为什么前沿AI公司都想自己造芯片？

7 月 7 日这一天，有两条关于中国 AI 公司自研芯片的消息成为热点新闻。

先是路透社的独家：DeepSeek 正在研发自己的芯片。消息援引三名知情人士，说这枚芯片瞄准的是推理（inference），而非训练。报道称，DeepSeek 已经在悄悄招募芯片设计工程师，且没有走公开招聘渠道，同时在和外部代工厂、存储厂商接触。DeepSeek 没有回应置评请求，也有所争议，因为这条消息目前只有路透社单一信源。

同一天，The Information 又报道称，另一家中国实验室智谱也在评估自研定制芯片。知情人士称，原因是 GLM-5.2 需求的暴增。据 The Information 与多家转引，这款模型是 Vercel 模型聚合平台上增长最快的模型，上线首周日均 token 消耗一度飙升达 27 倍。智谱已经和多家国内芯片设计公司做了初步接触，但尚未选定合作方，据称整个项目可能需要两年以上。消息一出，智谱在港股当日一度涨约 9.9%。

当然，两条消息都还停留在早期评估阶段，都没有实物、没有定型的设计。

实际上，DeepSeek 和智谱也非孤例。把镜头拉远，你会发现「AI 公司想自己造芯片」在 2026 年已经从个别选择变成了行业的默认动作：从大洋彼岸的 OpenAI、Anthropic，到国内的这两家前沿实验室，动作出奇地一致。这篇文章想回答的是：为什么？

上个月，OpenAI 已经把芯片端上了桌

如果说 DeepSeek 的消息还停留在传闻层面，OpenAI 则已经把实物摆出来了。

6 月 24 日，OpenAI 与博通（Broadcom）联合发布了 Jalapeño，这是 OpenAI 的第一枚自研芯片，同样是一枚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，这枚芯片「从零开始为 LLM 推理而设计」，团队围绕内核、内存搬运、网络和服务模式做了针对性优化。

据 OpenAI 介绍，早期实验室测试显示，Jalapeño 的每瓦性能「大幅优于当前业界最先进水平」。不过该公司也承认，最终性能仍在测量中，详细技术报告要等未来几个月才发布，这类厂商自述的性能优势，在第三方 benchmark 出来之前，只能算一面之词。

几个细节值得留意。据 Tom's Hardware 报道，这枚芯片从设计到流片（tape-out）只用了九个月，OpenAI 称这可能是高性能先进半导体史上最快的 ASIC 开发周期；而加速这个周期的，正是 OpenAI 自己的模型：用 AI 来设计造 AI 的芯片。

Jalapeño 计划在 2026 年底开始部署，锚定的是一份 10 GW 规模、要到 2029 年才完成的博通合作。据报道，微软预计会买下首批 Jalapeño 产能的约 40%。

Anthropic 在犹豫，但也已经动身

再看另一家前沿实验室 Anthropic。今年 4 月，路透社率先报道称 Anthropic 也在权衡自研芯片，措辞很谨慎：计划处于早期阶段，公司甚至可能最终决定只买不造，尚未敲定设计，也没组建专门团队。

但到了 7 月初，事情有了新进展。据多家媒体报道，Anthropic 已经开始和三星接触，探讨代工一枚定制芯片，据称瞄准的是三星的 2 纳米制程和先进封装。

并且 Anthropic 最近挖来了 Clive Chan，而他是 OpenAI 自研芯片团队的早期成员。

面对追问，Anthropic 的回应是：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，对三星合作「不予进一步置评」。

这句官方表态，恰恰点出了自研芯片浪潮里最真实的一层动机。据 The Information 的数据，英伟达握着全球约 74% 的 AI 芯片市场；而 Anthropic 至今没造过一颗自己的芯片，Claude 的每一次调用，跑的都是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 探索自研的时间点，和它收入的陡增几乎同步。据其自己披露，2026 年运营收入年化已越过 300 亿美元，而 2025 年底还只有约 90 亿美元。规模一旦到了这个量级，自研芯片的经济账才算得过来。

推理！推理！推理！

把 DeepSeek、智谱、OpenAI、Anthropic 这些消息并排看，会发现一个共同点：它们要造的，全是推理芯片，而不是训练芯片。这不是巧合。

行业里一个正在发生的结构性转移是：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，而把模型服务给成百上千万用户，是持续不断的开销。据 Introl 的行业分析，推理如今已经吃掉了全部 AI 算力的约三分之二。

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

而推理，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，什么并行计算都能干；而 ASIC 像一件单一用途的工具，很高效、很快，但被硬连线锁死只做一类活。训练阶段需要瑞士军刀的灵活，因为模型架构还在变；可一旦模型定型、要拿去服务海量请求，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，进一步放大了这笔账。MindCast AI 的一篇分析提出了一个有意思的区分：

• 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，因为智能体要推理、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，训练与推理之间的经济不对称，会以非线性的方式滚大。也因此，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 年就要做的采购决策。

一笔越来越算得过来的经济账

对于「为何要自己造」，业内其实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 在把推理负载从英伟达 GPU 迁移到谷歌第七代 TPU 后，月度算力开销从约 210 万美元降到约 70 万美元，降幅 65%。把这个比例放大到每天跑数十亿次查询的超大规模厂商身上，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。据 TrendForce 的预测，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：当你的算力需求膨胀到超大规模，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，不只是省钱

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，一部分来自芯片本身，更大一部分来自 CUDA。而 CUDA 是一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。

中国实验室还多面临一道枷锁

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，还共同面临着一个它们的美国同行没有的问题：出口管制。

另外值得一提的是，DeepSeek 这次自研传闻，恰好和它首次接受外部融资的节点撞在一起：该公司完成一轮超 500 亿元融资，估值超 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 月就已成为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，先把钱袋子准备好。

能成功吗？

把这些线索收拢，「为何 AI 公司都想自己造芯片」这个问题，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；智能体爆发把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 DeepSeek、智谱这样的中国公司，还要再加上出口管制问题。

但热潮之下，冷水也该泼一盆。自研芯片远非稳赢。设计周期动辄 18 到 24 个月，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，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，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，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。

文章来自于"机器之心"，作者 "Panda"。