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）

超算云服务器是什么？国家超算互联网上线，你的业务也能用上"国家级算力"了 这两天科技圈最大的新闻之一，莫过于国家超算互联网核心节点在郑州正式上线，以及全国最大单体国产AI算力池落地郑州的消息。老实说，我关注这个事情已经很久了。你看，过去我们聊"超算"，那都是国家级科研机构的事——气象预报、基因测序、核爆模拟，跟普通企业和开发者半毛钱关系没有。但这次不一样。超算云服务器这个概念，正在把"国家级算力"变成一种像水电一样可按需取用的公共服务。今天这篇文章，我就想和你聊聊：超算云服务器到底是什么？它和普通云服务器有什么区别？你的业务需不需要上超算？目录 超算云服务器到底是什么？ 它和普通云服务器有什么本质区别？ 谁需要超算云服务器？——三个典型场景 国内超算云服务格局：谁在提供？ 选购建议：别被"超算"两个字忽悠了 总结 一、超算云服务器到底是什么？先下一个定义。超算云服务器 = 超级计算机 + 云计算弹性 + 按量付费传统超算的使用方式是这样的：你写一个作业脚本，提交到超算中心的调度队列，等它跑完出结果。交互方式基本就是 SSH 上去敲命令，或者通过一个 Web Portal 提交任务。典型的场景是"跑计算、等结果"。而超算云服务器，是在这个基础上加了云计算的弹性能力： 你可以像买云服务器一样，分钟级开通一个超算节点 支持 容器化和虚拟化，不再是单一的作业调度模式 提供 GPU 直通、RDMA 网络、高性能存储 等企业级特性 按 小时甚至按分钟计费，用完即释放 说白了，就是把过去"大国重器"级别的计算资源，做成了像 AWS 的 EC2 一样的产品。二、它和普通云服务器有什么本质区别？很多人会问：我买个 32 核 64G 的云服务器不也能算吗？为什么要上超算？这个问题问得好。我给你列个对比表，一看就明白了。 维度 普通云服务器 超算云服务器 计算密度 单节点 几百核 单节点 数万核，集群 百万核 互联网络 千兆/万兆以太网 InfiniBand / RoCEv2 RDMA GPU 规模 单机 1-8 卡 千卡级集群，算力池共享 存储 云盘 / 对象存储 并行文件系统（Lustre/GPFS） 调度方式 手动分配资源 Slurm / PBS 作业调度 计费模式 包年包月 / 按量 按核时 / 按卡时计费 适用场景 Web 服务、数据库、应用 科学计算、AI 训练、渲染 这里面最核心的差异是什么？是 互联网络。你看，普通云服务器用的是以太网。当你把 100 台机器组成集群跑分布式训练时，通信开销会吃掉一大半的性能。而超算中心用 RDMA（远程直接内存访问）网络，延迟低到微秒级，带宽能到 200Gbps 以上。这就是为什么同样是跑 AI 训练，在超算云上跑 1000 张卡的效率，可能比你自己搭 100 张卡的集群还要高。网络，才是算力的真正瓶颈。三、谁需要超算云服务器？——三个典型场景场景一：AI 大模型训练与推理这个最好理解。训练一个千亿参数的模型，没有超算级的算力根本玩不转。过去你只能去买那种按年签约的 GPU 服务器租赁，一签就是一年，花了几十万，结果模型调优阶段 GPU 利用率只有 30%。现在有了超算云，你可以灵活地申请算力：训练时就开 1000 张卡，调优时降到 10 张卡，推理部署再切到普通云服务器。成本能省多少？ 我算过一笔账：同样跑一次 LLaMA 级别的训练任务，传统 GPU 服务器租赁大约要 120 万，超算云按量付费只需要 40 万出头。减少了差不多三分之二。场景二：工业仿真与 CAE汽车碰撞测试、飞机气动分析、芯片散热仿真——这类工业软件的计算量是天文数字。一个典型的汽车碰撞仿真，需要在毫秒级时间步长下模拟数万个单元的力学行为。用普通工作站跑，一个 case 要两三个星期。用超算云开 256 核并行，一天出结果。这是一个时间换金钱的问题。 对于车企来说，缩短一天的研发周期，可能就是几百万的市场窗口。场景三：气象与基因组学这个离普通开发者可能远一点，但价值巨大。气象预报的精度直接取决于计算网格的密度。从 10 公里网格加密到 1 公里网格，计算量暴涨 1000 倍。没有超算你根本做不了。基因测序也是同样道理。一个人的全基因组测序原始数据就有 100GB+，比对、拼接、变异检测每一步都是海量计算。超算云让中小型基因公司也能用上国家级算力。四、国内超算云服务格局：谁在提供？目前国内超算云服务市场，主要有这么几派势力：第一派：国家超算中心体系这次郑州落地的国家超算互联网核心节点，就是这一派的代表。无锡中心、广州中心、天津中心、深圳中心等都在推自己的云化服务。特点是算力规模极大——单中心每秒百亿亿次起步。但缺点也很明显：交互体验一般，文档不完善，计费规则复杂。第二派：云厂商的超算实例阿里云以 SCC（Super Computing Cluster）提供超算集群服务；腾讯云有 CHC（Cloud HPC）和 Omniverse 相关的 GPU 集群；华为云在 AI 算力方面有昇腾集群。特点是用户体验好，配套工具链完善，但纯算力规模不如国家超算中心。适合大多数企业和开发者。第三派：第三方算力运营商像 UCloud、青云、以及一些专门做算力运营的创业公司。规模最小，但往往在细分场景（如影视渲染、量化交易）做得很深。怎么选？ 我的建议很简单：如果你的场景是 AI 训练，优先看云厂商的超算实例——工具链成熟，遇到问题有人帮你搞。如果你是工业仿真、流体力学、气象这类传统 HPC 场景，国家超算中心更适合——纯算力性价比更高。如果你是临时项目、弹性需求极大，第三方算力运营商可能是最灵活的选择。五、选购建议：别被"超算"两个字忽悠了说实话，现在不少厂商把"超算"当营销词用。我见过有服务商把一台 8 卡 GPU 服务器就叫"超算云服务器"，这是典型的挂羊头卖狗肉。怎么甄别真正的超算云服务？看这四个指标：1. 看网络：有没有 RDMA？没有 InfiniBand 或者 RoCEv2 的高速网络，就别叫超算。这一点是硬指标，虚拟化层过不了 RDMA 的都是"假超算"。2. 看调度：有没有 Slurm 或 PBS？超算的核心能力之一是作业调度。如果你的分配方式是"给你一台机器你自己玩"，那就是普通云服务器。3. 看存储：是不是并行文件系统？Lustre、GPFS、BeeGFS 这些都是超算标配。如果还是 NFS 或者云盘挂载，几百个节点同时读写的时候你就知道什么叫"IO 等待"了。4. 看计费：支不支持核时 / 卡时计费？按核时计费是超算的典型特征。如果你看到的全是按整机包年包月，那大概率是披着超算外衣的普通 GPU 服务器。六、总结啰嗦了这么多，最后总结三句话： 超算云服务器不是噱头，它是计算资源供给方式的一次真正的变革，是把"国家级算力"普惠化的关键一步 不是所有人都需要超算云——如果你的业务就是跑个 MySQL、搭个 Web 应用，普通云服务器足够了；但如果你在搞 AI、做仿真、处理大规模数据，超算云的性价比远超传统方案 选型时擦亮眼睛——网络、调度、存储、计费，这四项指标帮你识别真假超算 最后送大家一句话：算力这个东西，用得起的时候不觉得有多重要，但一旦用上了就回不去了。就像十年前你从物理服务器迁移到云服务器时的感受一样。（全文完）