DeepSeek自研AI芯片：一场注定要打的硬仗 当你的模型每天被调用几十亿次，租 GPU 的账单会比公司的工资单还厚，这时候你会做什么？自己造芯片。这两天技术圈里最热的一件事，莫过于 DeepSeek 被曝正在自研面向推理场景的 AI 芯片。消息一出，业内议论纷纷。有人说这是被出口管制逼出来的无奈之举，也有人觉得一家做大模型的公司跑去造芯片，步子迈得太大了。图片来源：Pexels - 数据中心服务器机房老实说，这两种看法我都理解，但都不完全认同。如果你了解 DeepSeek 的体量、它的技术路线、以及当前 AI 芯片市场的格局，你就会发现——自研芯片，是DeepSeek走到今天这个位置后，不得不做的一件事情。目录 DeepSeek 为什么要自己造芯片？ 从"租"到"造"：一张算力账单背后的经济学 自研芯片 ≠ 从头造轮子 对云服务器市场的冲击波 几个值得关注的信号 写在最后 DeepSeek 为什么要自己造芯片？先看几个数据。DeepSeek 的 API 调用量在过去半年翻了不止十倍。你去看看它的用户量、每天的 Token 消耗量，你会发现一个让任何 CFO 都会失眠的事实——这家公司的算力开销，正在以指数级的速度增长。做 AI 的人都知道，大模型推理阶段的成本，远比你想象的要高。训练是一次性的，但推理是持续性的。你的用户每问一个问题，背后都在烧 GPU。用户越多，烧得越快。试想一下，如果你每天有几亿次推理请求，每一次请求都要在 NVIDIA H100/B200 上跑一遍。按现在的市场价，一张 H100 一小时的成本大约在 2-3 美元。一天 24 小时，几百张卡同时跑——这个数字你自己算算。更大的问题是：就算你有钱，也不一定买得到。英伟达的 GPU 现在是什么行情？高端卡交货周期已经从 3 个月拉到了 6 个月以上。加上出口管制越来越严，国内 AI 公司拿卡的难度在持续攀升。这不是价格问题，这是有没有的问题。所以 DeepSeek 自研芯片，逻辑其实非常清晰——控制核心算力成本，摆脱供应链的不确定性。从"租"到"造"：一张算力账单背后的经济学说到这里，我想分享一个观察。过去两年，我接触了不少做 AI 应用的公司。它们的处境很有意思——** 第一年：用几台消费级显卡验证模型，一个月算力成本几千块； 第二年：模型上线了，租了几台 GPU 云服务器，月成本到了几万； 第三年：用户量起来了，开始包年租用整台 GPU 服务器，月开销直奔几十万上百万。 这个曲线，几乎所有的 AI 公司都会经历。图片来源：Pexels - 服务器机房而 DeepSeek 的问题在于，它已经跳过了这三个阶段，直接进入了"月算力成本九位数"的第四个阶段。到了这个量级，最优解就不再是靠"租"了。你看看 Google——它有 TPU。Amazon——它有 Trainium 和 Inferentia。微软——它和 OpenAI 在联合做定制芯片。Tesla——它有 Dojo D1。你会发现一个规律：所有算力需求达到超大规模的公司，最终都会走上自研芯片这条路。这背后的道理很简单——当一个零部件的采购量达到了某个临界点，自研比外采更划算。 这不只是账面上的成本问题，更是能不能按自己的节奏迭代的问题。我给你算一笔账：现在做 AI 推理，市面上主流的方案是 NVIDIA H100/B200、AMD MI300X，以及国内的昇腾、燧原、摩尔线程等。这些芯片的设计都是为了通用目的——它们能干很多事，所以哪一件事都做不到最优。但 DeepSeek 如果自研芯片，它完全可以针对自己的模型架构做深度定制。把那些用不到的通用功能砍掉，把推理核心的效率做到极致。这一刀砍下去，同样算力的成本可能会下降 30%-50%。你说，这笔买卖合不合算？自研芯片 ≠ 从头造轮子很多人一听"自研芯片"，就觉得这是天方夜谭——随便一个芯片流片就要几千万美元，设计周期两三年起步，人才更是稀缺得一塌糊涂。你说的没错，如果 DeepSeek 要从零开始设计一颗 CPU/GPU 级别的通用芯片，那确实不太现实。但你看 DeepSeek 是怎么走这条路的。首先，DeepSeek 要做的不是通用 CPU，也不是游戏 GPU，而是专门为 AI 推理优化的 ASIC（专用集成电路）。这和 Google TPU 的思路是一样的——把芯片做"窄"，但做"深"。其次，DeepSeek 已经在使用了自家的模型来做芯片设计的辅助工作。AI 辅助芯片设计，这不是概念，而是已经在落地的事情。Google 用 AI 设计 TPU 布局，NVIDIA 用 AI 辅助布线——用 AI 设计 AI 芯片，这已经开始形成闭环了。第三，DeepSeek 有足够的人才储备和资金实力。从公开信息来看，DeepSeek 的团队中有不少来自国内顶尖芯片公司的技术骨干，而它在融资市场上已经拿到了足够的弹药。所以，DeepSeek 自研芯片的逻辑不是"像华为海思那样去做昇腾"，而是更像 Google TPU 的打法——为自己的模型量身定制加速器。这不香吗？对云服务器市场的冲击波这一节，我想聊聊这个事对服务器市场的实际影响。第一，GPU 云服务器的定价体系可能会被打乱。现在 GPU 云服务器的价格，很大程度上取决于 NVIDIA GPU 的稀缺性。H100 的租赁价格一直居高不下，一张卡一个月大几千甚至上万的租金，是很多中小公司做 AI 的入门门槛。如果 DeepSeek 的自研芯片量产，首先冲击的就是这个价位。DeepSeek 如果把自己的推理落在自家芯片上，成本会比租用 H100 低得多。最直接的后果就是——DeepSeek API 的价格可能会进一步下调，这倒逼其他云服务商也要跟进降价。第二，国产 AI 芯片生态会加速成熟。一个芯片能不能卖出去，关键看两个东西：性能和生态。国产 AI 芯片（昇腾、燧原、天数智芯等）一直面临的问题就是生态不够完善，开发者迁移成本高。DeepSeek 自研芯片如果成功，会带来一个示范效应——证明国产 AI 芯片在推理场景下可以做到高性能、低成本。 这会极大地提振整个国产 AI 芯片产业链的信心，也会让更多云服务商愿意接入国产芯片方案。第三，云服务器厂商的策略需要调整。现在的头部云厂商，对 NVIDIA GPU 的依赖已经到了"命脉被掐住"的程度。如果 DeepSeek 的芯片路线走通了，云厂商们就多了一个选择——可以同时提供 NVIDIA GPU、DeepSeek 芯片、以及昇腾等国产芯片的多层次算力选择。这对用户来说是一个好消息。竞争越激烈，价格越合理。几个值得关注的信号在结尾之前，我想再点几个值得关注的事情。DeepSeek 的选择不是孤例。 燧原科技已经 IPO 注册生效，国产 AI 芯片正在加速上市。这会形成一波"大模型公司 + 芯片公司"的联动效应。不要低估定制化芯片的威力。 你看看 Apple Silicon 对 Mac 生态的改造就知道，当芯片和上层软件深度耦合时，体验和效率的提升不是 10%，而是倍数级的。出口管制是一把双刃剑。 它卡住了我们的脖子，但也倒逼出了国产芯片的创新能力。DeepSeek 自研芯片，某种意义上就是这个逻辑下的必然产物。写在最后写这篇文章的时候，我想起了一件事。2017 年左右，Google 发布了 TPU V1 的论文。当时很多人也在质疑——Google 一个做搜索和广告的公司，跑去造芯片做什么？后来的故事大家也都看到了。TPU 成了 Google AI 战略中最核心的资产之一，没有它，Google 就不可能支撑起现在的 AI 服务规模。DeepSeek 自研芯片，我看好它的方向和逻辑。当然，能不能做成，还有很多不确定性。芯片设计是一回事，流片成功是一回事，量产的良率和成本控制又是另一回事。这条路上布满了坑，即便是 Google 也在 TPU 上踩过不少。但方向是对的，人就该往对的方向走。供你参考。希望对你有用。（全文完）