于亲口承认：\"原来我之前的GPU里，有80%的电路是浪费的，你们多花的3万美金是冤枉钱。\"
那以后H100/B200的训练溢价还怎么维持？
所以，这场推理层面的价格革命，不可能由英伟达这个“算力领主”自身来完成。
英伟达的挑战者
实际上，除了DeepSeek、OpenAI这些AI企业之外，现在有越来越多的后来者，正在推理这条赛道上，挑战英伟达的地位。
例如Groq、Etched、Cerebras这些企业，走的就是专用推理芯片对抗英伟达GPU的路子，
总体上来看，它们的路线大体就是，将某一特定架构（例如Transformer）的机制直接烧进硅电路，通过舍弃可编程性、通用性，来换取在推理场景下极大的效率提升；
像是Sohu的芯片，就没有任何可编程性，它生来就是为了跑Transformer，而且只跑Transformer。
而Cerebras则更极端，更变态：它索性不切晶圆，而是把整片晶圆做成一颗芯片。WSE-3面积达46225平方毫米，集成4万亿晶体管，这外观，看上去就跟个“大饼”一样。
其核心思路，是用晶圆内通信取代GPU集群昂贵的跨卡数据搬运；
但问题是：这么搞，良率、散热与整机成本也同样很极端了。
但尽管如此，要想在推理场景上战胜英伟达，也绝非一件易事，
原因主要有两点。
其中第一点，就是专用架构随时被颠覆的风险。
这是所有专用路线最大的命门。
虽然Transformer从2017年到现在都八年了，架构并没有发生颠覆性变化。
但在2024到2026年这两年，由于DeepSeek的发力，业界纷纷看到了MoE的潜力，于是纷纷开始转向MoE（混合专家） 这个转变，就已经要了Etched半条命。
Etched的Sohu是纯Dense Transformer硬化，硬编码不支持MoE的动态专家路由。 而现在的DeepSeek V4、Qwen3-235B-A22B、GPT等前沿模型，几乎全是MoE。
而第二点，则是“产能地狱”的困境。
就算你在专用的推理场景下，比英伟达的GPU更有效率，你还得跟人家抢产能。
Etched的Sohu，号称采用台积电4nm工艺，并宣称预售合同超10亿美元，但截至2026年中，Etched还没有任何芯片向客户交付。
一个很现实的原因是：台积电4nm的产能，英伟达、苹果、AMD都在抢，台积电董事长魏哲家曾直言，7nm及以下先进制程产能，现在与大客户需求相比“还差约3倍”。
在这种情况下，Etched、Groq作为一个豆粒大的小初创公司，优先级在哪？
产能风险是\"绞索\"，每天都在收紧；架构风险是\"断头台\"，不一定天天要面对，但落下来就身首异处；
那以后DeepSeek自研、自造芯片，是否也会面临同样的问题？
从商业上来看，Groq、Etched们造芯片是为了卖给别人，所以必须追求性能极致、必须用最先进的制程，否则没人买，
DeepSeek造芯片是为了跑自己的模型、降低自己的API成本。因此反而可能没那么依赖台积电的尖端制程。
因此，一种最有可能的情况是：DeepSeek的自研推理芯片，大概率不会是一颗3nm的尖端ASIC，而更可能是国产的7nm或更成熟制程，而内存用的则是国产HBM或LPDDR，虽然性能稍逊，但推理场景足够用。
在性能方面，它可能比英伟达GPU做推理差一个档次，但单位token成本可能真的低一个数量级。
而这样的自研，除了“节约算力”这样的表面原因外，更深层次的动机，则是将AI架构发展的自主权，重新夺回自己的手里。
软硬协同
总的来看，DeepSeek造芯，走的可能并不是Groq、Etched、Cerebras这样剑走偏锋式的路线，前者是为在英伟达的阴影下，分一杯羹，取得些许市场份额。
但对DeepSeek而言，一个更大的理想是：在实现AGI的路上，中国能不能自由选择模型的路线、架构？
这背后就涉及到一个软硬协同的问题。
现在DeepSeek设计V4、R1时，有一个隐形的约束条件：MoE的路由策略、MLA的KV压缩、FP8的量化方案——这些都不是\"纯算法最优解\"，而是\"算法+现有硬件特性\"的妥协解。
具体来说，以前的Dense（稠密）模型在GPU上像\"统一军训\"——所有Token做一样的动作，整齐划一，GPU的架构就擅长这个；
但是MoE的核心是稀疏激活+动态路由：一个token进来，先过一个门控网络（Gating Network），再算出它应该去哪个专家。
就好像春运的时候，每个人要去不同的检票口，得先查票（门控），再拖着行李跑到对应的站台（专家）。
如果DeepSeek自己造芯片，它可以把专家选择逻辑与硬化成硅电路——不是\"软件判断该调哪个专家\"，而是\"硬件自动把token送到对应的专家单元\"。这样MoE的稀疏性就从\"软件模拟\"变成\"硬件原生\"，专家数量可以做得更大、路由延迟可以更低、激活比例可以更激进。
这意味着，以后DeepSeek可以进行更大胆、更创新的尝试，以前不敢试的架构（比如专家数翻10倍、比如更激进的动态稀疏），现在因为有了硬件支持，变成了可选项；
对DeepSeek这样的AI企业来说，这才是真正“降维打击”的地方。
因为像Groq、Etched、Cerebras这样的半导体企业，因为选择了专用路线，必须一直押注接下来行业的主流架构是什么。
押错了，之前的努力就全白搭，这很被动。
但DeepSeek自己就是模型架构的定义者。
DeepSeek做推理芯片的\"容易\"，就在于将很多设计、软件方面的工作给降维了，因为算法固定，验证空间小；因为不需要通用性，后端布局简单；
在顶层架构固定的情况下，剩下的，就是搞定各种工程、制造环节的苦活、累活，本质上没有太大的技术难度。
也正因如此，DeepSeek自研AI推理芯片的机会非常大。
这里提醒大家一个重要的细节：虽然DeepSeek现在开源了自身模型的权重参数集，但其并没有开放自己的训练的代码、调优的方法，以及训练数据的流程模型的配方。
因此，在算法层面，DeepSeek的壁垒仍然非常大。而这样的软硬件协同能力，是其他厂商不具备的。
而这种软硬件协同的能力，实质上也对未来中国AI的发展路线，留下了一个潜在的弯道超车的机会。
成为定义者
如果回看，之前各路英伟达的挑战者，例如Groq、Etched、Cerebras等，你会发现，他们往往都将逆袭的关键，押在了单一的硬件性能上。
但问题是，英伟达真正强大的地方，从来不只是GPU本身，而是CUDA、软件生态和开发者体系形成的闭环。
所以，DeepSeek自研芯片，并不意味着只要设计一颗ASIC，就能立刻摆脱英伟达。
DeepSeek真正试图做的，是反过来让硬件适应模型。
过去几十年，人工智能的发展路径，本质上是算法适应硬件：研究者必须在GPU允许的计算模式内设计模型。
这也是DeepSeek与Groq、Etched这些芯片创业公司的最大区别。
后者是在英伟达定义的游戏规则中，试图通过极致的局部优化，从巨头的阴影下分些残羹冷炙；
而DeepSeek如果进入芯片领域，更有可能是为中国AI探一条新的自主之路：
在这以后，不是模型适应芯片，而是算法怎么进化，硬件就跟着调整。
这条路初期虽然会很艰难，但它最大的价值，是让中国AI产业获得了参与定义下一代AI计算架构。
在之前的计算时代，CPU决定了计算规则；到后来的移动时代，ARM定义了终端生态；在这两次半导体革命中，中国都只是跟随者：
而在AI时代，真正决定未来的，可能是模型、算法与芯片之间的协同关系。
这也是为什么OpenAI、Google、Amazon、Meta纷纷自研芯片，因为它们意识到：只有将模型算法、芯片进行垂直整合，打造一种类似“AI界的特斯拉或SpaceX”，才可能突破原有产业链的“接口限制”。
因为当长上下文场景越来越多，AI Agent兴起，推理成为主要成本后，新的瓶颈就变成了数据怎么流动、专家怎么调度、KV Cache怎么管理、通信延迟怎么降低。
DeepSeek自研芯片如果成功，并不会马上打破英伟达的高墙。
但它至少意味着，中国AI产业正在从亦趋亦步的模仿者，走向“尝试参与定义下一代计算平台”，成为创造未来的定义者。
这，或许才是这场AI芯片浪潮最值得关注的地方。
明利配资提示：文章来自网络，不代表本站观点。
