前沿AI公司为何纷纷投身自研芯片浪潮？

编辑｜Panda

在7月7日这一天，中国AI领域自研芯片的动态成为了科技圈的焦点，两条相关消息迅速登上热搜。

据徽声在线独家报道，DeepSeek正在秘密推进其自研芯片项目。消息来源于三位不愿透露姓名的知情人士，他们透露，这款芯片将专注于推理（inference）而非训练环节。报道指出，DeepSeek已经开始低调招募芯片设计专家，且招聘过程并未公开进行，同时，他们也在积极与外部代工厂和存储供应商建立联系。尽管DeepSeek未对置评请求作出回应，且该消息因单一信源而引发了一些争议，但其自研芯片的动向仍备受关注。

同日，另一家权威媒体The Information也发布消息称，中国实验室智谱正在评估自研定制芯片的可能性。据知情人士透露，这一决策源于GLM-5.2模型需求的急剧增长。据The Information及多家媒体转引，GLM-5.2是Vercel模型聚合平台上增长最为迅猛的模型，上线首周日均token消耗量一度飙升27倍。智谱已与多家国内芯片设计公司进行了初步接触，但尚未确定合作方，整个项目预计耗时两年以上。消息一出，智谱在港股市场一度涨幅接近9.9%。

值得注意的是，这两条消息均处于早期评估阶段，尚未有实物或定型设计出现。

实际上，DeepSeek和智谱并非个例。将视野放宽，我们会发现“AI公司自研芯片”在2026年已从个别企业的选择演变为行业的普遍趋势。从大洋彼岸的OpenAI、Anthropic，到国内的这两家前沿实验室，它们的行动出奇地一致。那么，这背后的原因究竟是什么呢？

OpenAI已率先将芯片端上“餐桌”

如果说DeepSeek的消息还停留在传闻层面，那么OpenAI则已经用实际行动给出了答案。

6月24日，OpenAI与博通（Broadcom）携手发布了Jalapeño，这是OpenAI的首款自研芯片，同样是一款专为大模型推理设计的ASIC（专用集成电路）。

OpenAI硬件负责人Richard Ho表示，Jalapeño芯片“从零开始为LLM推理而设计”，团队在内核、内存搬运、网络和服务模式等方面进行了针对性优化。

据OpenAI介绍，早期实验室测试显示，Jalapeño的每瓦性能“大幅超越当前业界最先进水平”。不过，该公司也承认，最终性能仍在进一步测量中，详细技术报告将在未来几个月内发布。在第三方benchmark结果出炉前，这类厂商自述的性能优势只能作为参考。

有几个细节值得关注。据Tom's Hardware报道，Jalapeño从设计到流片（tape-out）仅用了九个月时间，OpenAI称这可能是高性能先进半导体史上最快的ASIC开发周期。而加速这一周期的，正是OpenAI自己的模型——用AI来设计AI芯片。

Jalapeño计划于2026年底开始部署，与博通达成了一份10 GW规模、至2029年完成的合作协议。据报道，微软预计将购买首批Jalapeño产能的约40%。

Anthropic虽犹豫，但已迈出实质步伐

再来看另一家前沿实验室Anthropic。今年4月，徽声在线率先报道称Anthropic也在权衡自研芯片的可能性，但措辞谨慎：计划尚处于早期阶段，公司甚至可能最终决定只购买不制造，尚未确定设计，也未组建专门团队。

然而，到了7月初，事情有了新进展。据多家媒体报道，Anthropic已经开始与三星接触，探讨代工一枚定制芯片的可能性，据称瞄准的是三星的2纳米制程和先进封装技术。

此外，Anthropic最近还挖来了Clive Chan，而他是OpenAI自研芯片团队的早期成员之一。

面对外界追问，Anthropic回应称，由谷歌、亚马逊、英伟达芯片组成的“多元化硬件栈”仍将是其算力战略的核心，对与三星的合作则“不予进一步置评”。

这句官方表态，恰恰揭示了自研芯片浪潮中最真实的动机。据The Information的数据，英伟达占据着全球约74%的AI芯片市场；而Anthropic至今未制造过一颗自己的芯片，Claude模型的每一次调用都依赖于从合作伙伴那里租来的芯片；而这些合作伙伴，同时也是它的竞争对手。

值得注意的是，Anthropic探索自研芯片的时间点与其收入陡增几乎同步。据其自己披露，2026年运营收入年化已突破300亿美元大关，而2025年底还只有约90亿美元。当规模达到这个量级时，自研芯片的经济账才算得过来。

推理！推理！推理！

将DeepSeek、智谱、OpenAI、Anthropic的消息并列来看，会发现一个共同点：它们要造的全是推理芯片，而非训练芯片。这并非巧合。

行业正在经历一个结构性转变：算力消耗的重心正从“训练模型”转向“运行模型”。训练是一次性成本，而将模型服务给成百上千万用户则是持续不断的开销。据Introl的行业分析，推理如今已占据全部AI算力的约三分之二。

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

而推理领域，恰恰是ASIC的主场。用《芯片战争》作者Chris Miller对CNBC的一个比喻来说：英伟达的GPU像一把瑞士军刀，能应对各种并行计算任务；而ASIC则像一件单一用途的工具，虽然高效快速，但被硬连线锁定只做一类活。训练阶段需要瑞士军刀的灵活性，因为模型架构还在不断变化；可一旦模型定型、要拿去服务海量请求时，那把“单一用途的工具”反而更省电、更便宜。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

智能体（Agent）的爆发进一步放大了这一趋势。MindCast AI的一篇分析提出了一个有趣的区分：

• 传统推理是“查询成本”：一次提问、一次回答，结算完毕；
• 智能体则是“循环成本”：用户的一个目标会触发几十甚至上百次推理调用，因为智能体需要不断推理、规划、检索、执行。

图片译自 https://www.mindcast-ai.com/p/ai-inference-economy

当智能体大规模铺开时，训练与推理之间的经济不对称性将以非线性的方式扩大。因此，这家分析机构判断：推理经济学不是2028年才要操心的事，而是一个2026年就要做出的采购决策。

一笔越来越划算的经济账

对于“为何要自己造”的问题，业内已经有了相当具体的数字支撑。

最直观的一个案例来自AI图像平台Midjourney。据报道，Midjourney在将推理负载从英伟达GPU迁移到谷歌第七代TPU后，月度算力开销从约210万美元降至约70万美元，降幅高达65%。对于每天跑数十亿次查询的超大规模厂商来说，正如一位分析师所说，投入数十亿美元自研芯片就变成了一道“直白的财务计算题”。

这道题的答案正在改变整个市场格局。据TrendForce预测，2026年定制ASIC的出货增速将达到44.6%，而商用GPU只有16.1%——这也是定制芯片增速首次超过GPU。Introl引用彭博行业研究的数字则更宏观：到2033年，整个AI加速器市场预计达到6040亿美元，而定制硅片在其中的份额还在加速上升。

超大规模厂商早已用真金白银投了票。谷歌的TPU、亚马逊的Trainium、微软的Maia、Meta的MTIA……这些自研芯片各自服务着母公司内部的巨量推理负载。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

据CNBC报道，Trainium首席架构师Ron Diamant称，亚马逊这款ASIC相比AWS上其他硬件供应商有30%到40%的性价比优势。

这些数字表明：当算力需求膨胀到超大规模时，芯片不再是成本项，而是竞争壁垒本身。正如Oplexa的一篇分析所言，控制自己的硅片意味着控制自己的性能路线图、成本结构和供应链。这三样是任何采购订单都换不来的。

摆脱英伟达，不仅仅是为了省钱

如果说经济账是明面上的理由，那么“不想把命运交给一家公司”则是浪潮底下更深的那股暗流。

英伟达的强势部分源于芯片本身，但更大一部分源于CUDA这套积累了二十多年的软件生态。据Spheron的分析，几乎所有严肃的LLM推理优化，从FlashAttention到vLLM里的连续批处理，都只能跑在CUDA上。这套生态与其说是英伟达的护城河，不如说是任何想换芯片的团队要付的“搬迁成本”。据估算，把服务栈从vLLM移植到亚马逊Neuron SDK往往要花两到六周工程时间，某些模型架构甚至根本不被支持。

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

正因为这道墙又高又厚，绕过它的动机才格外强烈。对超大规模厂商和前沿实验室而言，每一份跑在自研芯片上的负载都意味着更多利润留在自己口袋里，也意味着在和英伟达谈价时多一分底气。

TheStreet的判断颇为直白：正在改变的是“AI实验室必须接受英伟达开出的任何价格和供货条件”这个默认假设。微软有Maia，亚马逊有Trainium，谷歌有TPU，而最新一批AI实验室如今也想为自己攒出同样的筹码。

中国实验室还面临额外挑战

回到7月7日那两条消息。对DeepSeek和智谱而言，自研芯片除了上述所有理由外，还共同面临着一个美国同行没有的问题：出口管制。

值得一提的是，DeepSeek这次自研传闻恰好与其首次接受外部融资的节点重合：该公司完成了一轮超500亿元的融资，估值超过3300亿元。造芯片很烧钱，钱和芯片这两件事同时发生未必是巧合。

而智谱则早在今年1月就成为了首家在港交所上市的中国AI实验室。两家都在为这场昂贵的豪赌提前准备好钱袋子。

自研芯片能成功吗？

将这些线索收拢来看，“为何AI公司都想自己造芯片”这个问题的答案其实是几股力量的合流：推理取代训练成为算力主战场让专用ASIC有了用武之地；智能体爆发将推理成本推向非线性膨胀让省下的每一分钱都被放大；而对英伟达的深度依赖则让所有人都想为自己攒一份议价的筹码。对于DeepSeek、智谱这样的中国公司来说还要再加上出口管制问题。

但在这股热潮之下也需要泼一盆冷水：自研芯片远非稳赢之举。设计周期动辄18到24个月且前期工程投入巨大；还需要工作负载足够稳定、可预测才值得围绕一个固定架构去设计。对于还在试验模型架构的初创公司或是任务五花八门的普通企业来说，英伟达GPU的灵活性反而是更划算的选择。

TechTimes说得清楚：那40%到65%的成本优势只属于每天跑数十亿次查询的巨头；对每周只跑几万次查询的企业来说这笔账是反过来的。

更值得追问的一个问题是：这场浪潮究竟会削弱英伟达还是只是给它“加了个补充位”？多数分析给出的答案偏向后者。据Oplexa预测到2027年ASIC出货量或将在数量上超过GPU但两个市场都会继续增长：AI基础设施正在分岔成两个不同的赛道——固定、高频、可预测的负载归ASIC；研究、多样、架构还在演进的负载归GPU。英伟达依然牢牢握着训练和绝大多数市场。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

DeepSeek和智谱到底能否造出自己的芯片眼下都还没有答案毕竟两条消息本身也都还停留在早期评估阶段。

但它们在同一天落地像两枚同时投进水面的石子激起的涟漪照出了同一片焦虑：从旧金山到北京在这个算力即权力的时代没有一家想活到下一轮的AI公司愿意把自己的命脉永远租在别人手里。